企业官网建设流程全解析

我经常被问到：你收藏了多少条提示词？我说84条。然后对方又问：那为什么你输出还是时好时坏？因为收藏的是别人嘴里的“答案”，不是自己脑子里的“公式”。提示词这个领域现在太卷了，打开社交平台全是“XX条提示词合集”“XX行业提示词模板”，今天存一份，明天存一份，可真到用的时候，要么模型版本对不上，要么场景完全不符，要么连主体是谁都没说清楚。踩的坑多了，我反而得出一句话：收藏84条提示词，不如背下这1个万能公式。今天不绕弯子，直接把这个公式和用法讲透，从文生图到AI编程，从自动写公众号到视频生成，都能套。

1. 收藏了那么多提示词，为什么还是写不出来

1.1 我先讲个真实体验

我以前也干过这种事，看到一条好提示词就赶紧收藏。比如“你是一位资深前端工程师，请用React实现一个拖拽组件”，看起来专业、逻辑清楚，可换到我的项目里，组件库是Vue3，需求变成“拖拽排序并支持异步校验”，直接套用就是各种跑偏。问题不在那条提示词本身，而在我根本没有拆解它背后的规则：它为什么写“资深前端工程师”？为什么强调“React”？为什么要求“给出代码和解释”？这些全都在定义模型的身份、任务、约束、输出格式。收藏夹里存的是“结果”，不是“方法”。

我再举一个例子，很多人收藏过“鹈鹕骑车测试提示词”之类的模板，尤其是AI绘画圈子里，这种梗题特别火。但你拿别人的模板去跑，出图效果经常惨不忍睹。为什么？因为模板里的“鹈鹕”是别人的鹈鹕，“自行车”是别人脑补的自行车，而你手里的模型可能根本不知道鹈鹕长什么样，或者对“骑车”的理解和你完全不一样。模板没有错，错的是你不是在写需求，而是在抄作业。

所以我才慢慢意识到，提示词的核心从来不是背诵或者收藏，而是理解模型怎么“读”你的话。模型不是一个真正懂你的同事，它是一个根据概率接字的系统，你给的信息越成体系，它越能找到正确的方向。收藏84条零散的提示词，就像拿着84张不同城市的公交卡，到了新城市照样迷路。真正有用的，是一张能走遍所有城市的地图。

1.2 提示词不是“答案”，是“坐标”

提示词工程这件事，本质上是跟一个“见多识广但没常识的同事”沟通。懂技术的人都知道，大模型的训练数据里塞满了各种文本，它见过海量的代码、文案、图片描述，但它不知道你现在所处的具体项目背景，也不知道你想要的“好”到底是指什么。你给它一句话，它回你八百句话，因为它只能根据概率猜。提示词就是坐标，帮它定位：你是谁、面对谁、要解决什么、边界在哪、输出长什么样。

84条提示词里可能有上千个字，但它们大概率只在一个维度上写得特别好。有的擅长设定角色，有的擅长写负面词条，有的擅长控制格式，但它们很难同时覆盖所有维度。真正稳定的写法，是把“坐标”用全，而不是只抄某一个坐标的写法。就好比给人指路，只说“往东走”和只说“到那个红色大楼”都不够，最好是把方向、地标、距离、到达后的特征全说清楚，对方才不容易走岔。

我自己后来把这件事总结成一个特别朴素的公式，它不神秘，也不收费，就是五个要素：谁、干什么、怎么干、别干什么、拿什么交差。这五个要素凡是做提示词工程做久了的人，都会在潜意识里用到，只是很多人没有把它提炼成工具。一旦你把它变成工具，你就会发现，所谓84条提示词，本质上是这五个要素在84个不同场景里的排列组合。既然排列组合可以现场生成，为什么要背84条呢？

2. 万能公式只有一个：谁 + 干什么 + 怎么干 + 别干什么 + 拿什么交差

2.1 公式拆解：五个要素的作用

我后来习惯用的万能公式，完整写出来是这样：

• 角色（谁）：让模型扮演什么身份，比如“资深产品经理”“短视频编导”“Python后端工程师”。这会改变它调用的知识库和语言风格。
• 任务（干什么）：你要它做的核心动作，尽量用动词，比如“写”“分析”“改写”“设计”“生成”。任务要单一、明确，不要让它同时做五件事。
• 背景与细节（怎么干）：给足上下文，比如目标用户、已有素材、技术栈、字数要求、风格参考。这部分是模型最缺的信息，也是决定输出质量的关键。
• 约束（别干什么）：明确负面清单，比如“不要使用列表”“不要输出客套话”“不要编造数据”。负面约束能帮你排除掉90%的明显垃圾输出。
• 输出格式（拿什么交差）：让结果可被直接使用，比如“用Markdown表格返回”“先给结论再给原因”“生成JSON结构”。这一步决定了你是拿到一堆废话，还是拿到一份能直接交付的成果。

