模型
GPT-4 > Claude > GPT-3.5。模型能力是天花板,选错模型,提示词写得再漂亮也补不上。
提示词的道与术 · 13 份资料综合梳理
FH · 26.06.05 · 01 / 22
THE WAY & THE CRAFT · FIELD NOTE
提示词
是表达。
13 份资料 · 6000 行原文 · 5 个主题簇 · 30 分钟。
从一个反直觉论断出发,走到一条可抄走的 5 任务清单。
从一个反直觉论断出发,走到一条可抄走的 5 任务清单。
代讲者 · 行业内部私享会 · 2026.06
→ swipe / arrow keys
Field Note · Distilled
02 / 22
13 份 / 6000 行 / 1 句话
蒸馏之后,
这句话最重。
提示词的本质,
不是写句子,是表达。
13 份资料
6,000行
原作者
7 位
核心方法
9 簇
私享会时长
30min
— 李继刚《提示词的道和术》L15 · 2024 AI 创新者大会
Context · What I See
03 / 22
BEFORE & AFTER · 99% 的人困在这里
烂的提示词
和好的提示词,
BEFORE
"总结一下这篇文章。"
没说读者、没说目的、没说格式。AI 只能猜,猜错就被骂"AI 真笨"。
AFTER
"我是产品经理,要给 CEO 写一页决策摘要。
"我是产品经理,要给 CEO 写一页决策摘要。
读者只关心 3 件事:成本/风险/退出条件。"
CTF 公式 — Context 身份受众 + Task 强动词 + Format 输出形态。差距是数量级的。
Context · The Numbers
04 / 22
FIVE NUMBERS · 5 个数据点决定你的"用 AI 姿势"
把数据摆出来,
别只讲故事。
"烂回答" 来自谜语式提问99%
第一+第四象限覆盖日常场景80–90%
元提示词节省的编写时间60%
GPT-3.5 在小任务上达 GPT-4 性能80%
多模态模型标记前可识别物品数9 类
出处:13 份资料的实证与原文引用 · 详见末页附录
Context · The Stack
05 / 22
PRIORITY
决定效果
的三层因素
提示词排第三,但它是唯一你手里能拧的螺丝。
— 李继刚
任务
任务拆得对,提示词就短一半。"任务拆解的停止条件是:模型表现够好即可。"
提示词
排第三,但因为是你唯一能直接操控的,所以获得过多关注——也最值得研究。
Section 壹
06 / 22
ACT I · 表达的工程
提示词 不 是一句话。
它是你脑海里的"本意",被文字压缩后,再被 AI 还原的过程。
这个过程里三层偏差,每一层都能让你的提示词变垃圾。
Core 1 · 表达三要素
07 / 22
EXPRESSION DECOMPOSITION
提示词 差 在哪?
三层偏差。
戴明环的视角:把模糊的本意变成确定的输出,中间要过两关。
— 01 / 本意
脑海里
的意图
混沌、模糊、带着上下文。99% 的人卡在第一关——自己也没想清楚。
— 02 / 文意
落到
纸面上
压缩、丢失、变形。"要一个好看"——什么叫好看?给 AI 的信息比给设计师的还少。
— 03 / 解意
AI 还原
回本意
模型在猜。它猜得对不对,完全看你给了多少"消除歧义的锚点"。
— 04 / 戴明环
PDCA:
写 → 跑 → 改
提示词写完不是结束,是开始。至少跑 3 轮再下结论。
Core 2 · Johari Window
08 / 22
选错象限,
写得再长
也白搭
写得再长
也白搭
80%–90% 的日常 Prompt 任务落在第一+第四象限——人知道 + AI 也知道 / 人知道 + AI 不知道。剩下 10%–20% 是"我都不知道我想要什么"的开放式探索。
Q1 开放
50%
人知道 · AI 知道
Q2 盲区
10–20%
人不知道 · AI 知道
Q4 求知
30–40%
人知道 · AI 不知道
Section 贰
09 / 22
ACT II · 模板与编程
写 Prompt 像写文章。
不要把它当一句话——把它当一个文章结构:
角色 / 背景 / 目标 / 约束 / 工作流 / 初始化。# 号分层,属性词归类,语义块独立。
Core 3 · LangGPT Role
10 / 22
STRUCTURED PROMPT · 像写文章
5 个模块
就够了
LangGPT 的最小可用结构。
# 标识层级,属性词归纳语义。
— 云中江树《结构化系统论述》
# Role: 你的角色名 ## Profile - author / version / language - description: 一句话定义 ## Skills ### Skill-1 1. 技能描述 ### Skill-2 1. 技能描述 ## Rules 1. Don't break character. 2. Don't make up facts. ## Workflow 1. First, ... 2. Then, ... 3. Finally, ... ## Initialization As a/an <Role>, you must...
