提示词工程
通过结构化、精准化的指令设计，提升 AI 输出质量和效率的方法论。核心原则是”给 AI 精准喂料，它才能吐出金子”
核心定义
提示词工程（Prompt Engineering）是设计和优化输入给 AI 的指令，以获得高质量、符合预期的输出的实践。
核心原理：输入越结构化、维度越完整，AI 的理解越精准，输出质量越高。
经典框架模板
小红书 6 步精准指令公式
来源：2026-04-29-deepseek-xiaohongshu-formula
【我是谁】XX领域/身份的博主
【我需要】标题/互动话术/痛点文案
【给对象】XX岁+有XX痛点的群体
【痛点关键词】3-5个精准词
【内容重点】必含数据/场景/对比
【避雷要求】禁用XX/必须带XX
公文写作结构化指令
来源：2026-04-29-deepseek-official-document-tips
请撰写一份[公文类型：通知/请示/报告/函]
主题：[具体主题]
背景信息：[详细背景资料]
格式要求：包含引言、主体、数据分析
结构要求：[具体结构要求]
内容创作通用 Prompt 模板
来源：2026-04-29-deepseek-content-creation
生成初稿：
写一篇关于[文章主题]的文章。
要求：结构完整，包含引言、正文要点、结论
SEO 优化：
请为以下内容优化 SEO 关键词：
[粘贴文章内容]
要求：替换核心关键词、添加长尾关键词
网文创作专用指令
来源：2026-04-29-deepseek-novel-tutorial
世界观构建：
输入关键词如"修仙+宗门斗争+系统流"
要求：生成包含势力分布、修炼体系、核心矛盾的世界观框架
并提供「冲突升级模板」和「多线并进大纲」
人物角色卡生成：
输入："病娇反派+美强惨背景"
输出包含：姓名、特征、名台词、黑化触发点
AI前端生成提示词七类信息
来源：2026-05-10-ai-frontend-usable-deliverable
AI前端生成场景对提示词工程提出了更高要求——不是一段文字，而是七类结构化信息：
1. 产品背景：产品是什么，面向谁，解决什么问题，处于什么业务阶段
2. 用户任务：用户想完成什么动作，最关心什么，最担心什么
3. 页面目标：转化 / 展示 / 操作 / 监控 / 配置 / 分析
4. 内容结构：有哪些模块，每个模块任务，必须强调/弱化的内容
5. 视觉方向：整体气质，参考风格，不要什么风格，颜色/字体/图片处理
6. 交互要求：按钮/表单/筛选/弹窗/状态/动效/响应式布局
7. 验收标准：什么算合格，什么必须重做，哪些常见错误不能出现
页面任务说明模板（AI前端生成前必填）：
这个页面服务于谁？
用户进入页面时最关心什么？
用户完成任务需要经过哪些步骤？
页面最重要的信息是什么？
用户看到页面后，下一步应该做什么？
哪些内容必须弱化？
哪些内容不能出现？
设计约束指令示例：
页面最多X个模块
首屏只能表达一个核心价值
一个页面最多使用两种字体风格
主色只能有一个
按钮层级不能超过两级
图片必须承担叙事作用，不能只是装饰
每个模块只能完成一个表达目标
图像 Prompt 三层骨架（自然语言场景 + 视觉关键词 + 负面词）
来源：2026-05-27-bnext-chatgpt-image-2-60-prompts
数位时代 60 组 ChatGPT Image 2.0 提示词揭示了图像生成场景的稳定 Prompt 结构：
[场景叙述层（中文自然语言）]
请帮我生成 / 设计 / 制作一张……（描述画面主体、构图、氛围、版面）
[视觉关键词层（中英混合）]
premium magazine style, layered composition, soft shadow, bright natural lighting,
aesthetic editorial layout, ultra detailed, cinematic atmosphere, 8K