举个例子，你想让AI帮你写一篇公众号文章。直接说“帮我写一篇关于年轻人不发朋友圈的文章”，它大概率给你一篇四平八稳的“在当今社会，越来越多的年轻人……”式开头，没什么毛病但也没人爱看。用五要素套一下：

• 角色：你是一位有5年自媒体经验的公众号主笔，擅长观点型文章，语气犀利但有温度。
• 任务：根据主题写一篇1200字左右的文章。
• 背景：主题是“年轻人为什么越来越不爱发朋友圈”，读者是25-35岁职场人，开头需要制造共鸣，正文用两个真实感强的故事佐证，结尾给一个思考题。
• 约束：不要用“在当今社会”这类陈词滥调，不要写AI味明显的排比句，不要编造具体人名和事例。
• 输出：先给一句话摘要，再给正文，正文分段使用小标题。

组合起来就是一条可以直接复制使用的提示词。你发现没有，我完全没有用任何“魔法词汇”，也没有用多复杂的措辞，就是把一个正常需求按五个格子填进去。模型不是不会写，它只是不知道你心里的“好”长什么样，你把坐标给它，它就能对得准。

2.2 为什么不需要背84条，只需要这一个框架

这个问题的答案，我在无数次试错之后才彻底想明白。表面上，84条提示词覆盖了不同的行业、不同的模型、不同的任务，但它们背后都能映射到同一个结构。我甚至拆过很多网上流传的“高赞提示词”，无一例外，全都跑不出这五个要素。

比如有段时间很火的“打斗动作提示词”，看起来是一串很玄的词：“转身、出拳、镜头跟随、慢动作、尘土飞扬、脸部特写”。你用五要素一拆就明白了：任务（生成打斗动作描述）+ 背景（武术风格、镜头语言、环境氛围）+ 约束（不要超现实，不要飞天遁地）+ 输出（以分镜脚本形式给出）。再比如“文生视频提示词模板”，拆开看就是：角色（画面主体）+ 任务（主体动作）+ 背景（镜头运动、光效、时间）+ 约束（风格限制）+ 输出（时长和画幅）。

也就是说，收藏那些提示词，本质上是在收藏“别人帮你组合好的坐标”。可坐标换了场地就会失效，别人的场景、模型版本、审美偏好都和你不一样。公式不会失效，因为它是沟通结构的底层逻辑，模型再怎么升级，它读语言的方式依然是先识别主体，再识别动作，再识别环境，再识别限制。你把公式写明白了，就等于是在用模型最熟悉的方式跟它说话。

我还发现一个有意思的事：当你把公式背熟以后，就不太需要去市场上买“提示词合集”了。因为看到一个新需求，你脑子里会自动开始拆解：这个需求里的“谁”是谁？“干什么”是哪个动词？“怎么干”有哪些背景？“别干什么”有哪些禁忌？“拿什么交差”是什么格式？想完这五个问题，提示词已经写完了。这比打开收藏夹翻半天高效太多了。

3. 用万能公式套真实场景：从鹈鹕骑车到用AI写公众号

3.1 文生图：怎么把鹈鹕骑车描述清楚

鹈鹕骑自行车现在已经成了AI绘画圈子里公认的“模型测试题”，用来验证文生图模型能不能理解“动物+交通工具+动态姿势”这种组合。这个题看起来简单，实际能难倒一大片模型。很多人写的提示词就是一句“a pelican riding a bicycle”，结果图片出来要么鹈鹕长在自行车车架上，要么轮子是椭圆的，要么鹈鹕的喙占了半张脸。

如果用五要素来写，这个问题就清晰多了。先想“谁”：主体是一只成年鹈鹕，体型要大，羽毛是白色，喙是橙色，这是基本生物特征，你不写模型就乱编。再想“干什么”：骑车，而且是“骑”不是“站”，所以还要补充“坐在车座上，两只脚踩在踏板上”。这是动作核心，不写清楚模型就会以为你在搞抽象艺术。然后想“怎么干”：背景是在乡间小路上，阳光充足，路旁有树，光线柔和，景深带虚化，这样画面就不会是一只在白背景上飘着的鹈鹕。“别干什么”：不要出现人物，不要出现文字水印，不要让鹈鹕翅膀变形夸张。“拿什么交差”：写实摄影风格，4K画质，自然比例。

