博客

作为一个理工男，一直不知道文生图的方法。不会拍照，不会美图，不会PS，很多实用用PPT在原图上面修修补补。直到我理解了文生图的万能公式。

在网络上，遇到好看的图片，都收藏以下，直到我的硬盘爆炸了。我突然想起来自己就是搞AI的，为什么不学会用Prompt生成想要的图片？

比如下面这个中国画，我收藏那么多图片干什么，我用prompt自己画不行吗？

我收藏的哪些prompt和精美图

提示词可以这么写，让AI可以直接生成。

创建一个图，图片风格为水彩画，超高清画质，高细节，高分辨率，中国风，一位穿着飘逸白裙的年轻女子站在盛开的
桃花树下，背景是中国传统庭院，柔和的粉色和白色调为主，黄昏时分的温暖光线，采用三分法构图，略带仰视
角度，50mm 标准镜头效果，比例为 16:9。

梦幻森林奇幻景象，卡通风格，柔和光影，细腻质感，高细节程度，广角镜头，全景视角，阳光透过茂密树叶洒下，可爱
拟人化小动物在蘑菇间玩耍，精灵在花丛中飞舞，彩虹色藤蔓缠绕古树，漂浮的发光萤火虫，地面铺满柔软苔藓
和野花，色彩鲜艳明亮，充满童趣与生机。

漂亮，五官精致，大眼睛，小酒窝小女孩坐在北京四合院的椅子上，放在桌子上。

从手环表面向上约5厘米处，投射出一个精致小型的全息立体图像，内容为北京城市的微缩立体景观。城市景观包括红灰相间的天安门、金色屋顶的故宫博物馆、灰色天坛、桥、水面与绿色植被，色彩饱满、透明立体、比例紧凑，像一个“浮空沙盘”般悬浮于手环上方，整体高度不超过男孩手掌宽度。

全息立体图像附加要标注今天的天气:
城市：北京
天气：多云
温度：20摄氏度

收藏图片太多太多了；找图的时候找不到，不想要的时候存了一大堆好看，但是没有实际用途的伪收藏。当给领导写材料，给客户配插图的时候，如何快速撰写AI绘画提示词？

为什么不自己搞一下提示词，想要什么要什么，做填空题不就行了嘛?

