核心策略：给AI一个“人设”和“剧本”

1. 分配角色和受众

别只说“写封邮件”，要告诉AI它是谁、写给谁。一个角色能立刻改变语气、深度和视角。例如：“你是一名HR经理，要写给一位在不同时区远程办公的新软件工程师的欢迎邮件。”角色+受众的组合，会让输出变得极其具体 。

麻省理工学院（MIT）的提示指南 、OpenAI 的官方最佳实践 以及社区提示工程资源 都反复强调这是一项基础技术。

2. 提供背景信息，改变潜在的错误前提

在提出请求前，先给出一两句模型无法自己知道的信息。MasterPrompting.net 建议你问自己一个诊断性问题：“如果没有告诉它这件事，模型最可能在什么地方搞错？” 这个问题的答案，就是你最需要提供的信息 。

MasterPrompting.net 估算，只要在提问前简单说清楚两句话——你是谁（或这是给谁的）以及你真正想实现什么——就能改善 80% 的提问结果 。

3. 明确告诉它“不要做什么”

在AI开始生成前设定好界限，可以从源头过滤掉套话。例如：“不要用空话套话，不要以‘在当前日新月异的时代……’开头，不要列出超过3点。”这个技巧来自那些专门研究如何避免AI内容千篇一律的指南 。核心原理是：在模型滑向陈词滥调之前，提前压缩它的输出空间。

4. 用标题将提示词结构化

使用像 ## 背景、## 指令、## 约束、## 输出格式 这样清晰的分隔符。这能帮助模型将每个部分视为一条独立的指令。OpenAI 和 Anthropic 都推荐这种做法——Anthropic 建议使用 XML 标签或 Markdown 标题来区分不同章节，例如 <背景信息> 和 <工具指引> 。

5. 给出示例

在提示词中给出一个优秀的范例（或一个需要避免的反例），能极大地约束模型的输出空间，减少泛泛而谈。这就是“少样本提示”——用实例而非描述告诉模型你想要什么 。

进阶技巧：逼出AI的“真本事”

1. 排名法

别只要求一个答案，而是要求按特定标准排序的多个选项。例如，与其问“给我讲一个关于太阳的笑话”，不如试试“给我讲5个关于太阳的笑话，按‘最广为流传’到‘我百分之百没听过’的顺序排列”。这会迫使模型跳出其统计上最可能的（也即最普遍的）回答 。

2. “先采访我”法

用这句开头：“先向我提问，直到你理解当前情况，然后再给出建议。”模型会先问你一系列针对性的问题，然后才给出答案。这就像让一个优秀的新员工先了解需求 。

3. 迭代追问

不要接受AI的第一版回答。AI的初始输出常常是个“平均分”——把它当成初稿。随后追问：“再具体一点”、“给我一个给非技术背景用户的版本”、“现在挑战一下你自己的假设”。每次迭代都能显著提升回答的针对性 。

4. 鼓励它“站队”

大语言模型默认使用中立、平衡的语气。如果你想获得不那么千篇一律的回答，就明确要求它采取某个立场。“推动它表明立场”——这是高级用户的常用技巧。模型天然具有“讨好用户”的倾向，你可以利用这一点，要求它从特定视角出发 。

整合起来：一个实用框架

对于最重要的提示，可以将上述技巧整合成一个结构化框架。一位高级用户在实践中总结出一个包含四部分的模型 ：

• 任务（Assignment）：简短、清晰的指令
• 引用（Quotes）：相关参考或背景
• 要点（Notes）：你的见解或需考虑的要点
• 额外指令（Additional Instructions）：格式、字数、视角、语气和约束

这个框架与“Ricky”框架（角色、意图、条件、上下文、示例）等结构化的提示方法异曲同工，都是实践者们用来获得稳定、高质量输出的不二法门 。

总结

关键洞察在于：上下文不是让提示词变得更长，而是让它变得更精准。在敲下你的请求之前，花10秒钟想清楚：AI应该扮演什么角色？它应该避免什么？它需要哪些具体信息？仅凭这一步，就能让你的AI输出从“泛泛而谈”蜕变为“精准好用”。

本文部分内容参考、整合、重述自：MIT Effective Prompts , OpenAI Prompt Engineering Best Practices , Community Context Engineering Guide , MasterPrompting.net , Opencraft AI , Anthropic Context Engineering , LinkedIn / Reddit power user posts , YouTube tutorials 等公开信息源。

