干货分享 | Prompt设计心法 - 如何3步做到清晰表达需求？ - 文章 - 开发者社区

关注我~第一时间学习如何更好地使用AI。

重要的不是我们是否会被AI替代，

而是我们要比被替代的人更懂AI。

大家好，今天给大家分享的是我关于提示词（Prompt）设计的最新学习心得。

毋庸置疑，好的提示词能让我们更精准地引导AI生成我们想要的内容，提升AI完成任务的效率和表现。

那么，如何才能编写出好的提示词呢，其实核心就在于准确，清晰地表达自己的需求 。

这又分为两个层次。

• 1、准确地表达需求

这要求我们必须能够在面对特定的任务、问题时，确定自己真实的需求、目的是什么。如果一开始就把解决问题的方向搞错了，那必然会南辕北辙。

鉴于需求分析是一个非常复杂的主题，本人还没有找到特别好的分析框架来处理，因此本篇文章不会涉及需求确定的相关内容，考虑后续再做专项总结。

• 2、清晰地表达需求

此点为本篇的主题，我将从细节确定、语义区分、语义压缩三个环节来说明如何让prompt的表达更清晰。

一、完整确定需求实现的必要细节

清晰表达的基础在于细节的完整。

prompt编写的过程，其实就是一个将存在于自己脑海中的想法，以文字指令的形式具现化的过程。而在此过程中，我们很容易丢失细节，导致实际写出来的与我们内心所想的存在或多或少的差异。而对于大模型来说，prompt中一个字词的改变或缺失，都可能对所生成的内容产生重要影响。

为了尽可能地减少细节丢失，提高需求表达的完整性，我们需要一个分析框架，来帮助我们理清思路。

在之前的文章里，我已经向大家介绍了一个由指令、上下文、输出控制 三个部分组成的prompt内容框架。（详见：不会Prompt还敢说自己会用DeepSeek？别怕！10分钟让你成为提示大神！）

下面，我将继续使用这个框架来向大家说明如何挖掘需求实现所必要的细节元素。大家在编写prompt时，可以顺着下面的框架，逐一判断要实现自己的需求，是否需要相关的构成元素来丰富提示细节即可。

（一）指令（Instruction）

正如我在《打工人看了流泪的Prompt设计原理，如何用老板思维让AI一次听懂需求？》中所述，指令（Instruction） 就是用户要求AI具体执行的动作，是Prompt的核心，不可缺少的部分。

显然，你向AI寻求帮助，一定是需要它完成一个具体的动作，要么是解答问题，要么是写点文字，要么是陪你聊天，等等。因此，Prompt一定是围绕着“指令”来构造的。

一般来说，指令又可以分为两种类型：

1、简单动作

“简单动作”，就是指不可再分解的。可独立执行的最小指令单元。我们在使用AI的过程中，最常用的就是“简单动作”类的指令，例如：

2、工作流

“工作流”是由多个简单动作构成的“指令序列”。工作流中的每一个简单动作之间存在时序关系。复杂的工作流还可以包含条件判断、循环、并行等控制结构。

常见的工作流范式包括：

（二）上下文（Context）

上下文（Context） ，就是为执行“指令”提供所需要的主题、背景、处理对象等相关信息。在编写prompt时，你必须为AI提供尽可能多的上下文信息，以使AI能更正确地执行你下达的指令。

常见的上下文构成要素包括：

（三）输出控制（Control）

输出控制（Control） ，就是明确AI在执行”指令“所要求的动作时，应该受到的形式、内容方面的限制或应遵守的要求。

常见的输出控制构成要素包括：

再次说明，以上框架可以理解成一个为尽可能保证prompt细节完整性的checklist。大家在编写prompt时，可以顺着文章内容，逐一判断要实现自己的需求，是否需要相关的构成元素来丰富提示细节即可。

二、用合适的符号、结构进行语义区分

（一）利用符号来组织、区分提示词内部的语义结构

随着我们的提示词内容的增加，我们有时需要使用符号，将提示中具有独立语义、功能的部分，与其他不相干的部分区分开，以便模型能更清晰地理解我的指令。

常见的使用场景例如：

1.使用符号区分主题与对象 类元素的内容

例如，当你需要模型帮你优化一段prompt的时候，你可以使用特定符号将待优化的prompt包裹起来，避免模型错误地去执行这个待优化的prompt的内容。

  
你是一个提示词优化专家。请帮我优化以下用`{{}}`包裹的prompt，使其更清晰、简洁且易于模型理解：    
  
{{请写一篇关于人工智能未来发展的文章，字数不少于500字，涵盖技术、伦理和社会影响}}

2.使用符号区分示例及参考 类元素的内容

如前所述，我们向模型提供示例的目的主要在于向其展示我们所需要的风格、结构等，至于示例本身的内容并没有那么重要。

但如果我们不使用特定符号将属于示例的内容独立区分出来的，模型可能会将示例所描述的内容也一并视为我们对其提出的指令，从而产生错误的输出。

（二）对Prompt进行整体结构化

所谓的对prompt进行整体的结构化，就是指通过利用特定的格式标记、符号系统，将自然语言形式的prompt，按一定的逻辑框架，转化为分层、模块化的，有利于大模型解析、阅读的标准化形式。

整体结构化有两个层次：

1.逻辑框架的结构化

即对前面我们已挖掘出的指令、上下文、输出控制三个部分中我们需要用到的各种元素，按照一定的逻辑进行层级划分。

例如，按照以下的结构对元素内容进行组织：

  
<角色>  
  
<技能>  
  
<规则>  
  
<工作流>  
  
<输出要求>

我们平时经常会看到很多所谓的提示词框架，就是这个意义上的结构化。

2.表现形式的结构化

即针对我们梳理出的逻辑框架，选择合适的方式，从形式上对其进行组织和搭建。

常用的结构化方式包括：

| 方式 | 说明 | | markdown | 使用 # 标题、- 列表、代码块等语法进行分层 | | XML/HTML | 通过 `

定义结构，如

| | JSON/YAML | 以键值对形式组织内容，如 {"task": "...", "constraints": {...}} | | 伪代码 | 混合自然语言与代码逻辑（如 if...then） |

以下就是一段典型的markdown风格的结构化prompt：

  
# [AI角色设定] 数据科学导师  
  
## 角色定位  
- **核心职能**：指导数据科学初学者掌握核心技能  
- **人格特质**：耐心细致/鼓励式教学/化繁为简  
- **知识领域**：Python编程/机器学习/统计分析  
  
## 核心技能  
### 概念解析能力  
- 将复杂算法转化为生活化比喻  
- 识别常见认知误区（如过拟合误解）  
- 建立知识图谱连接（统计学与ML关系）  
  
### 实战指导  
- 提供Kaggle竞赛分级训练方案  
- 调试代码时的分层提问技巧  
- 数据可视化最佳实践框架  
  
## 工作流程  
### 学习诊断  
1. 通过3个基准问题评估学员水平  
2. 分析GitHub代码仓库的典型问题模式  
3. 建立个性化成长路线图  
  
### 教学实施  
- 采用「概念→代码→优化」三阶教学法  
- 每周设置里程碑项目（如泰坦尼克号预测）  
- 实施「20分钟主动思考」原则  
  
## 约束条件  
### 内容边界  
- 不涉及超出scikit-learn范围的深度学习  
- 数学推导不超过多元微积分难度  
- 代码示例必须通过PEP8校验  
  
### 交互规范  
- 每次指导不超过3个核心知识点  
- 使用「三明治反馈法」（肯定→建议→鼓励）  
- 强制每45分钟休息提醒