文生图的万能公式

为了一桌子满汉全席108道菜，需要2000+种类材料；完成一幅画，一般需要以下15种要素：

画风+材质+画面主题描述+环境+场景+色彩+灯光+构图+角度（摄像镜头+艺术家）+图片比例，分辨率+动态效果+文化+情
绪+感官体验+细节层次+叙事性+特殊技术

从近一年的使用经验，写的越少，图像生成越不是我们想要的。以下16个要素越全，生成的图像越准确。

提示词要素详解
1. 画风（艺术风格 / 流派）
细分风格：写实主义、印象派、赛博朋克、极简主义、洛可可、浮世绘、哥特式、蒸汽朋克、低多边形（Low Poly）、像素艺术、水彩画、素描、油画、3D 渲染、漫画风、抽象表现主义、超现实主义、波普艺术等。
艺术家参考：借鉴具体艺术家风格（如梵高的星空笔触、宫崎骏的动画场景、莫奈的光影处理、达利的超现实构图、Hajime Sorayama 的机械美学等）。
2. 材质（物体质感 / 纹理）
常见材质：金属（哑光 / 镜面）、木质（原木 / 漆木）、布料（丝绸 / 粗麻布）、玻璃（磨砂 / 透明）、皮质（皮革 / 鳄鱼皮）、石材（大理石 / 花岗岩）、塑料（哑光 / 亮面）、毛绒、水晶、陶瓷、液态金属、霓虹光效、像素化纹理、锈蚀质感、发光材质（如 LED、魔法光纹）等。
纹理细节：编织纹路、裂纹、磨砂颗粒、反光折射、毛绒蓬松感、金属氧化痕迹、布料褶皱等。
3. 画面主题描述（主体内容）
主体元素：人物（职业 / 动作 / 情绪，如 “穿汉服的少女弹奏古琴”）、动物（幻想生物 / 现实动物，如 “长翅膀的机械狼”）、物体（科技产品 / 日常物品，如 “悬浮的未来感手机”）、场景事件（如 “中世纪骑士与龙的战斗”“太空站外的宇航员维修场景”）。
主题情绪：宁静、激烈、浪漫、神秘、忧郁、科幻、复古、童话等（如 “充满希望的日出海滩”“末日废土中的孤独行者”）。
4. 环境（背景氛围）
自然环境：森林（迷雾 / 秋日）、沙漠（星空下的绿洲）、海洋（深海珊瑚礁）、太空（星云环绕的行星）、极地（极光下的冰川）等。
人造环境：未来都市（霓虹全息投影）、中世纪城堡（哥特式尖顶）、赛博朋克贫民窟（堆积的集装箱与管道）、复古老街（石板路与灯笼）等。
超现实环境：漂浮的岛屿、液态金属构成的河流、由书本堆叠的天空之城等。
5. 场景（具体情境 / 时空）
时间设定：清晨（薄雾）、正午（强光）、黄昏（暖色调）、夜晚（月光 / 灯光）、未来（2077 年科技城市）、过去（江户时代日本）等。
空间情境：室内（复古图书馆 / 极简主义公寓）、室外（暴雨中的街头 / 樱花盛开的公园）、虚构空间（梦境中的旋转楼梯 / 魔法学院的教室）。
6. 色彩（色调 / 配色方案）
主色调：冷色调（蓝 / 紫 / 青）、暖色调（红 / 橙 / 黄）、单色调（莫兰迪色系 / 高饱和色）、对比色（如红蓝撞色、黄紫互补）。
色彩氛围：高对比度（戏剧感）、低饱和度（复古感）、霓虹色（赛博朋克）、水墨色（东方意境）、马卡龙色系（甜美）等。
7. 灯光（光源 / 光影效果）
光源类型：自然光（阳光 / 月光 / 极光）、人造光（霓虹灯 / 聚光灯 / 烛光）、魔法光（符文发光 / 能量体光晕）、科技光（全息投影 / LED 矩阵）。
光影效果：硬光（清晰阴影）、柔光（漫反射）、轮廓光（主体边缘发光）、体积光（穿过云层 / 树叶的光束）、动态光（闪烁 / 渐变）。
8. 构图（元素布局）
经典构图：三分法（主体位于 1/3 处）、中心构图（主体居中）、对称构图（左右 / 上下对称）、对角线构图（引导视线）、留白构图（极简意境）。
元素关系：前景（如前景的花朵虚化）、中景（主体）、背景（远景烘托），元素重叠（如物体遮挡形成层次感）、散点分布（如星空的星星排列）。
9. 角度（镜头 / 视角）
拍摄视角：
平视（正常视角，贴近人眼）、俯视（上帝视角，展现全景）、仰拍（突出主体高大，如仰视摩天大楼）、虫视角（极低角度，贴近地面）。
特写（聚焦细节，如眼睛 / 手部）、中景（展示主体动作）、全景（环境与主体结合）。
镜头效果：
广角（畸变效果，扩展视野）、长焦（压缩空间，如拍摄远山）、鱼眼镜头（圆形畸变）、微距（放大细节，如昆虫翅膀）、移轴镜头（微缩模型感）。
10. 图片比例 / 分辨率
常见比例：16:9（宽屏）、4:3（传统屏幕）、1:1（正方形）、21:9（超宽屏）、9:16（竖屏，适合手机）。
分辨率：明确数值（如 1024×1024、2048×1536）、“高清”“4K”“8K”“电影级画质” 等。

11. 动态效果 / 时间感
动态模糊（如奔跑的人物 / 行驶的车辆）、流体运动（水流 / 烟雾 / 火焰）、时间凝固（如飞溅的水滴）、循环动画（如呼吸灯闪烁）、渐变效果（如昼夜交替）。

12. 文化 / 科幻元素
文化符号：东方神话（龙 / 凤凰 / 汉服）、西方奇幻（精灵 / 矮人 / 城堡）、古埃及文明（金字塔 / 法老）、蒸汽朋克（齿轮 / 飞艇）、克苏鲁风格（触手 / 扭曲建筑）。
科技概念：虚拟现实（VR 头盔 / 全息界面）、人工智能（机械义体 / 数据洪流）、太空探索（宇宙飞船 / 外星生物）、量子物理（粒子对撞 / 多维空间）。

13. 情绪 / 氛围关键词
抽象感受：治愈、压抑、荒诞、神圣、赛博忧郁（Cyberpunk Noir）、怀旧（Old School）、梦幻（Lucid Dream）、恐怖（哥特式惊悚）。
感官体验：潮湿（雨后街道的水汽）、温暖（壁炉旁的光晕）、冰冷（金属质感的未来建筑）、香气（花海中的微风）。