[锁定指令层（仅照片风格转换时使用）]
保留人物原本的：臉型、五官、髮型、肤色、穿搭、身材比例、整体气质。
不要重新设计角色，也不要改变人物风格。
[负面提示词层]
真实人类、塑料感、低解析度、文字模糊、人物变形、过度 AI 感、恐怖谷效果
[输出比例（场景绑定）]
9:16（移动端 / 手机桌布）/ 4:5（IG 帖文 / 冲破屏幕）/ 1:1（IG 方图）/ 16:9（PPT / 赛事现场）
与文案 Prompt 的差异：文案 Prompt 主要靠”身份 + 受众 + 痛点 + 重点 + 避雷”结构化，图像 Prompt 主要靠”画面叙述 + 风格词列表 + 负面词 + 输出比例”。共同骨架是”正向要求 + 负向约束”双层，但图像场景多了”风格关键词列表”（中英混合可被模型识别）和”比例绑定”（不同比例对应不同消费场景）。
占位符模板（同结构不同实例的批量复用模式）
来源：2026-04-29-deepseek-xiaohongshu-formula、2026-05-27-bnext-chatgpt-image-2-60-prompts
将 Prompt 中的可变字段抽出为占位符（_____ / 【XX】 / {{XX}}），固定结构 + 关键词列表保持不变，用户只需填空。
文案场景示例（小红书 6 步公式）：
【我是谁】XX 领域博主
【给对象】XX 岁 + XX 痛点群体
图像场景示例（编织小人气象图 / F1 现场照）：
主题：_____ 编织小人气象图
代表景点 1~5：_____ / 在地美食 1~4：_____
【车队名称】Formula 1 赛车维修站 / 【YOUR_NAME】打歌舞台
这种模式是 提示词工程 走向工业化的过渡形态——比 Prompt-as-Code（JSON/YAML）门槛低，但比单条 Prompt 复用性高，适合内容创作者批量套用。
核心原则
1. 结构化优于碎片化
- 多维度定义远优于单句模糊指令
- 小白指令：“帮我找秋季穿搭灵感”
- 结构化指令：完整 6 维度定义 → 针对性强的 10 个选题
2. 明确身份与受众
- 必须定义”我是谁”（创作者身份）
- 必须定义”给谁看”（目标受众画像）
- 必须定义”痛点是什么”（精准关键词）
3. 包含正向要求和负向约束
- 【内容重点】明确必须包含什么（数据、场景、对比）
- 【避雷要求】明确禁止什么（禁用词、风格禁忌）
4. 示例驱动效果更佳
- 提供具体示例能显著提升输出质量
- 好的示例胜过千言万语的描述
5. Prompt-as-Code（提示词即代码）— 工业化范式
来源：2026-05-10-gpt-image-2-prompt-templates
传统提示词收集就像”陈列精致的标本”——几百个散文式提示词无法集成到 Agent 或自动化工作流。Prompt-as-Code 将提示词从”自然语言散文”升级为”机器可解析协议”：
三大支柱：
- 原子化 Schema 注入：所有视觉要素（主体、光影、材质、排版）降维成 JSON/YAML 结构化组件，Agent 稳定解析零幻觉
- 零配置工作流：无缝接入大模型数据管线，抹平使用门槛
- 多维决策矩阵：引入精确的空间坐标系约束，解决传统 NLP 控不了画面排版的技术盲区
应用：将 JSON/YAML 模板给 Claude Code 或 Codex 等 Agent 学习 → 批量出提示词、批量出图一条龙。每个模板自带”防坑指南”。
与其他框架的关系：小红书6步公式和公文写作模板是”人写人读”的结构化指令，Prompt-as-Code 是”机器写机器读”的结构化指令——前者提升单次输出质量，后者实现批量自动化生产。
不同素材中的观点
关于精准喂料原理
来源：2026-04-29-deepseek-xiaohongshu-formula
“给AI精准’喂料’，它才能吐出金子！“
