同样一个大模型，有人用起来觉得"就是个高级玩具"，有人却能让它写出像模像样的方案、代码、文案。差别常常不在模型，而在怎么问。
这套"怎么问"的学问，就叫提示词工程（Prompt Engineering）。它听起来玄，其实核心就一句话：
把话说清楚，把模型当成一个能力很强、但对你的具体情况一无所知的新同事。
为什么"问法"这么关键
回顾第 1 篇：模型是在"根据前文预测下一个词"。你给的提示词（prompt），就是它据以往下写的全部前文。前文给得含糊，它只能顺着最"大众化"的方向续写；前文给得精准，它才能顺着你真正想要的方向走。
一个对比就懂了：
❌ 含糊：写一段关于狗的介绍。
→ 得到一段小学作文式的泛泛而谈。
✅ 精准：给宠物医院官网写一段 100 字左右的介绍，
对象是养金毛的新手主人，语气亲切专业，
重点讲金毛的性格和日常照料注意点。
→ 得到一段可以直接用的文案。
模型没变，变的只是你交代得够不够清楚。
四个最实用的招式
提示词技巧五花八门，但真正高频好用的就几招。
1. 给角色和目标（设定身份）
先告诉模型"你是谁、要干什么"，它会自动切换到对应的语气和专业度。
你是一位有 10 年经验的儿科医生。
请用家长能听懂的话，解释为什么孩子发烧不一定要马上退烧。
2. 给例子（少样本提示）
与其费劲描述你要什么格式，不如直接给一两个例子，模型立刻就懂。这招叫 Few-shot（少样本）。
把下面的产品名改写成一句卖点文案，照这个风格：
保温杯 → 24 小时锁温，从早暖到晚。
雨伞 → 一秒收放，再大的雨也不慌。
充电宝 → ？
模型会照着前两个的调性，把充电宝那句补得严丝合缝。
3. 让它"一步步来"（思维链）
碰到需要推理的问题（算数、逻辑、多步骤任务），加一句"请一步步思考"，效果常常立竿见影。
原因还是第 1 篇那个道理：模型是顺着往下写的。如果你逼它直接蹦出答案，它没有"打草稿"的空间，容易错；让它把中间步骤一步步写出来，每一步都为下一步铺垫，正确率就高得多。这招叫思维链（Chain-of-Thought）。
❌ 直接问：一个班 30 人，男生比女生多 4 人，男生几个？
→ 可能张口就报个错数。
✅ 加一句"请一步步推理再给答案"：
→ 它会先列式：设女生 x，男生 x+4，2x+4=30，
x=13，男生 17——算对的概率高很多。
值得一提的是，第 6 篇要讲的"推理模型"，本质上就是把"一步步思考"这件事训练进了模型骨子里，不用你每次都提醒。
4. 明确格式和约束
想要什么形式、多长、包含什么、不要什么，直接说死。模型不会读心。
用 Markdown 表格输出，三列：功能、优点、适用场景。
只列 5 条，每条不超过 20 字，不要写开场白。
一个好用的心法：结构化地写
把上面几招拼起来，一条"专业级"提示词往往长这样：
【角色】你是资深前端工程师。
【任务】审查我下面这段 React 代码，找出潜在 bug。
【要求】按严重程度排序；每个问题给出：位置、原因、修改建议。
【格式】用编号列表，不要客套话。
【代码】
（贴上代码）
你会发现，这其实就是把一件事交代给同事时该说清楚的东西：你是谁、干什么、什么要求、什么形式、材料在哪。提示词工程的"工程"二字，本质就是把模糊的需求，结构化成清晰的交代。
几个要拎清的点
- 不是越长越好：把话说清楚 ≠ 堆砂关键词。含糊的长篇大论不如一句精准的要求。
- 它记不住"言外之意"：你觉得理所当然的背景（受众是谁、用在哪），必须显式写出来。
- 可以迭代：第一版不满意，就把"哪里不对、想怎么改"再告诉它，像跟同事来回对稿一样。
- 换了模型，最优问法可能不同：不同模型脾气不一样，好提示词值得针对性微调。
小结
- 提示词工程的核心：把模型当成能力强、但对你情况一无所知的新同事，把话交代清楚。
- 因为模型是"顺着前文往下写"，前文（提示词）给得越精准，输出越贴合你要的方向。
- 四个高频招式：给角色目标、给例子（少样本）、让它一步步思考（思维链）、明确格式约束。
- 心法是结构化：谁、干什么、什么要求、什么格式、材料在哪。
会问了，也别忘了模型有它的天生短板。下一篇我们直面两个：它为什么会"一本正经地胡说"（幻觉），以及为什么长文档会"读着读着就忘"（上下文限制）。
继续阅读：幻觉与上下文窗口——大模型的两个天生短板