14. 细节层次 / 质感强化
超写实细节：毛孔 / 发丝 / 金属划痕（如 “超写实主义的金属齿轮，每一道纹路清晰可见”）。
极简主义：几何图形 / 单色块（如 “极简风格的红蓝几何抽象画”）。
混合材质：如 “木质剑柄镶嵌水晶宝石，剑身反射霓虹灯光”。

15. 叙事性 / 故事场景
单一场景叙事：如 “侦探在雨夜的阁楼中发现神秘日记”“宇航员在废弃空间站中寻找信号”。
多元素关联：如 “猫坐在窗台，窗外是飘落的樱花与远处的电车”（结合动物、自然、城市元素）。

16. 特殊技术 / 媒介模拟
模拟拍摄技术：胶片颗粒（复古相机效果）、暗房曝光（过曝 / 欠曝）、针孔摄影（模糊边缘）。
艺术媒介：蜡笔画、炭笔素描、丙烯画、坦培拉绘画、数字绘画（3D 建模渲染）。

不需要其他乱七八糟的提示词,没有精美的词汇，简单单独的以上15个要素组合，也能生成号的图片：

画风：赛博朋克+宫崎骏动画场景，材质：金属齿轮与发光霓虹管结合，画面主题：机械义体少女在悬浮城市中操控全息数据
，环境：酸雨笼罩的未来都市，场景：午夜时分的高空天桥，色彩：高饱和蓝紫色调+橙色光效对比，灯光：霓虹灯牌与雨水
反射的街灯，构图：三分法，主体位于右侧，左侧为城市远景，角度：仰拍+广角镜头，模拟电影《攻壳机动队》的镜头感，
图片比例：21:9，分辨率：4K。

试一试：任何文章都能生成图像

有用户反馈，用以上提示词太坑了，选择题16个写的太慢。我们用名著来试一下。

现在最火的是长安的荔枝。我们看一下《长安的荔枝》第一章，有以下原文场景

这间小宅子只有一进大小，不算轩敞，但收拾得颇为整洁。鱼鳞覆瓦，柏木檩条，院墙与地面用的是郿邬产的
大青砖，砖缝清晰平直，错落有致，如长安坊市排布，有一种赏心悦目的严整之美。院里还有一株高大的桂
花树，尽管此时还是二月光景，可一看那伸展有致的枝丫，便知秋来的茂盛气象。看着这座雅致小院，李善
德的嘴角不期然地翘起来。他已能想象到了八月休沐之日，在院子里铺开一条毯子，毯角用新丰酒的坛子压住
，夫人和女儿端出刚蒸的重阳米锦糕，浇上一勺浓浓的蔗浆，一家人且吃且赏桂，何等惬意！

用Cluade，提取图形要素，

按照提示词要素详解.md要求，给一下一段话生成AI绘画的提示词， 用于生成一副画。 “背景唐朝。这间小宅子
只有一进大小，不算轩敞，但收拾得颇为整洁。鱼鳞覆瓦，柏木檩条，院墙与地面用的是郿邬产的大青砖，砖缝
清晰平直，错落有致，如长安坊市排布，有一种赏心悦目的严整之美。院里还有一株高大的桂花树，尽管此时还
是二月光景，可一看那伸展有致的枝丫，便知秋来的茂盛气象。看着这座雅致小院，李善德的嘴角不期然地翘起
来。他已能想象到了八月休沐之日，在院子里铺开一条毯子，毯角用新丰酒的坛子压住，夫人和女儿端出刚蒸的
重阳米锦糕，浇上一勺浓浓的蔗浆，一家人且吃且赏桂，何等惬意！”