Core 3 · Six Writing Axes
11 / 22
CTF 黄金公式 · 写之前先对齐 6 个维度
Context × Task × Format
01
身份
你让 AI 扮演谁?专家、助理、评审官?
02
受众
写给谁看?CEO / 工程师 / 小白?
03
目标
最终交付什么?决策 / 学习 / 执行?
04
强动词
总结 ≠ 决策摘要 ≠ 关键风险清单。动词决定 AI 走哪条路。
05
格式
Markdown 表格 / JSON / 列表?指定越细,越不用解释。
06
量化
要 3 段、5 句、200 字。模型字数永远不准,给余量。
Core 3 · Pseudo-code
12 / 22
WHEN NATURAL LANGUAGE FAILS
当自然语言
力不从心——
写伪代码。
LLM 训练时读过海量优质代码,def/if/for/TypeScript 类型,模型秒懂。多分支、多子任务、字段定义——把它们写出来,比写十段说明管用。
RECOMMENDED
TypeScript 类型 + 简单函数骨架 = 最稳的 JSON/Schema 输出控制。GPT-3.5 也能用。
Section 叁
13 / 22
ACT III · 协同与飞轮
单 Prompt 必崩。
复杂任务 = 链 / 树 / 图 · 不同模型混部 · RAG + 微调是飞轮,不是替代。
Core 4 · Prompt Chain
14 / 22
CHAIN-OF-PROMPTS · 5 步流水线 + ReAct 案例
把任务拆开
让 AI 接力。
STEP 01搜集者信息检索
STEP 02分析师数据处理
STEP 03作家内容生成
STEP 04评审官质量校验
STEP 05发布者格式化输出
REACT 案例 · 来自老金《谷歌白皮书》
思考 → 行动 → 观察 → 思考 → 行动 ··· 直到凑齐信息。
"Metallica 4 个成员,James 3 个、Lars 2 个、Kirk 0 个、Robert 3 个 → 8 个孩子"
停止条件:
模型表现够好即可
模型表现够好即可
Core 4 · Stability Formula
15 / 22
EVALUATION · 两个必须会算的指标
不跑 N 次,
不知道
提示词好不好。
— 云中江树《提示链》L725
S
= S%
STABILITY · 稳定度
数量最多的类别 / 总运行次数
U
= U%
USABILITY · 可用性
可用结果数 / 总运行次数
N
≥ 10
SAMPLE SIZE · 最小样本
建议 ≥ 10 次,2-3 个 prompt 对比
★
目标
实战经验
S > 80% 才敢上线 · U > 95% 算稳定
Core 5 · RAG vs Fine-tune
16 / 22
DECISION TREE · 选错 = 烧钱
RAG vs 微调
RAG · 开卷考试
谁带的书全,
谁带的书全,
谁翻得快,
谁就赢。
补知识。适合专才,不适合通才。成本可控,几周到几月上线。
成本:低 · 周期:短
FINE-TUNE · 全职培训
炼风格、塑人格,
炼风格、塑人格,
把模型从"聪明"
改造成"像你"。
补风格。烧钱——至少几个亿 + 高质量行业数据,没有就慎重。
成本:数亿 · 周期:半年+
推荐路径:Prompt → Few-shot → 简单 RAG → 微调 → 进阶 RAG → RAG+微调 — 提示工程贯穿始终。
Core 5 · Meta Prompt · 5 Tasks
17 / 22
META-PROMPT · 老金 5 任务清单 v1.0
写提示词
的提示词。
下次写 Prompt 前对照这 5 件事检查。
自动化生成能省 60% 时间。
T01
构建提示词地基
CTF 公式 · System/User 分离 · 肯定性指令(粉色大象效应)
T02
激活深度推理
Zero-Shot / Few-Shot / CoT / ToT / Step-Back · 强制自我修正
T03
掌控回答与行为
Schema / Prefilling · Temperature 0.0-0.2 严谨 / 0.7-1.0 创意