核心策略：给AI一个“人设”和“剧本”

1. 分配角色和受众

别只说“写封邮件”，要告诉AI它是谁、写给谁。一个角色能立刻改变语气、深度和视角。例如：“你是一名HR经理，要写给一位在不同时区远程办公的新软件工程师的欢迎邮件。”角色+受众的组合，会让输出变得极其具体 。

麻省理工学院（MIT）的提示指南 、OpenAI 的官方最佳实践 以及社区提示工程资源 都反复强调这是一项基础技术。

2. 提供背景信息，改变潜在的错误前提

在提出请求前，先给出一两句模型无法自己知道的信息。MasterPrompting.net 建议你问自己一个诊断性问题：“如果没有告诉它这件事，模型最可能在什么地方搞错？” 这个问题的答案，就是你最需要提供的信息 。

MasterPrompting.net 估算，只要在提问前简单说清楚两句话——你是谁（或这是给谁的）以及你真正想实现什么——就能改善 80% 的提问结果 。

3. 明确告诉它“不要做什么”

在AI开始生成前设定好界限，可以从源头过滤掉套话。例如：“不要用空话套话，不要以‘在当前日新月异的时代……’开头，不要列出超过3点。”这个技巧来自那些专门研究如何避免AI内容千篇一律的指南 。核心原理是：在模型滑向陈词滥调之前，提前压缩它的输出空间。

4. 用标题将提示词结构化

使用像 ## 背景、## 指令、## 约束、## 输出格式 这样清晰的分隔符。这能帮助模型将每个部分视为一条独立的指令。OpenAI 和 Anthropic 都推荐这种做法——Anthropic 建议使用 XML 标签或 Markdown 标题来区分不同章节，例如 <背景信息> 和 <工具指引> 。

5. 给出示例

在提示词中给出一个优秀的范例（或一个需要避免的反例），能极大地约束模型的输出空间，减少泛泛而谈。这就是“少样本提示”——用实例而非描述告诉模型你想要什么 。

进阶技巧：逼出AI的“真本事”

1. 排名法

别只要求一个答案，而是要求按特定标准排序的多个选项。例如，与其问“给我讲一个关于太阳的笑话”，不如试试“给我讲5个关于太阳的笑话，按‘最广为流传’到‘我百分之百没听过’的顺序排列”。这会迫使模型跳出其统计上最可能的（也即最普遍的）回答 。

2. “先采访我”法

用这句开头：“先向我提问，直到你理解当前情况，然后再给出建议。”模型会先问你一系列针对性的问题，然后才给出答案。这就像让一个优秀的新员工先了解需求 。

3. 迭代追问

不要接受AI的第一版回答。AI的初始输出常常是个“平均分”——把它当成初稿。随后追问：“再具体一点”、“给我一个给非技术背景用户的版本”、“现在挑战一下你自己的假设”。每次迭代都能显著提升回答的针对性 。

4. 鼓励它“站队”

大语言模型默认使用中立、平衡的语气。如果你想获得不那么千篇一律的回答，就明确要求它采取某个立场。“推动它表明立场”——这是高级用户的常用技巧。模型天然具有“讨好用户”的倾向，你可以利用这一点，要求它从特定视角出发 。

整合起来：一个实用框架

对于最重要的提示，可以将上述技巧整合成一个结构化框架。一位高级用户在实践中总结出一个包含四部分的模型 ：

• 任务（Assignment）：简短、清晰的指令
• 引用（Quotes）：相关参考或背景
• 要点（Notes）：你的见解或需考虑的要点
• 额外指令（Additional Instructions）：格式、字数、视角、语气和约束

这个框架与“Ricky”框架（角色、意图、条件、上下文、示例）等结构化的提示方法异曲同工，都是实践者们用来获得稳定、高质量输出的不二法门 。

总结

关键洞察在于：上下文不是让提示词变得更长，而是让它变得更精准。在敲下你的请求之前，花10秒钟想清楚：AI应该扮演什么角色？它应该避免什么？它需要哪些具体信息？仅凭这一步，就能让你的AI输出从“泛泛而谈”蜕变为“精准好用”。

本文部分内容参考、整合、重述自：MIT Effective Prompts , OpenAI Prompt Engineering Best Practices , Community Context Engineering Guide , MasterPrompting.net , Opencraft AI , Anthropic Context Engineering , LinkedIn / Reddit power user posts , YouTube tutorials 等公开信息源。