组合起来就是一条高质量提示词：A realistic photo of an adult pelican with white feathers and orange beak, riding a vintage bicycle on a country road, sitting on the seat with feet on pedals, wings slightly spread for balance, sunny afternoon, soft depth of field, no text, no watermark, 4K。

有人可能会问，用英文还是中文？这取决于模型。Flux2和Qwen Image 2.1这类模型对中文提示词的理解能力已经很好了，但英文在大多数情况下仍然更稳，因为训练数据里英文图像描述占比更高。不过，就算用中文，五要素的写法也一样：一只成年鹈鹕，白色羽毛橙色喙，骑着复古自行车在乡间公路上前行，坐在车座上，脚踩踏板，翅膀微微张开保持平衡，阳光明媚的午后，柔和景深，没有文字和水印，写实摄影风格，4K。你会发现，无论中英文，模型需要的都是“要素清晰”，而不是“措辞华丽”。

3.2 文生视频：五要素在动态场景里的加料

文生视频比文生图更烧钱，也更考验提示词质量，因为一个画面要跑几十秒甚至几分钟，一旦主体或动作理解错了，整段视频全废。像seedance这类模型，网上流传的“文生视频提示词模板”确实好用，但核心依然是五要素，只是“背景”这一项要升级为更细的分镜信息：镜头运动是推近、拉远、跟随还是旋转；主体动作是从坐到站、从走到跑，还是转身回头；时间变化是从日到夜还是从晴到雨；节奏是舒缓还是紧张。

用“打斗动作提示词”来举例。很多人在做角色打斗视频时，会写“两个人打斗”，然后模型生成出来的画面要么是两个人站着摆架势，要么是动作幅度大得离谱。用五要素拆一下：

• 角色：两个武术演员在雨中对打，穿着深色衣服。
• 任务：完成一次转身踢腿和格挡动作，动作连贯自然。
• 背景：夜晚的巷子，地面有积水，镜头采用侧面跟拍，人物占据画面中央，雨丝可见。
• 约束：不要慢动作，不要升格特效，保持写实动作，不要出现超能力。
• 输出：五秒视频片段，画幅16:9。

这样模型就知道它要生成的是一段“带连贯动作的实拍感片段”，而不是一张静态图加上随机抖动。文生视频的提示词最忌只写关键词堆叠，比如“打斗、帅、酷、精彩”，模型根本不知道怎么排优先级。你把五要素铺开，它才能像导演一样理解每一个镜头的任务。

3.3 AI编程：给Cursor、Claude写需求的方法

AI编程圈子里经常有人说“Cursor提示词泄露”，其实泄露来泄露去，真正有用的不是什么黑科技，而是有人把一条好用的开发指令写成了一个完整的工作流。比如“你是一个全栈工程师，请帮我实现一个用户登录功能，技术栈是Next.js和Prisma，数据库用PostgreSQL，要求包含邮箱密码登录和Google OAuth，错误提示要友好，返回代码加注释，最后输出目录结构。”这其实就是五要素全拼出来的标准范例。

我写代码提示词有一个习惯：先把需求背景写清楚，哪怕啰嗦一点也没关系。模型不是读心术，它不知道你的项目是单体架构还是微服务，不知道你是不是要兼容老代码，也不知道你习惯的命名规范。你给它角色，它就会用这个角色的语言风格写代码；你给它任务和约束，它就不容易写出你根本没法用的方案；你给它输出格式，它就会把代码和说明分开，而不是糊成一团。

很多程序员说AI写的代码不能跑，多半是任务里少了“约束”这一格。比如“不要使用第三方库”“兼容Node 14”“不要重构现有代码”“不要修改配置文件”。这些负面约束能帮你避开80%的坑。我见过最离谱的需求是：“请帮我优化这段代码”，然后什么信息都不给，模型当然只能给出泛泛的建议。你把“怎么干”和“别干什么”填满，它给出的代码基本就是可用的初稿，剩下的只需微调。

3.4 公众号文章自动生成：扣子里怎么设计提示词

最近好多朋友问我，想用扣子这类Agent平台做一个能自动生成公众号文章的工作流，该怎么设计提示词。我的建议是：不要写一个大提示词包揽所有事情，而是把这套万能公式拆成工作流里的多个节点，每个节点单独用一遍公式。

