怎么写 AI 提示词：6 个组成部分与示例

提示词就是一份任务说明。模型只能读到你写下的内容，所以它需要的每一个事实、你的每一个偏好，都必须写在上面。如果回答很空泛，原因几乎总是提示词漏掉了什么，而不是哪里说得不好。

大多数有用的提示词都由同样的六个部分组成。下面这个提示词六个部分都有。关掉其中几部分，看看没有它们时的提示词；填上你自己用的语言，然后在 ChatGPT 或 Claude 中打开，比较一下结果。

解释一条错误信息

EditCopy

Fill in语言

PartsRoleTaskContextInputFormatConstraints

Role

你是一位耐心的编程老师，面向刚开始学编程第一个月的人。

Task

解释这条 Python 错误是什么意思，以及怎么修复。

Context

我正在学一门入门课程。我学过变量、字符串、列表和 for 循环，还没学过类和异常。

Input

我的代码：age = 30 print("Age: " + age)错误信息：TypeError: can only concatenate str (not "int") to str

Format

分三个简短的部分回答，每部分用加粗的小标题：错误是什么意思、我的代码为什么会出错、修复后的代码。

Constraints

用通俗的话，不要用我还没学过的概念。整个回答不超过 200 字。

Try it

Example replyReplies vary between models and runs.

错误是什么意思： + 可以把两个字符串拼起来，也可以把两个数字相加，但不能把字符串和数字拼在一起。Python 不会去猜你想要哪一种，所以直接停下了。

你的代码为什么会出错： "Age: " 是字符串，而 age 存的是数字 30。这一行让 Python 用 + 把它们粘在一起。

修复后的代码： 先用 str() 把数字变成文本：

age = 30
print("Age: " + str(age))

这样会打印 Age: 30。

六个组成部分

角色告诉模型该用谁的口吻和判断标准。“一位面向初学者的耐心老师”和“一位评审生产代码的资深工程师”，对同一个问题会给出截然不同的回答。角色在暗含了受众和标准时最有用；它在哪些情况下有帮助、哪些情况下没有，见角色提示。

任务是说明要做什么的那一句话。以动词开头：解释、改写、比较、列出、修复、总结。如果你没法用一句话写出任务，那这个提示词里可能有两个任务，而其中一个通常会得到更单薄的回答。

背景是模型猜不到的一切：你是谁、你已经知道什么、结果要用来做什么、你已经试过什么。在上面的示例中，“还没学过类和异常”这句话，阻止了模型用 try 和 except 来回答。

输入是要处理的材料：代码、邮件、表格、错误信息。把它完整地粘贴进来。对代码的概括，只是你认为它在做什么的描述，而 bug 通常就藏在两者之间的差距里。

格式说明答案应该是什么样子：列表、表格、三个带小标题的部分、JSON、一行字。没有格式要求时，模型会替你选一种形式，而聊天模型往往会选长的。如果答案要由程序读取，结构化输出会讲得更深入。

限制是各种边界：长度、用词、要避免的东西、必须保持不变的东西。一个数字（“不超过 200 字”）比一个形容词（“简短”）更管用，因为“简短”对不同的读者意味着不同的东西，而模型就是其中一位读者。

含糊与具体

下面是用两种方式写的同一个请求。在两个标签页之间切换，比较一下回复。

含糊具体

EditCopy

写一个对列表排序的函数。

Try it

Example replyReplies vary between models and runs.

下面是一个简单的 Python 排序函数：

def sort_list(items):
    return sorted(items)

你可以这样调用它：sort_list([3, 1, 2])，它会返回 [1, 2, 3]。

含糊的提示词得到了一个正确的答案，回答的却是一个没人问过的问题。它只能去猜语言、数据、顺序，以及修改输入是否可以接受，而每一次它都猜了最常见的情况。具体的提示词事先回答了这四个问题，所以没有什么需要猜的了。

让提示词变得更好的习惯

• 尽早说明任务，长材料之后再说一遍。 在简短的提示词中，先写任务，这样后面的背景读起来就有了目的。粘贴长文档时，把文档放在前面、问题放在最后，并在那里重申关键的限制条件，让指令紧挨着模型开始输出的位置。
• 说要做什么，而不只是说要避免什么。“用简单的语言写，让 12 岁的孩子也能看懂”给了模型一个目标。“不要太技术化”只排除了一个方向，其余的方向全都敞开着。
• 把指令和材料分开。 粘贴邮件或文件时，标出它从哪里开始、到哪里结束，以免模型把其中的某句话误当成指令。分隔符和 XML 标签介绍了各种做法。
• 格式不常见时，给出一个输出示例。 示例展示形式比一段描述快得多。这就是少样本提示。
• 迭代提示词本身，而不是在对话里修修补补。 如果第一次的回答不对，找出缺失的背景或限制，修改提示词，再运行一次。一长串的纠正也能奏效，但最后你只得到了一个结果，却没有一个能复用的提示词。

发送前的检查清单

1. 我能用一句以动词开头的话说明任务吗？
2. 一个陌生人能知道这个答案是给谁看的、我已经知道什么吗？
3. 我粘贴的是真实的材料，而不是对它的描述吗？
4. 我说明了答案应该多长、是什么形式吗？
5. 有没有什么是答案绝不能改动、或者绝不能使用的？

五个回答都是“是”，并不能保证得到完美的回复，但只要有一个“否”，那很可能就是回复不好的原因。