T04
架构自动化工作流
拒绝超级提示词 · 提示词链 · PM/架构师/测试/开发多智能体
T05
持续优化与维护
Git 版本管理 · A/B 测试 2-3 提示词 × 10 次 · 提示词库
Core 5 · Counter-intuitive
18 / 22
SIX COUNTER-INTUITIVES · 6 条反直觉
读了 13 份之后,
最反直觉的 6 条
粉色大象
说"不要做 X",AI 反而关注 X。
用"请做 Y"代替。
迷失中间
长文档中间部分被忽略。
核心指令放最后面。
深呼吸法
只在 PaLM 有效。
GPT 上面表现一般。
结构化 ≠ 创意
结构化提示词对创意性要求高的场景
不适用,反证其能"降低不确定性"。
字数不准
模型永远数不准 token。
要 100 字?告诉它写 150。
先写长,再写短
结构化是方法论封装,
也会成为枷锁。
这些不是技术缺陷,是模型的工作方式。理解它,就能绕开它。
Section 肆
19 / 22
ACT IV · 减法的胜利
写得越短, 效果越好。
李继刚从 3000 字 markdown 走到 5 词 lisp。
这不是减法,是穿透。
Shift · 减法
20 / 22
THE TURN · 转折点
两个 Prompt 的距离
2023 · MARKDOWN
# Role: 公文笔杆子
## Profile
- author: Arthur
- version: 0.3
- language: 中文
- description: 我是一位政府机关的材料写作者,专注于公文写作
## Background
我是一位在政府机关工作多年的公文笔杆子……
## Goals
- 根据用户输入的关键词,思考对应的公文场景,展开写作
- 输出一篇完整的公文材料,符合规范和标准
## Constrains:
1. 对于不在你知识库中的信息,明确告知用户你不知道
2. 你可以调用数据库或知识库中关于公文语料的内容
3. 你可以较多地使用来自域名 ".gov.cn" 的语料内容
## Skills:
1. 具有强大的文章撰写能力
2. 熟悉各类公文的写作格式和框架
3. 对政府机关的工作流程有深入了解
4. 拥有排版审美,会利用序号,缩进,分隔线和换行符
…
3000 字 · 注意力飘移 · 质量不稳
2024 · LISP
(define 角色
(技能 . 写作)
(语气 . 沉稳)
(视角 . 民众))
(输出 . 一段话))
(技能 . 写作)
(语气 . 沉稳)
(视角 . 民众))
(输出 . 一段话))
5-6 个核心词直指原子核
语言表达在被 ChatGPT 压缩 · 元能力是"穿透"
Takeaway · 3 句话
21 / 22
TAKEAWAY · 3 句话
今晚带走的
三句话。
01 · 表达
提示词是表达,不是沟通。
本意比文意更重要。
02 · 三件事
写好 = 理解 LLM + 行业 Know-how + 逻辑不矛盾。
03 · 飞轮
提示工程贯穿始终,提示链 + RAG + 微调是飞轮,不是替代。
TONIGHT · 今晚就能做的 3 件事
① 抄走老金 5 任务清单 · ② 用 LangGPT 重写你的系统提示词 · ③ 把"不要 X"改写为"请 Y"
22 / 22
CLOSING
MANIFESTO
写好
一个提示词。
用好一辈子。
— 从 13 份资料出发,到一张 22 页的现场指南。提示词是表达,不是沟通;是工程,不是玄学。
[选填] 作者 · 头衔
YY.MM.DD
TAKEAWAYS
03 RULES
01
表达 > 沟通
99% 的烂答案不是 AI 的错,是人类"用谜语当需求"。把脑海里的"本意"翻译成 AI 的"解意",提示词就是桥梁。
02
写好 = 三件事
理解 LLM · 行业 Know-how · 逻辑不矛盾。先把本行业的"隐知识"挖出来,再翻译给 AI。— 李继刚
03
提示工程贯穿始终
RAG / 微调 / Agent 都不是提示词的替代,而是它的延伸。提示工程是地基,也是飞轮的第一圈。
→ 完 · 13 份 / 6000 行 / 1 句