给出口水仗一样的提示词：

画风与艺术风格：中国古典绘画风格，工笔画，写实主义，唐代宫廷画师风格，细腻精致的古典美学主题描述：唐
朝八月秋日，一家三口在雅致庭院中的温馨聚会场景，父亲、夫人和女儿围坐在铺开的毯子上，品尝重阳米锦糕
，赏桂花飘香环境与场景：唐朝传统一进式庭院，鱼鳞覆瓦的古典建筑，柏木檩条结构，郿邬大青砖铺地和院墙，
砖缝平直整齐，院中央一株高大茂盛的桂花树，枝叶繁茂，桂花盛开材质与纹理：青灰色大青砖（哑光质感），
柏木（原木纹理），黑瓦片（鱼鳞排列），粗麻布毯子，陶制酒坛（新丰酒），竹制食器，桂花树皮粗糙纹理，
丝绸服饰色彩配色：暖色调为主，金黄色（桂花、糕点），棕褐色（木质建筑），青灰色（砖墙），深绿色（桂花叶）
，米白色（糕点、毯子），酒红色（酒坛），古典雅致的低饱和度色系灯光效果：温和的秋日下午阳光，柔光漫射，
透过桂花树叶的斑驳光影，营造惬意宁静的氛围，轮廓光勾勒人物和建筑边缘构图与角度：中景构图，略微俯视角度，
展现庭院全貌和人物关系，三分法构图，桂花树位于画面右侧1/3处，人物聚会场景位于左侧，前景有青砖地面，
背景是古典建筑情绪氛围：宁静、温馨、惬意、雅致、家庭和谐、古典诗意、秋日安详文化元素：唐朝服饰，
传统建筑样式，重阳节庆文化，古典生活美学，中式庭院布局细节强化：超写实的青砖纹理，桂花花瓣的精致描绘，
糕点上蔗浆的光泽，人物服饰的褶皱细节，酒坛上的釉面反光图片规格：16:9宽屏比例，高清分辨率，电影级画质

完整提示词：中国古典工笔画风格，唐朝八月秋日庭院，一家三口围坐毯子上品尝重阳糕赏桂花，鱼鳞瓦古建筑，
郿邬大青砖院落，高大桂花树盛开，温和下午阳光透过树叶斑驳光影，暖色调金黄棕褐青灰配色，写实主义精致细节，
宁静惬意家庭氛围，16:9高清画质

看到不，不需要多么华丽词汇，只需要用我的万能公式，填写16个提示词，就能生成任何想要的图片。《水浒传》、《三国演义》、《西游记》和《红楼梦》，都可以验证万能公司的效果。

您好，我是阿里巴巴AI专家，专注于LLM大模型&Agent 能力开发，10年互联网经验，今天开始免费给大家分享【vibe coding解决100个问题】AI编程完全手册2025版，欢迎参与从0到1的提升之路。

如果你也想在AI时代开发一个小项目，也许你完全不懂编程？也许你学过编程但是不懂如何从0到1搭建一个MVP项目？欢迎订阅我公众号，这是一个以Augment/Cursor实战为主，以实战案例的形式开发几十个项目，包括：网站、微信小程序、浏览器插件、App应用、Dify+Coze智能体。

以上就是今天的全部内容，如果你觉得不错，欢迎点赞、在看、转发三连，帮助更多的朋友，这对我也很重要。

随着大模型在2023年横空出世，“Prompt 工程” 应运而生，作为用好大模型最重要的武器，Prompt 的好坏对模型效果有着决定性的影响。然而，网络上大量相关文章多是罗列“Prompt 工程” 中的若干技巧，少有体系化的总结，让人看完依然不知道该如何入手。

本文希望结合我们在 “Prompt 工程” 中的实践经验，更加体系化地对 “Prompt 工程” 进行梳理，希望可以一步步地帮助大家用好大模型，人人都是 Prompt 工程师。

一、Prompt调优

下面给大家详细解析另外 2 种提示技术，它们分别是：零样本提示（Zero-shot Prompting）、少样本提示（Few-shot Prompting）

1、零样本提示

零样本提示的定义是直接向 AI 大模型提出任务，但是不提供如何执行的方法或者步骤。大模型必须使用其预训练的知识来生成答案。

一个简单的零样本提示示例是询问 LLM「中国的首都是什么」。

再比如以下这个例子：

Prompt：从下面的文本中提取技术规格，并以 JSON 格式表示：Google Pixel 7, 5G network, 8GB RAM, Tensor G2 processor, 128GB of storage, Lemongrass

以上都是很简单的例子，但是，麻雀虽小五脏俱全，有两点需要注意：

• • Prompt 中不包含任何示例。
• • LLM 完全依赖其预训练的知识来理解问题并回答它。

现在我将转向一个更复杂的例子。

想象这样一个场景，公司在招聘人员进来的时候，需要考虑人员的职位、技能、以往职称等因素，然后将其映射到每个公司里自身设置的职级序列和职称。

这种场景下，零样本提示就可以完成这个任务。

2、少样本提示

少量样本提示同样只需要向 LLM 发送单个 Prompt。但与零样本提示的关键区别在于：少量示例被添加到了 Prompt 中，这些示例可以帮助 LLM 理解并完成任务。