关于结构化的价值
来源：多篇素材共同印证
- 结构化指令能解决”AI 写的像流水账”的普遍问题
- 具体化的指令不仅促进 AI 的理解，也能更加贴合实际需求
关于背景信息的重要性
来源：2026-04-29-deepseek-official-document-tips
“提供详尽的背景信息是另一个提升公文质量的策略…以确保生成内容的精准度与权威性。“
关于AI不怕要求多，怕要求模糊
来源：2026-05-10-ai-frontend-usable-deliverable
“AI 不怕要求多，AI 怕要求模糊。你说’做得高级一点’，它很难理解；你说’首屏只保留品牌名、价值主张、一个 CTA 和一个占据全屏的真实场景主视觉，不要卡片、不要统计条、不要图标矩阵’，它就会稳定很多。“前端生成提示词至少需要七类信息（产品背景/用户任务/页面目标/内容结构/视觉方向/交互要求/验收标准），这与文案创作场景的结构化指令原理一致，但信息维度从3-6维扩展到7维，且视觉方向和交互要求是UI生成场景独有的维度。
关于Prompt-as-Code：从”散文”到”协议”的范式升级
来源：2026-05-10-gpt-image-2-prompt-templates
“现在这种简单的提示词聚合和收集，说白了就是在陈列一堆精致的标本。几百个像散文一样的提示词，我要是想集成到自己的 Agent 或者自动化工作流里，难道还得一个个人肉去扒？“Prompt-as-Code 把提示词从自然语言散文升级为 JSON/YAML 结构化组件，解决的不是”单次输出质量”问题，而是”批量自动化生产”问题——让 Agent 零幻觉稳定解析、无缝接入工作流、精确控制画面排版。这是提示词工程从”手工作坊”走向”工业流水线”的关键跃迁。
关于 Claude 复盘流程中的 Prompt 结构化拆分
来源：2026-05-17-ai-pm-interview-claude-workflow
同一份面试转录让 Claude 分三轮独立处理（建题库 / 诊断答崩点 / 生成标准答案），本质上是在用任务拆分减少模型偷懒和浅层混合回答。Prompt B 强制喂入简历，说明高质量提示词不只是“怎么问”，更包括把关键上下文前置注入；而“不要安慰我”这样的负向约束，则体现了提示词工程里约束条件对输出风格和诊断强度的直接影响。
关于图像 Prompt 的”双层 + 锁定 + 负面词”四件套
来源：2026-05-27-bnext-chatgpt-image-2-60-prompts
数位时代整理的 60 组 ChatGPT Image 2.0 提示词反复出现同一稳定结构：自然语言场景叙述 + 中英混合视觉关键词 + （照片转换时）“保留臉部 / 髮型 / 表情 / 姿势”锁定指令 + 负面提示词（避免恐怖谷 / 比例失控 / 低解析度）。22 组照片风格转换全部使用锁定条款，这是绕开 Image 2 人像漂移弱点的工程化方案——证明 Prompt 工程除了”加什么”，“禁止什么”和”必须保留什么”是同样重要的两个维度。
关于 Prompt 与 Skill 的精确边界：调用方式 + 复杂度承载
来源：2026-05-27-woshipm-yunshu-skill-practical-guide
云舒写了上百个 Skill 后给出更精确的边界判断：从底层逻辑看 Skill 和 Prompt 做的是同一件事——让 AI 按 SOP 作业，所以最简单的 Skill（单 SKILL.md）等价于一段 Prompt。但 Skill 在两个维度突破了 Prompt 的天花板：①调用方式——模型可以预先看到多个 Skill 的描述，根据当前任务自动判断要调用哪个；Prompt 只能人工手动指定，无法在全局工作流里形成稳定调用机制；②承载复杂度——Skill 可以包含规则、参考文档、Python 脚本、素材库，在不同阶段让模型调用不同内容；Prompt 必须一次性把所有内容喂给模型，“内容一多不仅会占用大量上下文，也容易让模型在执行时抓不住重点”。这把 Skill 词条已有的”Prompt 临时、Skill 持久”区分进一步具体化——从”持久与否”扩展为”调用机制 + 承载能力”的工程化差异。对提示词工程的启示：当任务复杂度高到需要规则/脚本/素材分阶段调用，或希望全局工作流稳定调用时，应从 Prompt 升级为 Skill；反之单次表达意图的场景，Prompt 已足够。
