为什么你用AI总得到套话？提示词工程完全指南：4个结构化公式，把AI调成你的金牌员工

2025 年，大语言模型已经渗透到工作与生活的方方面面。但同样使用 ChatGPT、Claude 或 DeepSeek，有人能写出惊艳的营销方案，有人却只得到平庸的套话。差距不在模型，而在提示词——你给 AI 的那段指令文本。

提示词工程（Prompt Engineering）就是研究如何精准地与 AI 对话的技术体系。它不是玄学，而是一套可以标准化、结构化、流程化的方法论。这篇教程将从底层原理到高阶策略，带你完整掌握提示词工程的核心技能，让你的每一次 AI 对话都获得高质量输出。

一、提示词工程是什么：从”问问题”到”设计指令”

用一句话定义：提示词工程是通过精心设计输入给 AI 的文本指令，来获得更准确、更有用输出结果的技术和艺术。它不仅仅是”问问题”，而是一套完整的沟通策略——包括角色设定、上下文提供、任务拆解、格式约束和示例引导。

一个直观的对比：

普通提示词：写一份营销方案

工程化提示词：你是一位有 10 年经验的数字营销专家。请为一家面向 25-35 岁都市白领的健身器材电商品牌，制定一份针对 618 购物节的营销方案。要求：1. 包含 3 个核心营销策略；2. 预算控制在 50 万以内；3. 预期 ROI 达到 1:4；4. 重点关注小红书和抖音渠道；5. 提供具体的执行时间节点。请以专业报告格式输出，包含背景分析、策略详解、执行计划和效果预期四个部分。

两者的输出质量天差地别。普通提示词只能得到泛泛而谈的通用内容，而工程化提示词能获得具体、实用、贴合实际需求的方案。研究表明，优化后的提示词相比随意提问，输出质量提升可达 60% 以上。

提示词工程的三个核心价值：解决输出不确定性、消除任务理解偏差、提升模型推理质量。掌握了这门技能，你就从”随便问问 AI”升级为”像设计系统一样设计指令”。

二、核心原理：大模型如何”理解”你的提示

要写好提示词，先得理解大模型是怎么”读”你的文字的。现代大语言模型基于 Transformer 架构，其注意力机制对提示词的关键词密度、语义连贯性和结构化程度高度敏感。

前 20 个 Token 决定方向

实验表明，提示词的前 20 个 Token 对输出方向的影响占比高达 75%。这意味着你开头的几句话——通常是角色设定和任务描述——几乎决定了整个输出的走向。这就是为什么所有提示词框架都把”角色”放在第一位。

概率预测系统

大模型本质上是概率预测系统。它并不”理解”你的意图，而是根据你提供的上下文计算下一个最可能出现的词。当指令模糊时，它只能给出一个”平均正确但不够精准”的答案——听起来没错，却不好用。当指令具体时，概率分布收窄，输出精准度大幅提升。

上下文窗口与信息密度

每个模型都有上下文窗口限制（如 GPT-4o 是 128K Token，Claude 3.5 是 200K Token）。但并非越多越好——信息密度比信息量更重要。专业术语的准确使用可使任务完成率提升 40%，而冗余信息反而会分散模型注意力。关键原则是：提供充分但不过量的上下文。

三、基础框架：RTF、CO-STAR 与六大提示词公式

提示词框架是可复用的结构化模板，确保每次提示都包含关键要素。下面介绍六大高频框架，按复杂度从低到高排列。

1. RTF 框架——日常快问快答

最轻量的框架，三行搞定，覆盖 70% 的日常场景。

• R（Role）：角色——你希望模型扮演什么身份
• T（Task）：任务——你希望模型完成什么具体工作
• F（Format）：格式——你希望模型以什么格式输出

Role: 你是资深数据库管理员
Task: 评估将数据库从 MySQL 迁移到 PostgreSQL 的计划，指出潜在风险
Format: 按"高、中、低"三个风险等级，以项目列表形式输出