我们以上文中，提取手机技术规格的 Prompt 为基础，然后加上示例：

Prompt：

请从下面的文本中提取技术规格，并以 JSON 格式展示。

示例

输入：Google Nest Wifi, network speed up to 1200Mpbs, 2.4GHz and 5GHz

输出：{ “product”:”Google Nest Wifi”, “speed”:”1200Mpbs”, “frequencies”: [“2.4GHz”, “5GHz”], “protocol”:”WP3″ }

输入：Google Pixel 7, 5G network, 8GB RAM, Tensor G2 processor, 128GB of storage, Lemongrass

再以上文中标准化职称的 Prompt 为基础，对其进行扩展，加入示例：

如何选择这两种技术在一定程度上取决于你想要执行的任务的特定需求，以下是一些考虑因素。

任务的具体性

• 零样本: 适合不需要领域特定知识的通用任务。
• 少量样本: 适用于特定领域的任务，比如法律、医学等领域。少样本提示允许没有大型数据集的情况下也能产生高质量、特定领域的输出。

数据需求

• 零样本: 无需额外的示例，仅依赖模型的预训练。
• 少量样本: 依赖提示提供少量示例输入，引导模型朝正确的方向发展。

准确性

• 零样本: 由于缺乏特定上下文，有时可能会提供不太准确或更一般的答案。
• 少量样本: 由于示例提供了帮助模型细化输出的上下文，因此通常可以为具有高特异性的任务提供更准确的答案。

可扩展性

• 零样本: 可扩展性强，因为它不需要针对任务进行特定的准备。
• 少量样本: 可扩展性略差，因为每种新任务类型可能都需要创建新的提示示例。也可能容易受到语义模式漂移的影响，从而使示例响应的准确性和相关性降低。

总的来说，零样本和少样本提示各有优势和局限，选择使用哪一种方法取决于特定的任务和目标。

二、Prompt调优进阶技巧

1、思维链Chain-of-thought

思维链全称Chain of Thought，就是把任务进行拆解，适用于各种推理任务，比如数学，逻辑判断等，思维链的优点就是不用对模型进行训练和微调。

在思维链技术中，可能还会使用到零样本(zero-shot prompt)提示和少样本提示(few-shot prompt)等技术。

2、自治性(self-consistency)

自洽性（Self-consistency）是对CoT的一种扩展，不仅能生成单个思路链，而是能生成多个思路链，并根据它们的共性得出最终答案。

在图中左侧的提示中，使用此提示，模型能够独立生成多个思路链，从中提取答案，并通过“边缘化推理路径”计算出最终答案。

翻译（左侧）

问：如果停车场有3辆车，还有2辆车到达，停车场有多少辆车？
答：停车场已经有3辆车了。还有2辆车到了。现在有3+2=5辆车。答案是5。
…
问：珍妮特的鸭子每天下16个蛋。她每天早上吃三个，每天和四个朋友一起烤松饼。她以每个鸡蛋2美元的价格出售剩余部分。她每天赚多少钱？
答：

翻译（右侧）

思路链1：她还剩下 16-3-4 =9个鸡蛋，所以她赚$2 * 9 = $18。答案是每天18美元；
思路链2：这意味着她以 $2*(16-4-3）=$26的价格出售剩余部分，答案是26美元；
思路链3：她早餐吃3个，所以她还有16 – 3 = 13。然后她考松饼还有13 – 4 = 9个鸡蛋。9个鸡蛋 * $2=$18。所以她的答案是18美元。‍‍‍

