学 AI 开发这么久，我发现最被低估的技能其实是 Prompt 工程。不是会写几行提示词就算会，而是真的能让模型按你的思路输出。

我的第一次翻车

刚开始我用大模型写摘要，提示词是这样的：

请总结这篇文章。

结果？输出又长又啰嗦，重点全没抓到，废话一大堆。

后来我懂了：模型需要”说明书”

把上面那条提示词换成：

你是一名资深编辑。请把下面这篇文章总结为 3 个要点：
1. 每个要点不超过 20 字
2. 只输出要点列表，不要其他内容
3. 如果文章没有明确观点，标注"无明确观点"

文章内容：
{{文章}}

效果天差地别。同样是”总结”，加了角色、约束、格式、边界之后，输出立刻可控了。

我总结的核心原则

1. 给角色，别只给任务 “你是一名资深编辑” 和 “请总结” 是两种完全不同的效果。角色设定会让模型调用相关知识库，输出质量明显提升。

2. 明确输出格式 要列表就写”只输出列表”，要 JSON 就给出 JSON 示例。模型其实很擅长遵循格式，前提是你得告诉它。

3. 用 Few-shot 举例 与其描述半天”要简洁”，不如直接给两个”好”和”坏”的例子。示例比形容词管用一百倍。

prompt = """
把用户问题分类为：技术 / 生活 / 其他。

示例：
Q: 怎么用 Python 读 Excel？
A: 技术

Q: 周末去哪玩？
A: 生活

Q: {question}
A: 
"""

4. 控制温度 做分类、抽取这类确定任务，temperature 设 0；做创意写作再调高。很多人栽在”永远用默认值”上。

一个反直觉的发现

我以前以为 Prompt 越长越好，后来发现废话越少越好。给模型一堆无关背景，它反而容易”想太多”。好的 Prompt 像写代码：每个词都有用途。

总结

Prompt 工程不是玄学，本质是”如何把需求说清楚”。就像写代码要注释清晰、接口明确，跟模型对话也是一样的道理。

现在我看到任何”模型输出不稳定”的问题，第一反应都是先检查我的 Prompt，而不是怪模型。这个习惯，帮我省了太多时间。