2. CO-STAR 框架——内容创作全能王

新加坡 GPT-4 提示词大赛冠军框架，适合营销文案、品牌定位、对外沟通等需要精准控制风格和语气的场景。

• C（Context）：背景信息——任务相关的上下文
• O（Objective）：任务目标——明确希望完成什么
• S（Style）：写作风格——如专业、客观、技术性
• T（Tone）：语气指定——如严谨、正式、亲切
• A（Audience）：目标受众——写给谁看的
• R（Response）：输出格式——Markdown 表格、JSON、列表等

Context: 我们是主打健康轻食的连锁品牌，即将推出低卡夏季新品
Objective: 吸引年轻上班族尝试新品
Style: 小红书爆款风格
Tone: 轻松、有点俏皮
Audience: 20-30 岁注重身材管理的白领女性
Response: 输出 3 条社媒文案，每条带 emoji 和话题标签

3. BROKE 框架——商业分析利器

• B（Background）：业务背景
• R（Role）：模型扮演角色
• O（Objectives）：核心目标
• K（Key Results）：成功衡量指标
• E（Evolution）：优化与改进建议

4. SPAR 框架——复杂问题拆解

• S（Situation）：当前情况
• P（Problem）：核心问题
• A（Action）：解决步骤
• R（Result）：预期结果

5. ICIO 框架——标准流程执行

• I（Instruction）：任务指令
• C（Context）：背景
• I（Input）：输入材料
• O（Output）：输出格式

6. PIRATE 框架——高精度推理

• P（Persona）：专业身份
• I（Instruction）：精确任务
• R（Reference）：参考数据
• A（Analysis）：分析方法
• T（Test）：验证机制
• E（Export）：输出格式

框架选择的经验法则：简单任务用 RTF，内容创作用 CO-STAR，商业分析用 BROKE，问题排查用 SPAR，流程执行用 ICIO，数据分析用 PIRATE。所有框架的本质都一样——把模糊想法翻译成机器可执行的结构化指令。

四、入门技巧：角色扮演、上下文与示例引导

角色扮演法（Role Prompting）

这是最基础也最有效的技巧。通过为 AI 分配具体的专业角色，让它从特定视角思考和回答。角色设定越具体，输出越专业。

你是麦肯锡的资深管理咨询顾问，有 15 年企业战略咨询经验。
现在客户是一家传统零售企业，面临数字化转型挑战。
请用 MECE 原则分析他们可能面临的核心问题，并提出解决方案框架。

上下文提示（Contextual Prompting）

在提问前提供必要的背景信息或自定义知识，确保 AI 的回答基于这些特定信息而非泛泛而谈。

背景信息：我们公司的出差报销政策规定，交通费实报实销，
住宿费上限为每晚 500 元，餐补为每天 100 元。
任务：请根据以上政策，帮我草拟一封邮件，申请报销上周去
上海出差三天的费用。机票 1200 元，住宿 1350 元，餐饮 350 元。

少样本学习（Few-Shot Learning）

通过提供 2-3 个高质量示例，让 AI 学习你期望的输出风格和模式。这比单纯描述需求更有效——示例是最强大的提示词杠杆。

请学习以下文案风格，为新产品写类似的宣传文案：

示例 1：
产品：智能手表
文案：不只是看时间，更是看见未来。每一次心跳，都在记录生活的精彩。

示例 2：
产品：有机咖啡
文案：从高山到杯中，每一颗豆子都承载着匠人的执着。品味纯净，品味自然。

示例 3：
产品：在线教育平台
文案：知识无界限，学习无止境。在这里，每个梦想都有绽放的可能。

现在请为"智能空气净化器"写一句类似风格的文案。

负向提示（Negative Prompting）

明确告诉 AI 需要避免哪些内容、风格或词汇，这对创意类任务尤为重要。

请为新款手冲咖啡"晨光序曲"写一段 50 字的宣传文案。
要求：文案中不要出现"香醇"、"丝滑"或"唤醒"这些词。

结构化输出提示

强制 AI 按指定格式输出（JSON、Markdown 表格、清单等），便于后续处理和集成。

请从以下产品描述中提取关键信息，并以 Markdown 表格格式输出，
包含"功能点"、"优势"和"适用人群"三列。

描述：新款智能手表 Model X，拥有长达 15 天的续航能力，支持血氧
监测和 NFC 支付，适合经常出差的商务人士和注重健康的年轻人。
防水等级 5ATM，游泳时也能佩戴。

