写好prompt的关键在于结构化指令：明确角色与任务、提供清晰示例、拆解复杂步骤、约束输出格式。需指定目标读者、长度、禁止行为，并用few-shot、分步验证和边界限定提升准确性。
想让大模型听懂你、准确执行任务，关键不在模型多强，而在你如何“说”。Prompt不是随便写句话，而是有结构、有逻辑的指令设计。写得好，模型输出稳定、精准；写得模糊，结果就容易跑偏、编造或答非所问。
明确角色和任务
大模型没有默认立场，需要你指定它“是谁”、要“做什么”。比如不写“解释量子计算”，而写“你是一位物理系博士，用高中生能听懂的语言，分三步解释量子计算的基本原理”。角色限定（专家身份）+ 任务边界（语言难度、步骤数量）+ 输出格式（分点）三者结合，能大幅减少自由发挥带来的偏差。
常见错误是只写动词：“总结一下”“写个文案”。建议始终补全：
• 目标读者（如：给5岁孩子 / 给CTO看的PPT备注）
• 输出长度（如：不超过100字 / 分5个bullet point）
• 禁止行为（如：不使用专业术语 / 不虚构数据 / 不加emoji）
提供清晰示例（Few-shot Prompting）
对复杂或易歧义的任务，直接给1–3个输入-输出样例，比纯文字描述更可靠。比如让模型改写句子为不同语气：
输入：这个功能上线了。
→ 正式通知：新功能已于今日正式上线。
→ 内部简报：功能已上线，用户可立即体验。
→ 输入：系统响应变慢了。
模型会自动捕捉“同一事实 → 多种表达”的映射逻辑。注意样例需真实、一致、覆盖典型情况，避免矛盾或超纲示例。
立即学习“Python免费学习笔记（深入）”；
拆解复杂任务为步骤
一次性要求模型“分析财报并给出投资建议”，往往失败。应拆成可验证的小步：
• 第一步：提取近3年营收、净利润、毛利率数值
• 第二步：对比行业均值，标出显著差异项
• 第三步：基于差异，列出2条风险、1条机会（每条≤20字）
每步输出可检查，错误易定位。也方便后续用代码或人工复核中间结果，而不是只看最终“建议”是否合理。
约束输出格式与边界
模型偏好“说得全”，但你需要的是“说得准”。主动框定范围能防幻觉：
• 用“仅回答是/否”“只输出JSON，无额外文本”“答案必须来自以下三个选项：A/B/C”
• 对开放问题加兜底：“若信息不足，请明确说明‘无法判断’，不要猜测”
• 时间/地域限定：“按2023年中国会计准则”“仅参考北京市政策”
这些不是限制模型能力，而是帮它聚焦在你真正需要的解空间里。