比如第一个节点做选题。角色是新媒体编辑，任务是根据你给定的关键词生成5个选题，背景里带上“账号定位是职场成长类”，约束是“不要蹭敏感热点，选题要有冲突感”，输出格式是“列表加推荐理由”。第二个节点做大纲。角色是公众号主笔，任务是针对选定的选题输出大纲，背景里带上“目标读者是25-35岁职场人，文章风格要观点鲜明”，输出格式是“一级标题加二级要点”。第三个节点做正文，第四个节点做标题，每个节点都单独跑。

为什么这样拆更好？因为大语言模型在处理单一任务时，注意力更集中，输出质量会明显更高。你让它同时又写选题又写大纲又写正文又写标题，它头尾两端会顾此失彼。这也是提示词工程的核心之一：不是让一个提示词完成所有事，而是把复杂任务拆成多个简单提示词，每个都遵循五要素。工作流跑通之后，你只需要在第一个节点喂一个关键词，后面全部自动串联，体验非常顺。

4. 实操：把公式变成自己的肌肉记忆

4.1 三分钟写出提示词的自查流程

公式背下来是一回事，能随时随地用出来是另一回事。我给自己定了一个三分钟自查流程，每次写提示词都按这个顺序走一遍，时间长了就成了肌肉记忆。

• 第一句话是目标。用动词定义任务，比如“写”“分析”“生成”“改写”。如果一句话说不清楚，说明需求本身没想明白。
• 第二块是上下文。把用户、场景、已有材料、技术限制、风格偏好全部放进去。很多人忽略这一块，其实模型最缺的就是这个。
• 第三块是负面约束。把不要出现的内容列出来。哪怕只有一两条，也能省很多事。
• 第四块是输出格式。把结果形态定下来，是表格、列表、代码还是文章。
• 最后自己读一遍，看五要素缺了哪一个。缺谁补谁。

举个例子，我上周要模型帮我写一份竞品分析。我第一句话写“请你帮我分析A产品和B产品的差异”，然后补上下文“目标用户都是中小企业，A主打低价，B主打服务，我关注的是选型建议”，再写约束“不要用空洞的形容词，要有数据支撑，不要给我营销话术”，最后输出“用对比表格列出6个维度的差异，并给出结论”。整个提示词不到100字，但模型给我返回的内容可以直接粘贴进报告里。

你不需要一次写出完美提示词，但你不能连框架都不搭。框架只要在，哪怕第一遍写得不好，你还可以让模型修改。框架不在，你连怎么改都不知道。

4.2 给提示词“排雷”：负面约束的写法

负面约束真的太重要了，但很多人的“负面约束”写得很没用。模型不是一个特别擅长理解否定句的专家，你写“不要提及XX”，它有时候还是会提及XX，因为它的注意力会被“XX”这个词本身吸引过去。反复试过几次后，我总结出一个原则：把“不要XX”尽量改成“用XX代替”。

比如“不要出现水印”改成“干净画面，无文字无水印”；“不要用AI腔”改成“用口语化风格，有真实个人感受”；“不要列一堆没用的数据”改成“只保留和决策直接相关的3个关键数据”。你在“干什么”里写得更具体，模型就更容易避开你不想踩的雷，因为正面指令的权重永远比否定指令更强。

更稳的办法是给出两个对比示例，告诉模型“这样的开头不要，这样的开头要”。示例是最强的约束，尤其对风格来说。比如你要求它写公众号开头，可以附上“反面示例：在当今社会，人们越来越……；正面示例：我上周翻通信录，翻到一个三年没联系的人，突然就想明白了一件事。”模型对这种示例的模仿能力很强，比你写十句抽象描述都管用。

4.3 一个参数级别的细节：用定界符和示例锁格式

如果你希望模型输出结构化内容，可以把格式写进“输出格式”那一格，并用代码块圈住。比如：

输出格式：

{ "title": "生成的文章标题", "content": "生成的文章正文" }

这样模型就会严格按这个JSON结构输出，方便程序自动解析。这个技巧在扣子、Coze、Spring AI这类平台里配置系统提示词时特别有用。很多人问SpringAI系统提示词怎么配置，其实它本质上就是一个被系统固定住的“角色+任务+约束”描述。你在系统提示词里把五要素写清楚，其他运行时参数自然稳定。

另外，不要迷信“提示词越长越好”。五要素写清楚的前提下，越短越容易执行。长度只是结果，逻辑才是前提。我看到很多人把一段提示词写成了小作文，里面塞满了形容词和修饰语，结果模型反而抓不住重点。你不如把修饰语删掉，把核心要素用短句写出来。模型对短而清晰的指令响应要好得多。

