写在前面

“提示词工程”常被说得很玄，但真正稳定有效的技巧其实不多。下面几条是我在实际使用中反复验证、几乎每次都能提升效果的。

1. 明确角色与任务

与其说“帮我看看这段代码”，不如说“你是一名资深后端工程师，请从并发安全的角度审查下面这段代码”。给出角色和视角，能显著收敛模型的输出方向。

2. 给例子（Few-shot）

当你对输出格式有要求时，与其长篇描述，不如直接给一两个例子：

把下面的句子改写得更正式。

示例：
输入：这活儿我干不了
输出：此项任务超出了我目前的能力范围。

现在改写：
输入：这个方案不行
输出：

模型会照着例子的风格来，比纯文字描述可靠得多。

3. 让它“先想再答”

对需要推理的问题，加一句“请一步步分析后再给出结论”，往往能明显减少错误。因为模型是逐词生成的，先把中间推理写出来，相当于给了它“打草稿”的空间。

4. 约束输出格式

如果结果要被程序解析，就明确要求结构化输出：

请只返回 JSON，格式如下，不要输出任何解释：
{"sentiment": "正面/负面/中性", "confidence": 0-1 之间的小数}

必要时再配合“如果无法判断，confidence 填 0”这类兜底规则。

5. 把长任务拆开

一次让模型“读文档 + 总结 + 翻译 + 排版”，容易顾此失彼。拆成几步、每步只做一件事，整体质量更稳，也更好排查是哪一步出了问题。

小结

好的提示词的共同点是减少歧义：告诉模型它是谁、要做什么、按什么格式、遇到边界情况怎么办。把这几点讲清楚，效果往往比堆砌各种“咒语”实在得多。