如何写出高质量 Prompt：结构、约束和示例

好 Prompt 的标准

好 Prompt 不是越长越好，而是让 AI 明确知道任务目标、上下文、输入材料、输出格式和判断标准。

基本结构

一个稳定 Prompt 通常包含：

1. 角色：你希望 AI 扮演谁。
2. 目标：要完成什么任务。
3. 背景：为什么做这个任务。
4. 输入：用户会提供什么材料。
5. 步骤：希望 AI 如何处理。
6. 输出：格式和结构。
7. 约束：不要做什么。
8. 示例：给出输入和输出参考。

常见问题

只写一句话

如果任务复杂，只写一句话会导致 AI 自行假设太多。

没有输出格式

没有格式要求时，输出很难复用。建议明确用 Markdown、表格、JSON 或清单。

没有边界

如果不说明不要编造数据，AI 可能会生成看似合理但未经验证的信息。

迭代方法

每次使用 Prompt 后，记录哪里不稳定，再把约束补回模板中。Prompt 是一个持续迭代的资产。

当 LLM 回复达不到预期时，先不要急着重写 Prompt

很多人发现 AI 回复不理想时，会直接换一种问法，或者不断追加“再详细一点”“再专业一点”。这种方式偶尔有效，但不稳定。更好的做法是先判断问题出在哪里，再选择对应的优化策略。

1. 判断是“信息不足”还是“指令不清”

如果 AI 输出泛泛而谈，通常不是模型不够聪明，而是输入材料不够具体。可以补充：

• 任务背景：这份内容给谁看、用于什么场景。
• 原始材料：会议记录、数据、用户反馈、竞品链接或已有草稿。
• 判断标准：什么算好，什么算不可接受。
• 目标读者：新手、管理者、技术团队、客户或面试官。

可以这样追问自己：如果让一个新人同事完成这件事，他还需要哪些信息？这些信息也应该提供给 LLM。

2. 把模糊要求改成可检查标准

“写得好一点”“更有洞察”“更像专家”都太抽象。建议改成可检查的标准，例如：

不要只给结论。每个建议都需要包含：适用场景、执行步骤、风险提醒和一个具体例子。

或者：

请用表格输出，每行包含：问题、原因、修改建议、修改后的示例句子。

可检查标准越明确，AI 越容易稳定输出，也方便你判断结果是否合格。

3. 要求 AI 先提问，再回答

当任务依赖背景信息时，不要让 AI 立即生成最终答案。可以增加一条约束：

如果关键信息不足，请先提出不超过 5 个澄清问题；在我回答前，不要生成最终方案。

这适合 PRD、方案设计、代码审查、商业分析、职业规划等高上下文任务。它能减少 AI 自行脑补，也能让你发现自己没有说清楚的地方。

4. 让 AI 先给大纲或方案，再展开细节

如果一次性要求 AI 产出完整文章、PPT、方案或代码，结果容易跑偏。可以改成两步：

1. 先让 AI 输出结构、假设和写作角度。
2. 你确认方向后，再让它逐段展开。

示例：

请先不要写正文。先给出文章大纲、每一节要解决的问题、目标读者可能关心的点，以及你需要我补充的信息。

这种方式特别适合长内容和复杂任务，因为方向错误比措辞错误更难修。

5. 提供“反例”和“偏好样例”

如果 AI 的语气、深度或格式总是不符合预期，可以给它两个样例：

• 不想要的版本：指出哪里不对。
• 想要的版本：说明值得保留的特征。

例如：

不要写成营销软文，不要使用“赋能、革新、颠覆”等空泛词。
请参考下面这段风格：短句、直接、有操作步骤，每段只讲一个重点。

LLM 很擅长模仿模式。相比抽象描述“更自然一点”，样例通常更有效。

6. 要求模型自检和修订

得到初稿后，不要只让 AI “优化一下”。可以要求它按标准自检：

请根据以下标准检查你的回答：
1. 是否有未经验证的结论？
2. 是否有空泛建议？
3. 是否遗漏关键步骤？
4. 是否符合指定输出格式？

先列出问题，再给出修订版。

这种方式能把“主观不满意”变成“按标准修订”，尤其适合文章、邮件、报告和方案类任务。

7. 分清是 Prompt 问题、上下文问题，还是任务拆解问题

当回复始终不理想时，可以用下面的诊断表定位：

表现	可能原因	调整办法
内容很空	缺少背景、数据或目标读者	补充材料和使用场景
格式混乱	没有指定输出结构	明确 Markdown、表格、JSON 或清单格式
跑题	任务目标太多或边界不清	拆成多个子任务，逐步完成
编造信息	没有限制事实来源	要求标记不确定信息，不知道就说不知道
风格不对	只有抽象风格要求	提供偏好样例和禁用词
结果不可执行	缺少质量标准和约束	要求包含步骤、负责人、输入输出和检查点

8. 使用“反馈闭环”迭代 Prompt

不要每次都从零开始写。可以把不满意的地方转成下一版 Prompt 的规则：

上一次输出的问题：建议太泛，没有结合中小团队资源有限的情况。
本次请特别注意：每条建议都要说明低成本做法、必要前提和不适用场景。

长期来看，高质量 Prompt 不是一次写出来的，而是在真实任务中不断加入失败经验、边界条件和优秀样例后沉淀出来的。

Prompt 对比例子

不够好的写法

帮我写一份周报。

问题是缺少背景、输入、输出结构和语气要求。AI 只能靠猜测生成内容。

更好的写法

你是一名职场写作助理。请根据我提供的工作记录，生成一份适合发给直属领导的周报。

输出结构：
1. 本周核心成果
2. 重点工作进展
3. 数据结果
4. 问题风险
5. 下周计划

要求：
- 不夸大事实
- 对零散事项归类
- 信息不足处标记待补充

工作记录：
[粘贴内容]

这个版本明确了角色、任务、结构、约束和输入位置，因此输出更稳定。

可复用 Prompt 模板

你是[角色]，擅长[能力]。

任务目标：
[说明要完成什么]

背景信息：
[说明为什么做]

输入材料：
[粘贴内容]

处理步骤：
1. [步骤一]
2. [步骤二]
3. [步骤三]

输出格式：
[Markdown / 表格 / JSON / 邮件]

约束：
- 不要编造事实
- 信息不足请提问或标记待补充
- 语言风格为[风格]

迭代 Prompt 的方法

每次使用后记录三个问题：

1. AI 哪些地方输出不稳定？
2. 哪些内容需要你反复手动修改？
3. 哪些约束应该写进模板？

把这些问题补回 Prompt，它就会逐渐从一次性指令变成可复用资产。

检查清单

发布或保存 Prompt 前，检查它是否包含：

• 角色
• 任务目标
• 输入说明
• 处理步骤
• 输出格式
• 质量标准
• 禁止事项
• 示例输入或示例输出

---

延伸阅读

• Prompt、Skill、Agent、Workflow 有什么区别？
• AI 工作流入门指南
• 返回 Guides 栏目