五、思维增强：Chain of Thought 与推理链技术

当任务涉及逻辑推理、数学计算或复杂决策时，直接要答案往往不靠谱。思维增强技术的核心是引导 AI “展示推理过程”，而非直接跳到结论。

Chain of Thought（思维链）

CoT 是提示工程领域的突破性技术。核心做法是在提示词末尾加上”让我们一步步思考”这样的引导语，让模型分步骤推理后再给出答案。研究表明，CoT 能将复杂数学推理的正确率提升 40% 以上。

一个团队准备开发一个网站。前端开发预计需要 80 小时，
后端开发的工作量是前端的 1.5 倍。测试阶段需要的时间是
前后端总和的 20%。请问完成这个网站总共需要多少小时？

让我们一步步思考。

CoT 分为两种形式：Zero-shot CoT（不提供示例，只加”一步步思考”引导语）和 Few-shot CoT（提供带推理过程的示例）。简单任务用 Zero-shot 足够，复杂任务建议补充 2-3 个 Few-shot 示例。

Self-Ask（自我提问）

引导 AI 将复杂大问题分解为若干有逻辑联系的小问题，逐一回答后综合得出结论。

我是否应该花时间学习 Python 编程？
请将这个问题分解为几个关键的子问题，并逐一回答，
最后根据你的分析给出一个综合建议。

Step-back Prompting（回退式提示）

在回答具体问题前，先让 AI 思考更宏观的原则或知识，再基于这些原则回答。

第一步：请先解释一下，一个成功的社交媒体营销活动
通常包含哪些核心要素？

第二步：基于以上要素，请为我们即将上市的智能跳绳产品，
策划一个为期一周的推广活动。

Rephrase and Respond（重述回答法）

要求 AI 先用自己的话重述并扩展你的问题，确保理解意图后再回答。特别适合模糊或复杂的问题。

请首先重述并扩展以下问题，然后再进行详细回答：
如何提升团队的创新能力？

Generated Knowledge（知识生成提示）

在回答专业或冷门问题前，先让 AI 生成关于该主题的背景知识，再利用这些知识组织答案。相当于让 AI”先备课再回答”。

问题：我们公司应该如何应用"蓝海战略"？
在回答之前，请先生成一段关于"蓝海战略"核心定义和关键原则的知识，
然后基于这些知识来回答问题。

六、高阶策略：Tree of Thoughts、Self-Consistency 与 ReAct

Tree of Thoughts（思维树）

如果说 CoT 是”线性思考”，ToT 就是”树状思考”。模型在每一步都提出多种可能性，评估后选择最优分支继续深入，可以回溯和尝试替代方案。适合创意问题解决、战略规划和多步骤决策。

我公司的主打产品"智能空气净化器"近期销量下滑。
请使用思维树方法来分析并解决这个问题：
1. 将问题分解为更小的步骤
2. 在每一步生成多种可能的原因或解决方案
3. 评估它们的优劣
4. 选择最佳选项继续分析
5. 最终给出一个综合的行动计划

Self-Consistency（自我一致性）

让 AI 对同一问题生成多个独立回答（通常 5 个），然后选择出现频率最高的答案。相当于”多个专家投票”，在逻辑推理和数学任务中可将准确率从 60% 提升到 90%。