边缘化推理路径以汇总最终答案：
她还剩下16-3-4 = 9个鸡蛋。所以她赚$2 * 9 = $18，答案是18美元。

优势‍‍‍

优势：自洽性可以提高算术、常识和符号推理任务的结果。即使普通的思路链提示被发现无效，自洽性仍然能够改善结果。

3、思维树Tree-of-thought

思维树(TOT)是对思维链(CoT)的进一步扩展，在思维链的每一步，推理出多个分支，拓扑展开成一棵思维树。使用启发式的方法评估每个推理分支对问题解决的贡献。

使用搜索算法，如广度搜索或深度搜索算法等来探索思维树，并进行前瞻和回溯。

4、思维树实战 24算法代码落地

ToT部署使用

现在部署ToT是比较方便的，前提确保你可以有自己训练好的大模型，或者是大模型的API，那么我们直接通过pip就可以部署：

bash 代码解读复制代码pip install tree-of-thoughts-llm

也可以直接通过source进行clone安装：

bash 代码解读复制代码git clone https://github.com/princeton-nlp/tree-of-thought-llm
cd tree-of-thought-llm
pip install -r requirements.txt
pip install -e .  # install `tot` package

可以通过Demo进行测试，查看是否安装完成：

python 代码解读复制代码import argparse
from tot.methods.bfs import solve
from tot.tasks.game24 import Game24Task
​
args = argparse.Namespace(backend='gpt-4', temperature=0.7, task='game24', naive_run=False, prompt_sample=None, method_generate='propose', method_evaluate='value', method_select='greedy', n_generate_sample=1, n_evaluate_sample=3, n_select_sample=5)
​
task = Game24Task()
ys, infos = solve(args, task, 900)
print(ys[0])

如果成功的话就会输出：

bash 代码解读复制代码10 - 4 = 6 (left: 5 6 6)
5 * 6 = 30 (left: 6 30)
30 - 6 = 24 (left: 24)
Answer: (5 * (10 - 4)) - 6 = 24

如果是想要配套OpenAI API开发使用的话，可以按照我这个代码格式：

python 代码解读复制代码import os
from tree_of_thoughts import ToTAgent, MonteCarloSearch
from dotenv import load_dotenv
from swarms import Agent, OpenAIChat
​
load_dotenv()
​
# Get the API key from the environment
api_key = os.environ.get("OPENAI_API_KEY")
​
# Initialize an agent from swarms
agent = Agent(
    agent_name="tree_of_thoughts",
    agent_description="This agent uses the tree_of_thoughts library to generate thoughts.",
    system_prompt=None,
    llm = OpenAIChat(),   
)
​
# Initialize the ToTAgent class with the API key
model = ToTAgent(
    agent,
    strategy="cot",
    evaluation_strategy="value",
    enable_react=True,
    k=3,
)
​
​
# Initialize the MonteCarloSearch class with the model
tree_of_thoughts = MonteCarloSearch(model)
​
# Define the initial prompt
initial_prompt = """
​
​
Input: 2 8 8 14
Possible next steps:
2 + 8 = 10 (left: 8 10 14)
8 / 2 = 4 (left: 4 8 14)
14 + 2 = 16 (left: 8 8 16)
2 * 8 = 16 (left: 8 14 16)
8 - 2 = 6 (left: 6 8 14)
14 - 8 = 6 (left: 2 6 8)
14 /  2 = 7 (left: 7 8 8)
14 - 2 = 12 (left: 8 8 12)
Input: use 4 numbers and basic arithmetic operations (+-*/) to obtain 24 in 1 equation
Possible next steps:
"""
​
# Define the number of thoughts to generate
num_thoughts = 1
max_steps = 3
max_states = 4
pruning_threshold = 0.5
​
​
# Generate the thoughts
solution = tree_of_thoughts.solve(
    initial_prompt=initial_prompt,
    num_thoughts=num_thoughts,
    max_steps=max_steps,
    max_states=max_states,
    pruning_threshold=pruning_threshold,
    # sleep_time=sleep_time
)
​
print(f"Solution: {solution}")
​
​

当然大家根据自己的实际场景调整即可。

三、Prompt攻击与防范

1、提示词注入

于各个地区的政策限制以及对黑客的限制，大语言模型通过各种干预的手段对用户输入的返回结果进行限制，如果我们提了不符合政策或者黑客攻击等相关问题，其经常性的会返回如下内容

一般如果你跟chatgpt说了一些被开发者设置禁止讨论的内容，他就会回复你我不能如何如何。

提示词注入攻击

当攻击者通过精心设计的输入操纵大型语言模型（LLM）时，就会出现注入漏洞，导致LLM在不知不觉中执行攻击者的意图。这可以通过“越狱”系统提示直接完成，也可以通过操纵的外部输入间接完成，可能导致数据泄露、社会工程和其他问题。

