同事每天用 DeepSeek 写方案，三分钟出稿，领导说"这是你写的，不错嘛"。你开着同一个 DeepSeek，问了半小时，得到一篇毫无营养的"大纲式废话"。
模型是同一个。差的不是 AI，是给 AI 说话的方式。
苏米注：这大概是每个 AI 使用者都经历过的"提示词焦虑"。同样的模型，提示词写得好坏，输出质量能差出几个量级。这篇文章把提示词工程的核心方法拆成了 6 个可操作的关卡，每一条都有可直接复用的句式。
提示词不是"输入问题"，是"设计指令"
全球最大的提示词工程社区 PromptingGuide.ai，GitHub 标星超过 6 万。它的核心结论只有一句话——提示词不是"输入问题"，是"设计指令"。你给 AI 的每一句话，都在决定它的思维路径。
第一关：把话说清楚
AI 不会读心术。你越含糊，它越凑活。
❌ 模糊版：帮我写一篇文章
✅ 清晰版：用轻松口吻，为刚开始养猫的新手写一篇 800 字的文章，重点讲接猫回家前三天的必备准备。包含三个小标题，结尾附一个简洁的 checklist。
差的不是词汇量，是信息量。好提示词要把五件事说清楚：
- 是什么任务（写文章、分析数据、做方案）
- 给谁看（新手/专家/领导）
- 要多长 / 什么格式（字数、结构、是否要分点）
- 什么风格（严肃/轻松/专业/口语）
- 有没有限制（不要提某品牌、必须包含某内容）
把这五件事写进去，AI 输出的质量会立刻跳一个台阶。
第二关：给它一个身份，让它换脑子
同一个问题，你问"一个人"和你问"一位有 20 年经验的儿科医生"，答案会完全不同。
这叫角色提示（Role Prompting）——给模型设定一个身份，它会自动调整语气、深度和专业度。
模板：你是一位 [职业/角色]，具有 [年限/背景]。现在 [任务描述]。
示例①：你是一位资深产品经理，熟悉 B 端 SaaS 场景。请帮我分析这份用户访谈记录，指出最核心的三个痛点。
示例②：你是一位小学语文老师，用孩子能听懂的方式，解释"光合作用"是什么。
PromptingGuide.ai 的官方文档明确指出：角色设定在系统级提示词里效果最强，能从根本上改变模型的思维视角，而不只是改变说话方式。
第三关：让它一步步来，而不是直接给答案
Google 研究团队做了一个实验：在提示词里加一句"让我们一步步思考"（Let's think step by step），模型在数学推理任务上的准确率大幅提升。
这就是思维链提示（Chain-of-Thought）。道理很简单，人在解题时会列草稿，AI 也一样——你让它把推理过程写出来，它就不容易跳步出错。
用法有三种，从简到繁：
- 最简单：在末尾加一句 "请一步步分析，再给出结论。"
- 引导推理步骤："先分析问题背景，再列出可能的解决方案，然后比较每个方案的优劣，最后给出你的建议。"
- 给出示例推理过程（少样本 CoT）：给出 1-2 个完整的"问题→推理过程→结论"例子，然后提出你的真实问题。
适合用 CoT 的场景：商业决策分析、复杂方案评估、逻辑推理类问题。不适合用的：简单问答、格式转换、翻译。别让 AI 为了"思考"而思考，那是浪费时间。
第四关：给它看例子，比讲道理有效十倍
"我要那种活泼但不低俗、专业但不呆板的风格"——你说得出来，AI 理解不了。但你如果直接粘一段你满意的文字说"按这个风格来"，AI 马上就懂了。
这叫少样本提示（Few-Shot Prompting）。给 2~5 个高质量例子，是单一改动里效果最显著的方法。
几个实用场景：
- 写文案：粘贴 3 条你觉得好的同类文案，说"模仿这个风格，帮我写 XX"
- 做分类：给出几组"输入→输出"示例，然后让它处理新数据
- 格式转换：给一个理想的输出格式样本，说"按这个格式整理以下内容"
苏米注：没有现成例子？先让 AI 生成几个，选出你满意的，再告诉它"就按这个来"。用 AI 的输出反哺 AI，这个循环很好用。
第五关：让它评价自己，答案质量直接跳档
AI 给出答案后，你继续发一句：
"评估一下你刚才的回答：哪里逻辑不够严密？哪里信息可能不准确？你会怎么改进？"
然后它会自己找出漏洞，自己修正，给出一个更完整的版本。
这在学术上叫 Self-Reflection（自我反思）。实践证明，让模型"先输出，再自查"，比一次性要求完美输出，效果稳定得多。
同理，还有几个好用的"追问"句式：
- "你刚才的方案，有什么我没想到的风险？"（→ 指出缺失视角）
- "如果有人要反驳你的结论，他会怎么说？"（→ 从悖论思考）
- "把这个建议提炼成更底层的原则，抛开具体情境，有什么普适规律？"（→ 提升抽象度）
让 AI 自我审视，往往比你反复修改提示词更高效。
第六关：不要一次问完，学会拆任务
很多人习惯把所有要求塞进一个超长提示词：角色 + 任务 + 格式 + 风格 + 约束 + 例子……结果 AI 一团乱麻，哪个都没做好。
换一个思路：把复杂任务拆成几轮对话，每轮只让它做一件事。
以"写一份竞品分析报告"为例：
- 第一轮：先让它梳理竞品清单，确认你关注的维度
- 第二轮：逐个竞品分析，每次只分析一家
- 第三轮：综合对比，指出关键差异
- 第四轮：根据分析结论，给出策略建议
每一步你都可以检查、纠正、补充信息。这叫提示词链（Prompt Chaining），是当下生产级 AI 应用里用得最多的方法。拆得越细，质量越稳。
6 个万能追问句式
不管你在用 DeepSeek、Kimi 还是 Claude，AI 给了第一版答案之后，这几句话可以无脑发出去：
- 逼出推理过程："重新回答，这次请把你的推理步骤也写出来。"
- 换一个角度："如果从反对者的角度看，这个结论最大的漏洞是什么？"
- 要求更深："把这个结论抽象到更底层的原则，去掉具体场景，留下普适规律。"
- 补盲区："有没有我没问到、但你觉得我应该知道的信息？"
- 多视角碰撞："现在分别从产品经理、用户、技术团队三个视角，各评价一下这个方案。"
- 自我评分："给你刚才的回答打个分（满分 10 分），并说明扣分的原因和改进思路。"
总结
说到底，AI 是一面镜子。你给它模糊的指令，它还给你模糊的答案。你给它精准的问题，它才能给你精准的价值。
提示词这件事，真的不需要背公式。核心就两件事：
- 说清楚你要什么——角色、任务、格式、风格、约束
- 敢于追问下去——让它一步步想，让它自我审视，让它换个角度
把这六关都练熟，练个两三周的时间，你对 AI 的掌控感会完全不同。
苏米注：每次用完 AI，多发一句："你觉得这个回答哪里还能更好？"——就这一句，值一千条提示词技巧。