有效的提示技巧：六种基础方法，加一个秘密武器
好提示 = 清晰沟通原则 + AI 特有的技巧。六种基础提示法、一个让 AI 替你改提示的「秘密武器」，以及为什么成功提示永远是迭代出来的。
本站主线一直在讲怎么和 AI 一起干活：Agent 的 Harness 决定它怎么动手，推理引擎决定它怎么把 token 吐得够快。 但所有这些系统的第一道开关，其实是你敲下去的那段提示。模型再强，提示写得含糊，出来的东西就含糊。
好消息是，提示没有那么玄学。它本质上是两件事的叠加：一边是和人沟通时本就该遵守的清晰原则， 另一边是 AI 特有的、只有和它打交道才用得上的小技巧。这篇把这两层拆开，给你一套能直接用的基础方法。
一、先拆开看：好提示 = 清晰沟通 + AI 技巧
很多人把「会不会写提示」当成某种玄妙天赋。其实去掉光环，它和普通写作、给同事写需求文档是同一类事——
- 清晰沟通的原则：说清楚你要什么、为什么、边界在哪。这和你给人类同事写 brief 没有区别。
- AI 特有的技巧：模型不是人，它不会「意会」，需要被显式地喂示例、被允许先思考、被指定角色。
下面六条基础技巧，前几条偏「沟通」，后几条偏「AI 特性」，但现实里它们几乎总是一起出现。
二、六种基础提示技巧
| 技巧 | 你做了什么 | 为什么有效 |
|---|---|---|
| 提供上下文 | 说清要什么、为什么、相关背景 | 模型没有你的项目上下文，孤立指令容易跑偏 |
| 展示示例 | 贴范例或指定输出格式 | 比「专业点」这类形容词精准，few-shot 对模型天生有效 |
| 明确约束条件 | 定死格式、长度、禁区 | 不写约束，模型就走默认最省事的写法 |
| 将复杂任务拆分为步骤 | 把任务拆成有序步骤再引导执行 | 一步到位易跳步漏条件，分步更好检查 |
| 要求 AI 先思考 | 让模型先列推理再给结论 | Chain-of-Thought 能明显提升复杂题的准确率 |
| 定义 AI 的角色或语气 | 指定身份与口吻 | 同一问题，不同角色给出的风格、术语、深度天差地别 |
逐条展开，每条都值得记住一个最省力的用法：
- 提供上下文：模型缺的是你的场景。开头补一句「我在做 X，受众是 Y，所以这段要 Z 风格」， 哪怕三五行，也比孤立的一句话强。
- 展示示例：文字描述风格太模糊，给一段你喜欢的范例，模型立刻对齐到具体标准。比形容词管用十倍。
- 明确约束条件：把要求列成清单放在末尾，例如「输出 JSON，字段为 a/b/c，不要解释」。不写它就用默认写法。
- 将复杂任务拆分为步骤：「先列出要做的，再逐条执行，最后汇总。」既不容易错，你也更好检查。
- 要求 AI 先思考：「在给结论前，先列出你的推理步骤。」复杂题上这是性价比最高的开关。
- 定义 AI 的角色或语气：开头一句「你是一位有十年经验的 Go 后端工程师」，后面所有输出都会自动带上这个视角。
三、「秘密武器」：让 AI 帮你改提示
六条技巧是地基，但还有一个常常被忽略的秘密武器：请 AI 本身来帮你改进提示。
你写了一段不太满意的提示，与其自己反复试，不如直接说：
下面是我写给你的提示，请帮我改进它，让它更清晰、更可能被正确执行，并解释你改了什么、为什么。
[粘贴你的原始提示]这招之所以好用，是因为模型最了解自己会被什么样的输入带偏。它给你改完的版本，往往比你自己琢磨几轮都更接近 「机器能读懂」的表达。把它当成你的提示教练，而不只是执行者。
四、成功的提示是迭代出来的
把上面的都加起来，要记住一句最关键的：成功的提示是一个迭代过程。
第一版提示几乎永远不会是最后一版。先跑通，看结果哪里不对，再针对性地补上下文、加示例、收约束—— 必要时把 AI 拉进来一起改。
这其实也是和 AI 协作的缩影：你不必一次写对，但要建立起「看结果 → 改提示 → 再看结果」的循环。 把它当成对话，而不是一次性投喂。
五、常见的成功模式（可直接照抄的清单）
如果只记一页纸，记这组反复出现的成功模式：
- 清晰的任务概述：一句话讲明你要它做什么；
- 格式规范：输出长什么样，提前定死；
- 明确的约束条件：长度、语气、禁区，列清楚；
- 相关的背景信息：把模型缺的上下文补上。
这四样同时齐了，绝大多数日常提示就已经落在「好」的区间里了。
小结
把这篇收成三句话：
好提示 = 清晰沟通原则 + AI 特有的技巧，二者叠加，缺一不可。 六个基础技巧（上下文 / 示例 / 约束 / 拆解 / 先思考 / 定角色）是地基，秘密武器是让 AI 反过来帮你改提示。 没有一次写对这回事——成功提示是迭代出来的，把它当成和 AI 的协作，而非一次性指令。
- 地基是沟通，不是咒语。上下文、示例、约束、拆解、先思考、定角色—— 前几条是人类沟通常识，后几条是 AI 特有，但实战里它们总一起出现。
- 秘密武器最省力。写不出好提示时，把原始提示贴回去让 AI 改， 它比你自己试更懂「机器能读懂什么」。
- 接受迭代。第一版几乎必改，建立「结果 → 改提示 → 再看」的循环， 把它当协作而非一次性投喂。