关于三大模型官方指南趋同：“少即是多”时代到来
来源：2026-06-02-bnext-100-ai-prompts-map
GPT-5.5 官方”Prompt越短越聰明、結果先行”、Claude 官方”少即是多”、Google PTCF 框架（角色·任务·情境·格式）——三大厂商同时强调简洁直接优于长文描述。數位時代 100 组提示词地图揭示的核心趋势是：提示词工程从”越详细越好”的 1.0 时代进入”精准四要素”的 2.0 时代，传统的长文描述正逐渐被淘汰。掌握 PTCF 四要素即可跨模型通用——跨模型迁移成本正在快速降低。
关于 DRAG 框架：提示词工程的元决策层
来源：2026-06-02-bnext-100-ai-prompts-map
YouTube 频道 theMITmonk 的四步骤框架不是在教”怎么写提示词”，而是在解决更上游的问题——“这个任务该不该给 AI”。高重复+低判断力的任务外包给AI，高判断力的任务自己完成但用AI辅助准备。这是提示词工程从”单次指令优化”到”任务分配策略”的层级跃升。与 问题感（什么问题值得解决）形成”决策→执行”互补。
关于 Meta-prompting：让 AI 优化提示词本身的三招
来源：2026-06-02-bnext-100-ai-prompts-map
当指令太简略导致AI产出很普时，不要自己绞尽脑汁改提示词，而是让 AI 帮你优化——三招覆盖：① 模糊需求精准化（给AI原始需求，让它改写为结构化提示词）、② 提示词质量诊断（让AI分析现有提示词的不足并给出改进版本）、③ 跨模型格式适配（把为ChatGPT写的提示词自动调整为适合Claude的版本）。这是提示词优化从”人工迭代”走向”AI辅助迭代”的标志。
关于100组提示词地图的本质：场景覆盖清单
来源：2026-06-02-bnext-100-ai-prompts-map
数位时代从 83 篇历史文章中梳理出的 100+ 组提示词，表面上是”提示词收藏夹”，本质是”什么时候该想到 AI”的场景决策清单。文章给出的实操建议是”先从与你工作最相关的类别下手，先复制、再修改、最后内化成自己的版本”——这与 17 组万用提示词的”先用 5 个跑 2 周再组合成组合包”思路一致，代表提示词工程在”结构化框架”和”工业化协议”之外的第三条路线——“零门槛场景清单”。
关于学习场景的三块结构化提示词：现状+目标+时间投入
来源：2026-06-09-woshipm-ai-tutor-system
文章提出用三块结构化提示词搭建 AI 学习系统：①现状描述（现在在用什么工具、做到什么程度）；②目标定义（“学好AI”没用，必须具体到”成为能独立用AI做用户研究的产品经理”或”有能力判断AI解决方案值不值得投”）；③时间投入（每天半小时/一小时/两小时决定学习计划密度）。这是提示词工程在”个人学习系统设计”场景的具体应用——与小红书6步公式（内容创作场景）和前端七类信息（UI生成场景）形成”不同场景不同维度数”的呼应。核心洞察是：目标越具体，AI规划的路径越精准；“我该学什么”这个问题答案在学习者身上，提示词再精巧也替代不了清晰的目标定义——这与”提示词工程的天花板是问题感”的判断一脉相承。
关于提示词工程的天花板：问题感才是真正的差异化
来源：2026-05-27-woshipm-ai-interview-case-framework