5. 常见问题与排查技巧实录

5.1 模型不听话：优先级怎么处理

经常有人问，提示词明明写得很详细，为什么模型还是输出一堆跑偏内容？我检查之后发现，大概率是“任务”和“背景”的优先级没有分开。模型有一个默认的习惯：它会把最后出现的指令当成比较高的优先级，把开头的指令当成背景信息。所以如果你想让模型“先说结论”，就不要在背景里花大量篇幅写“分析过程”，因为模型可能以为你要的是一篇分析文章。

我的做法是把最高优先级的动作放在提示词最前面，并且用一句“最重要的要求是”来强调。比如“最重要的要求是：只输出JSON，不要任何解释。背景：这是用户登录接口的返回结构。”这样模型就会先把JSON格式放在第一位，而不是先给你讲一堆登录逻辑。这招十次有八次有效，剩下两次可能是模型版本太老，需要你把“最重要的要求”再重复一遍。

5.2 提示词有冲突：鹈鹕测试踩坑

鹈鹕骑车这类测试容易翻车，是因为提示词里有隐性冲突：“动物骑车”本身反常识，模型既要理解主体是动物，又要理解动作是人类日常动作。如果你不消解这个冲突，模型就会在两个方向之间摇摆。怎么消解？把背景写具体。比如“像人类一样轻松骑行，翅膀微微张开保持平衡”，这样模型就明白，动作是拟人的，但主体依然是鹈鹕。

这个经验可以延伸到所有矛盾需求上。你想让猫穿西装，不要只说“穿西装的猫”，要补一句“西装是猫咪尺寸，穿在身上很合身”；你想让建筑漂浮在空中，要补一句“建筑底部没有基座，悬浮于云层之上，整体光线自然”。把反常识的地方补上常识，出图率会大幅提升。这也是背景信息和约束搭配使用的意义：背景负责解释“怎么回事”，约束负责画出一条“不能越过的线”。

5.3 复杂任务容易崩：怎么拆步骤

我见过最典型的错误，是一次性让模型做十件事：写文章、配图、翻译、总结、SQL、代码全部塞进一个提示词里。模型输出一定稀碎，因为它不知道该把注意力放在哪件任务上。我的经验是，遇到复杂任务，先在脑中把它拆成5个以内的子任务，每个子任务单独跑一遍，再用一个“汇总提示词”把它们整合起来。

比如用AI做一份行业报告，你可以先让它列大纲，再让它分别写各个章节，最后让它统一润色。每一步的输出格式都带编号，汇总时就非常顺。不要怕麻烦，分开跑可能只比一个提示词慢半分钟，但质量差距是肉眼可见的。我甚至在做公众号工作流时，把这种方法固化成了自动化节点：每个节点一个任务，任务之间通过变量传递结果。这样即使某个节点输出质量不行，你也可以单独修那个节点，而不用从头再来。

5.4 工具更新后提示词失效：模板化思维的好处

AI模型更新很快，昨天能用的提示词，今天可能效果变差。这不是你的问题，是模型偏好变了。所以我从来不推荐大家把网上某个版本号绑定的“秘方”当仙丹。模板化思维更抗老化：你只需要明白五要素，把模型版本当成背景信息写进去。比如“你是Flux2风格理解良好的图像生成器”“你是Qwen Image 2.1，能理解中文提示词”，这些背景写在提示词里，反而能引导模型调用对应能力。

更多时候，提示词失效是因为输出格式变了。模型更新后，它对JSON格式的要求可能更严格，或者对Markdown的支持有了变化。这时候不要怀疑公式错了，先删掉多余修饰语，只试用一下五要素的最小版本，看看是不是格式问题。我自己处理“转发给我说提示词坏了的”朋友的问题时，最常用的排查步骤就是：把提示词里的“角色”和“背景”先去掉，只剩“任务”和“输出格式”，如果这样都跑不顺，那就是模型或平台的问题；如果这样能跑顺，再一点点把背景加回来，看是哪一句导致模型崩了。

我个人的体会是，提示词工程走到最后，拼的不是词汇量，而是逻辑能力。收藏84条提示词，只是把别人走过的路记了下来；背下这一个万能公式，才是自己学会了走路。我现在还是会清理收藏夹，最后通常只留下这个公式。每次写提示词前，把五要素在脑子里过一遍，其实也是在帮自己理清需求。需求想清楚了，AI自然就能给到满意的东西。

最后再分享一个小技巧：不管你用的是什么模型，输出满意之后，把这条提示词存回收藏夹。但这次存的时候，不是存“结果”，而是存“哪几个要素写得特别到位”。下一次遇到类似需求，先看要素，再改背景。你会发现，那条84条的收藏夹，慢慢会变成你自己的提示词方法论。这个方法论，比任何模板都值钱。