告别模糊指令:结构化Prompt让你的AI输出质量飙升300%

原理：大模型的训练数据涵盖所有领域。当你不指定角色时，它会从"全人类知识库"中随机提取，这必然引入大量无关

信息。通过赋予一个具体角色，你相当于告诉模型："只打开这个专业抽屉，其他的锁上。"

写法：用一个身份短语开头，例如"资深财经记者""华为认证网络工程师""小红书美妆博主"。

案例：

原理：角色赋予身份，能力则明确这个身份应该"会什么"。世界上的技能成千上万，模型默认会激活其中很大一部分。你需要显式地"关闭"不需要的能力，只保留完成任务所必需的。

写法：列出3~5项关键能力，可以是硬技能（Python编程、SPSS统计分析）或软技能（共情能力、逻辑批判力）。

案例：

原理：限制是AI输出的"护栏"。没有限制，模型会倾向输出最长、最全的答案——而这往往不是你想要的。有效的限制包括长度、语气、禁忌话题、知识边界等。

注意：大模型对精确计数（如"150字以内"）的遵守并非100%可靠，但相对约束（如"三段以内"）的效果更好。

案例：

原理：示例是 Few-shot 学习的核心。一个高质量的示例于"给AI画了输出样图"，能让模型瞬间理解你想要的风格、结构和颗粒度。对于复杂或格式敏感的任务，示例必不可少。

写法：提供一对"输入→输出"演示。示例数量1~3个为宜，过多可能引入偏差。

案例（情感分析任务）：

Format（格式）

原理：人类阅读是线性的，但机器解析结构化格式（JSON、Markdown、表格）的效率极高。如果你需要把AI输出集成到下游系统（如自动发邮件、生成报表），强制指定格式是必备步骤。

写法：可以直接描述"以表格形式输出，包含三列：问题、原因、建议"，也可以提供一个格式模板。

案例：

原理：这是整个Prompt的"动词"部分。对于复杂任务，最好拆解成多个子步骤，并引导模型按顺序执行（Chain-of-Thought思想）。明确告诉模型"先做什么、再做什么"，能大幅提升推理准确性。

写法：使用序号"1. 2. 3."列出步骤，并鼓励模型"逐步思考"。

案例：