提示词工程入门：让 AI 输出稳定的五个结构化写法

很多人对提示词的理解停留在「把话说清楚」。但实际用下来最大的痛点往往不是模型不懂，而是同一个提示词跑十次，出来十种格式——这在需要批量处理时是致命的。

下面五种写法，解决的都是稳定性问题。

一、先给角色，再给任务

直接说「帮我写个产品介绍」，模型没有立足点，只能给最平均的答案。先限定身份，输出的语气、详略、术语密度会立刻收敛：

「你是一位面向中小商家的电商文案，习惯用短句、少用形容词、每段不超过三行。」

角色不是装饰，它是在压缩模型的输出空间。空间越小，重复运行的结果越一致。

二、把输出格式写成模板，而不是描述

不要说「请分点回答，包含优点和缺点」。直接给骨架：

结论：（一句话）
优点：
- 
- 
缺点：
- 
- 
适合谁：（一句话）

模型对「填空」的服从度远高于对「描述」的服从度。批量任务里这一条能省掉大量后期整理。

三、给正例，比给规则更有效

与其写五条规则，不如给一个完整的示例输出。一个好例子传达的约束，往往比一段规则描述更精确——因为例子里包含了你自己都没意识到的偏好（长度、语气、标点习惯）。

示例给一个就够，给三个以上反而会让模型去「归纳」，引入你不想要的共性。

四、明确写出「不要做什么」

模型有几个顽固的默认习惯：爱加开场白、爱总结、爱在结尾升华。这些在正式内容里都是噪音。

直接禁掉：「不要写开场白，不要在结尾做总结，不要使用「首先/其次/最后」这类连接词。」

负向约束的效果比大多数人预期的好，因为它针对的正是模型的高频默认行为。

五、把长任务拆成两步，中间留检查点

一次让模型「读完资料 → 提炼观点 → 写成文章」，中间任何一步出偏，最终结果就废了，而且你看不出是哪一步错的。

拆成：第一步只输出要点清单，你过一眼；第二步基于确认过的清单展开。多花一次交互，换来的是可控和可排查。

怎么练

找一个你每周都要重复做的任务，把提示词按上面五条改写一遍，同一个提示词跑五次，看输出的方差有没有变小。方差比单次质量更值得关注——单次好可能是运气，方差小才是提示词真的起作用了。

可下载模板

下面这份结构模板与正文方法配套，可直接保存后按任务填写。