对于一个初创科技公司来说，当前最重要的三个市场营销渠道是什么？
请生成 5 个独立的回答，然后只返回在这 5 个回答中
出现频率最高的答案。

注意：Self-Consistency 会成倍增加 Token 消耗，适合高价值、需要高置信度的场景。建议配合 temperature=0.7 使用以获得多样性。

ReAct（推理与行动）

ReAct 让 AI 模拟”思考 → 行动 → 观察 → 再思考”的循环。模型先推理需要做什么，然后执行一个动作（如搜索信息、调用工具），观察结果后再调整思路。这是 AI Agent 的核心技术框架。

我需要了解"2025 年人工智能在医疗领域"的最新发展趋势。
请遵循以下循环：
1. 思考(Thought)：思考应该使用哪些关键词搜索
2. 行动(Action)：模拟执行搜索
3. 观察(Observation)：分析搜索结果摘要
4. 根据观察到的信息调整思考，重复以上过程
直到找到 3 个最重要的发展趋势并总结出来。

Reflexion（自我反思）

模型在生成回答后进行自我批评，识别可能的错误并改进。企业实践表明，经过 3 轮反思迭代，错误率可降低 30%。

请完成以下任务，然后自我检查：
1. 分析这份季度报告中的关键趋势
2. 给出 3 条改进建议
3. 检查你的分析是否存在逻辑错误或遗漏
4. 如有问题，修正后输出最终版本

七、提示词模板库：8 大场景即用模板

场景一：会议纪要整理

请帮我整理以下会议的纪要：
会议主题：[具体主题]
参会人员：[人员列表]
原始记录：[会议内容]
整理要求：
- 按讨论议题分类
- 明确行动项和责任人
- 标注决策结果和截止时间
- 突出重要信息和风险点
- 格式清晰，便于后续跟进

场景二：邮件撰写

你是一位经验丰富的销售经理。请帮我写一封客户跟进邮件：
背景：客户张总（采购总监），2 周前产品演示会接触过
产品：企业级 CRM 系统
客户关注点：成本控制和实施周期
要求：语气专业但不失亲和力，重点强调成本优势
提供具体实施时间表，包含客户案例，明确下一步行动
字数控制在 300 字以内

场景三：数据分析

你是一位资深数据分析师。请分析以下电商销售数据：
时间范围：2024 年 Q4
主要指标：销售额、订单量、客单价、退货率
分析要求：
1. 关键趋势识别（同比、环比分析）
2. 异常数据点解释
3. 影响因素分析（促销活动、季节性等）
4. 业务改进建议
5. 下季度预测
请用数据驱动的思维，提供可执行的业务洞察。

场景四：知识解释

你是一位优秀的科普作家。请向一名高中生解释"区块链技术"：
要求：
1. 用生活中的具体例子类比
2. 避免使用专业术语
3. 重点说明 3 个核心特点
4. 举例说明实际应用场景
5. 篇幅控制在 500 字以内
风格要轻松有趣，让学生容易理解和记忆。

场景五：产品命名

你是顶级品牌命名专家。请为以下产品起名：
产品：智能语音助手音箱
特点：音质出众、语音识别精准、外观简约
目标用户：25-40 岁都市白领
品牌调性：科技感强但不失温度
命名要求：
1. 提供 10 个候选名称
2. 每个名字说明寓意和理由
3. 考虑商标注册可行性
4. 易于传播和记忆
请分类整理：中文名、英文名、中英结合名。

场景六：代码审查

你是资深 Java 架构师。请分析以下代码的潜在性能问题：
要求：
1. 以 Markdown 列表形式返回
2. 每个问题附带改进建议
3. 按严重程度排序（高/中/低）
4. 提供优化后的代码片段
代码片段：[粘贴代码]

场景七：竞品分析

你是一位市场研究分析师。请对以下竞品进行对比分析：
竞品列表：[产品 A、产品 B、产品 C]
分析维度：
1. 核心功能对比（表格形式）
2. 定价策略差异
3. 目标用户群体差异
4. 各自的竞争优势和劣势
5. 给出我们的差异化定位建议
请以专业报告格式输出，包含对比表格和战略建议。