Silas 在文章中给出一个反”提示词技巧”的视角——他自己遇到工具失效问题时，第一次问”遇到这种情况怎么解决？“得到的回答很泛（换工具、检查网络、看服务状态、准备备用方案），不是因为提示词不够精巧，而是因为提问背后没有定义清楚自己的真实问题。换成把 AI 当”临时产品搭子”并交代清楚五要素背景（工作背景 + 技术约束 + 时间约束 + 维护偏好 + 长期可迁移性）后，AI 输出立刻从四条泛回答升级为”先确认目标 → 列出约束 → 整理可选方案 → 设计验证方式和排错清单”的结构化拆解。Silas 由此给出更宏观的判断：“真正拉开差距的，不是提示词，而是问题感”——指 PM”判断什么问题值得解决 / 把模糊抱怨拆成可验证问题 / 在看似正确的方案里挑出最适合当前约束的一个 / 把临时救火沉淀成可复用流程”的能力。这把提示词工程的方法论推进到一个更深层级——提示词工程的天花板，是 问题感。即使你掌握了所有提示词框架（小红书 6 步公式、SCQA、Prompt-as-Code），如果对自己要解决的问题缺乏判断，再精巧的提示词也只能拿到平均答案。这条命题与”AI 不怕要求多，AI 怕要求模糊”（2026-05-10-ai-frontend-usable-deliverable）和”上下文工程”（2026-05-13-ai-agent-productivity-20x）形成完整的提示词工程三段进阶——精巧度 → 上下文 → 问题感，越往后越接近 PM 的核心判断力。
实用信息
适用场景
- 各类文案创作（小红书、公众号、广告、新闻）
- 公文写作（通知、请示、报告、函）
- 创意写作（小说、故事、剧本）
- 技术文档和专业内容
- AI前端界面生成（landing page、后台系统、数据看板、产品原型）
- 通用办公（长文撰写、电子报、竞品分析、SWOT、邮件营销、每日规划、每周覆盘、决策框架、深度工作系统）
进阶技巧
- 场景化思考：把自己想象成需求方，想想你会给下属什么样的详细指令
- 迭代优化：第一版输出不理想时，针对性调整提示词，而非重来
- 组合使用：先用结构化指令出初稿，再用优化指令调整细节
- 保存模板：把验证有效的提示词保存为模板复用
- Prompt-as-Code：如果需要批量自动化生产（Agent 调用），把提示词从散文转为 JSON/YAML 结构化 Schema，让机器可解析可复用
关于Prompt→Skill的演进：从”一句咒语”到”一项技能”
来源：2026-05-11-skill-sop-for-ai
Prompt 是临时的、偏 Know-how（表达意图），而 Skill 是持久的、Know-how 的——编译好的程序性知识，不会随会话消失。AI 协作的分享形态正在从 Prompt→知识库→Skill→Agent 演进，每一步传递的东西都在变深：从显性知识到程序性知识，从”因人而异”到”效果趋于一致”。Skill 和 Prompt 的根本区别不只是持久性，而是 Skill 包含了从失败中提炼的约束规则、按职责拆分的文件体系和踩坑教训——Prompt 是一句话，Skill 是一套知识+编排+约束的组合。
关于”提示词工程”正在升级为”上下文工程”
来源：2026-05-13-ai-agent-productivity-20x
当稳定的业务背景、角色定位、客户类型、沟通风格、常用工具和签名偏好被预先写进
agents.md之类的上下文文件后，日常指令可以从一大段背景描述压缩成一句”给我写封商务开发邮件”。这说明效率提升不再主要来自把单条 prompt 写得更花哨，而来自减少重复喂背景信息、把可复用上下文前置注入。
文章进一步指出，
memory.md记录的用户纠正与偏好，会让 Agent 更像被持续训练的员工，而不是每次失忆的聊天机器人。因此，提示词工程的下一阶段不只是优化单次输入，而是把 prompt、context、memory、skill 组合成一套长期生效的上下文工程系统。