场景八：学习计划

你是一位学习教练。请帮我制定学习计划：
学习目标：[具体目标，如"3 个月内掌握 Python 数据分析"]
当前水平：[如"零基础"或"了解基本语法"]
每日可用时间：[如"2 小时"]
要求：
1. 按周拆解学习里程碑
2. 推荐学习资源和工具
3. 每周安排实战项目
4. 设置阶段性检测点
5. 提供备选学习路径（快速/扎实）

八、结构化输出：让 AI 按你的格式回答

在生产环境中，AI 的输出往往需要被下游系统解析和处理。如果格式不稳定，整个流程就会断掉。结构化输出是提示词工程从”对话工具”走向”生产系统”的关键一环。

JSON 输出规范

最核心的原则：不要只说”返回 JSON”，而要给出完整的 Schema 定义。

Return ONLY a JSON object. No preamble, no explanation, no markdown fences.
Schema:
{
  "classification": "URGENT" | "NORMAL" | "LOW",
  "confidence": 0.0 to 1.0,
  "deciding_factor": "one sentence, max 20 words",
  "escalate_to_human": true | false
}
If you cannot determine the classification, set confidence below 0.4
and escalate_to_human to true.

这段提示词做了三件关键事：明确禁止额外文本、定义了完整 Schema、处理了失败场景（模型不确定时怎么办）。这是生产级提示词的基本要求。

表格输出

请以 Markdown 表格形式输出对比结果，包含以下列：
| 工具名称 | 价格 | 核心功能 | 适用场景 | 评分(1-5) |
每行一个工具，按评分从高到低排序。

多段式输出

请按以下结构输出，每个部分用 --- 分隔：
[摘要]：100 字以内的核心结论
[分析]：3-5 个关键发现，每个用 bullet point
[建议]：3 条可执行建议，按优先级排序
[风险]：2 个潜在风险及应对措施

九、实战案例：三个真实应用场景

案例一：用 CoT+Self-Consistency 做投资决策分析

一位投资经理需要评估是否投资一家 SaaS 初创公司。直接问 AI “该不该投”只会得到模棱两可的建议。用组合提示词技术，效果完全不同。

你是资深风投分析师。请分析以下 SaaS 初创公司的投资价值：

公司背景：
- 产品：面向中小企业的 HR 管理系统
- 年营收：500 万，同比增长 80%
- 客户数：300 家，续约率 85%
- 团队：25 人，创始人前阿里 P8
- 融资需求：估值 5000 万，融资 500 万

请按以下步骤分析（展示完整推理过程）：
1. 市场分析：HR SaaS 市场规模和增长趋势
2. 产品评估：核心竞争力和差异化
3. 财务健康度：营收增长、续约率、获客成本
4. 团队评估：创始团队背景和能力
5. 风险评估：列出 3 个主要风险
6. 投资建议：给出明确建议（投/不投/有条件投）及理由

请生成 3 个独立的分析版本，然后综合三版给出最终建议。

这个提示词组合了角色设定、CoT（分步推理）、结构化输出和 Self-Consistency（3 版投票），输出的分析质量和专业度远超普通提问。

案例二：用 ReAct 框架做市场调研

需要快速了解一个陌生行业的竞争格局，ReAct 框架让 AI 像一个调研员一样工作。

我需要调研"国内在线教育行业"的竞争格局。
请按 ReAct 框架执行：

Thought: 首先确定调研框架，需要了解市场规模、主要玩家、
         商业模式和发展趋势
Action: 搜索"2025 中国在线教育市场规模"
Observation: [分析搜索结果]

Thought: 市场规模了解了，现在需要找出主要玩家
Action: 搜索"在线教育头部公司排名"
Observation: [分析搜索结果]

Thought: 需要了解各家商业模式差异
Action: 搜索"在线教育商业模式对比"
Observation: [分析搜索结果]

（继续循环直到信息充分）

最终输出：
1. 行业概览（市场规模、增长率）
2. 竞争格局（前 5 名玩家对比表格）
3. 商业模式分析
4. 发展趋势预测
5. 对新入局者的建议

案例三：用 ToT 优化产品定价策略

我们的产品是一款 AI 写作助手，当前月费 99 元，转化率仅 2%。
请用思维树方法优化定价策略：

步骤 1 - 生成多个定价方向：
  分支 A：降价策略（月费 49 元，靠量取胜）
  分支 B：分层定价（免费版/专业版 99/企业版 299）
  分支 C：按量付费（每千字 0.5 元，无月费）

步骤 2 - 评估每个分支：
  - 预估转化率变化
  - 预估 ARPU 变化
  - 预估月营收变化
  - 用户接受度
  - 实施难度

步骤 3 - 选择最优分支并细化：
  给出完整的定价方案，包含：
  - 定价表
  - 各版本功能对比
  - 预期效果数据
  - 推广话术建议
  - A/B 测试方案

十、提示词优化：A/B 测试与迭代方法论

提示词工程不是一次成型的艺术，而是持续优化的工程。建立系统化的测试和迭代流程，才能保证提示词质量持续提升。

A/B 测试思维

对同一任务设计不同版本的提示词，通过实际效果对比选择最优版本。关键变量包括：角色设定、示例数量、推理引导方式、输出格式约束。

# 版本 A：Zero-shot
请分析这段代码的性能问题并给出优化建议。

# 版本 B：Few-shot + CoT
你是资深性能优化工程师。请分析代码性能问题。
示例：
输入：[示例代码]
分析：第一步检查时间复杂度...第二步检查内存...
建议：1. 使用哈希表优化查找 2. 减少不必要的循环

现在请按同样方式分析：[目标代码]
让我们一步步思考。

效果评估四维度

迭代优化检查清单

• 是否明确了 AI 的角色身份？
• 是否提供了充分的背景信息？
• 是否给出了具体明确的任务指令？
• 是否规定了输出的格式和要求？
• 是否使用了具体的数据和细节？
• 是否避免了模糊和歧义的表达？
• 是否设置了合理的约束条件？
• 是否考虑了目标受众的特点？
• 输出结果是否能直接应用？
• 是否提供了评估和改进的标准？

十一、模型适配：不同 AI 模型的提示词差异

不同模型对提示词的响应方式有显著差异。同一个提示词在 ChatGPT、Claude 和 Gemini 上的效果可能截然不同。了解模型特性，才能写出针对性的提示词。

Claude 专属技巧：XML 标签

<context>
[背景信息]
</context>

<instructions>
[任务指令]
</instructions>

<format>
[输出格式要求]
</format>

ChatGPT 专属技巧：System Prompt

System: 你是一个专业的财务分析师，所有回答必须：
1. 基于给定数据，不编造数字
2. 使用中文，术语附英文原文
3. 结论附带置信度评估
4. 如数据不足，明确说明而非猜测

User: [具体问题]

十二、避坑清单：新手常踩的 10 个坑

1. 指令过于模糊：”帮我写个文案”是最典型的反面教材。正确做法：明确产品、受众、字数、风格、渠道。
2. 一次性要求太多：”帮我设计 Logo、写品牌故事、制定营销策略、分析竞争对手”——AI 会每件都做得不到位。正确做法：拆分成多轮对话，一次一个任务。
3. 缺乏上下文：”这个方案怎么样？”——AI 不知道”这个”是什么。正确做法：提供完整背景，或直接粘贴方案内容。
4. 期望过高：”帮我写一个能赚 100 万的商业计划书”——AI 不是许愿机。正确做法：请求具体可执行的内容，如大纲、章节、模板。
5. 忽视迭代：第一次输出不满意就放弃。正确做法：把 AI 当对话伙伴，通过”更简洁一点”/”换个角度”/”加点数据”来迭代优化。
6. 忽略模型差异：在 Claude 上有效的提示词搬到 GPT-4o 上可能效果减半。正确做法：针对不同模型调整提示词风格。
7. 过度堆砌技巧：简单问题用 RTF 就够了，非要套 CO-STAR + CoT + Self-Consistency，浪费 Token 还降低效果。正确做法：按任务复杂度选择合适的技术。
8. 不设约束边界：AI 容易”自由发挥”，不设限制就会输出冗长且跑题的内容。正确做法：明确字数限制、内容范围、禁止事项。
9. 示例质量低：Few-shot 的效果取决于示例质量。低质量示例会”带偏”模型。正确做法：精心挑选 2-3 个高质量、有代表性的示例。
10. 不验证输出：AI 会”幻觉”——自信地编造不存在的事实。正确做法：关键信息交叉验证，重要决策不盲信 AI 输出。

十三、工具生态：提示词管理与发展趋势

提示词管理工具

2025-2026 发展趋势

• 自动提示词优化（APE）：让 AI 自动生成和评估候选提示词，通过蒙特卡洛搜索找到最优解，已在 Big-Bench 上实现 10-30% 的效果提升。
• 多模态提示：图文混合提示词成为主流，用截图 + 文字描述的方式传达复杂需求。
• Agent 化提示词：提示词不再只是单轮指令，而是嵌入 AI Agent 的工作流中，与工具调用、记忆系统和多步规划深度整合。
• Program-Aided Language Models（PAL）：AI 将自然语言转化为可执行 Python 代码并运行，绕过 Token 限制实现精确计算。
• 提示词安全：提示词注入攻击（Prompt Injection）成为安全焦点，防护型提示词设计日益重要。

十四、总结与学习路径

回顾这篇教程，你已经掌握了提示词工程的核心知识体系：

• 大模型理解提示词的底层原理——前 20 个 Token 决定方向，概率预测系统需要精准指令
• 六大提示词框架——RTF、CO-STAR、BROKE、SPAR、ICIO、PIRATE，按任务复杂度选择
• 入门五技巧——角色扮演、上下文、Few-shot、负向提示、结构化输出
• 思维增强技术——CoT、Self-Ask、Step-back、RaR、Generated Knowledge
• 高阶策略——Tree of Thoughts、Self-Consistency、ReAct、Reflexion
• 8 大场景即用模板——会议纪要、邮件、数据分析、知识解释等
• 优化方法论——A/B 测试、四维评估、迭代检查清单
• 模型适配——ChatGPT、Claude、Gemini、DeepSeek 各自的提示词偏好
• 10 个新手常踩的坑及解决方案

建议的学习路径

第一周：掌握 RTF 和 CO-STAR 两大框架，每天用结构化提示词完成 5 个实际工作任务，体会”框架化表达”和”随意提问”的输出差异。

第二周：学习 Few-shot 和角色扮演技巧，建立个人提示词模板库。尝试在不同模型上运行同一提示词，观察输出差异。

第三周：实践 CoT 和 Step-back 等思维增强技术，在逻辑推理和复杂分析任务中对比效果。开始用 A/B 测试方法优化提示词。

第一个月：挑战 ToT、Self-Consistency 和 ReAct 等高阶策略，尝试组合多种技术解决复杂问题。建立系统化的提示词评估和迭代流程。

提示词工程的本质不是”教 AI 做事”，而是训练我们用结构化思维描述问题。当你开始用框架写提示词，你已经从”随便问问 AI”走向了”像设计系统一样设计指令”。在 AI 时代，这项技能就像 2000 年代的 Excel、2010 年代的搜索技巧一样，是决定个人效率差距的核心能力。

最好的提示词不是一次性完成的，而是在不断实践和优化中逐步完善的。现在就开始，用你学到的第一个框架 RTF，去和 AI 对话吧。