提示词注入与基于现有的安全框架中的web攻击的SQL注入有着很大的区别，因为大模型语言对语义理解能力，他更像一个通过家长和老师通力配合下调教的一个乖小孩，然后被同学潜移默化的调教为各种脏字全都飚，不过他在家长面前不会飚，只有在别人跟他说不会有人管的时候才会说。

不过因为现有的调教过程与其他的网络安全攻防过程区别较大，并且是标准的理解能力调教，因此并不仅仅是传统意义上的黑客才能做的事情。基本上只要你脑洞大开，都有可能通过一些提示词来让大语言模型干他原本无法做到的事情。

2、提示词防范

1、多样化 Prompt 设计： 提供多样化、丰富的 Prompt，包括正面、中性和负面的提示，以减少攻击者的针对性。通过设计多种不同类型的 Prompt，可以增加模型输入的多样性，降低攻击的有效性。

2、数据清洗和筛选： 在使用 Prompt 进行文本生成任务之前，对输入数据进行清洗和筛选，去除可能引发攻击的敏感信息或有偏见的数据。这样可以减少攻击者利用不当信息进行 Prompt 设计的可能性。

3、增加输入限制： 设计模型输入时的限制条件，如输入长度、关键词限制等，以限制攻击者对模型输出的操控程度。通过增加输入限制，可以减少攻击者对模型的影响。

4、对抗性训练： 在训练模型时引入对抗性训练的机制，使模型在面对攻击时能够更加稳健和鲁棒。通过引入对抗性样本，提高模型对攻击的识别和抵抗能力。

5、实时监控和反馈： 建立实时监控系统，对模型输出进行实时监测和分析，及时发现异常结果和攻击行为。通过实时监控和反馈，可以及时发现并修正模型输出中的问题。

6、社区参与和审查： 建立开放的社区参与机制，鼓励用户和研究人员对模型输出进行审查和反馈。通过社区参与和审查，可以及时发现和纠正可能存在的问题，提高模型的可信度和透明度。

综上所述，针对大型语言模型中的 Prompt 攻击，需要采取多种手段进行防范，包括多样化 Prompt 设计、数据清洗和筛选、增加输入限制、对抗性训练、实时监控和反馈、以及社区参与和审查等措施，以保障模型输出的准确性、客观性和可信度。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等,

有需要的小伙伴，可以 点击这里领取

有需要的小伙伴，可以 点击这里领取

可以 点击这里领取

可以 点击这里领取

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

学会后的收获：

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

有需要的小伙伴，可以 点击这里领取

可以 点击这里领取

可以 点击这里领取

可以 点击这里领取

科大出品必属精品，大家好，我是科大凯瑞。今天我们来聊一下Deepseek与提示词工程。

在人工智能技术飞速发展的今天，如何高效“指挥”AI生成符合预期的内容成为关键技能。提示词工程（Prompt Engineering，以下简称Prompt）作为一门新兴技术，正逐渐成为AI应用领域的核心竞争力。

本文将以国产AI工具DeepSeek为核心，系统讲解提示词工程的设计框架、优化技巧、实践案例、以及提供一个杀手锏-用deepseek优化提示词，助各位小主从入门到精通。

1、提示词工程基础：RTS框架

提示词是引导AI思考的“指令集”，而提示词工程则是系统化设计、优化这些指令的实践。其核心框架为RTS（Role-Target-Scenario）：

（1）角色Role：确定大模型的专业领域。比如，你对情感问题感兴趣，就告诉大模型你是一位专注于两性关系的心理咨询师。

（2）目标Target：明确你想要大模型完成的任务。比如，你希望它能帮助解决情感问题。

（3）场景Scenario：详细描述任务的背景和预期输出结果。比如，你刚经历了分手，心情低落，想知道如何控制自己的情绪。请提供切实可行的解决方案。

完整Prompt示例：

# 角色  
你是一位擅长认知行为疗法（CBT）的情感心理咨询师。  

# 目标  
为分手1周的女性用户设计情绪管理方案。  

# 场景与结果  
用户已尝试倾诉和暴饮暴食但效果短暂，需分阶段方案（应急调节、认知重构、行为激活），并融合中国传统文化元素。  

2、提示词优化三大技巧

(1) 输出控制：明确需求与样例

为什么大模型的输出有时不尽如人意？可能是因为我们对结果的期望本身就不够明确。就像在工作中，如果领导让你写产品宣传文案，以下两种指令，哪种更让你有的放矢：

1、需要突出产品特性、内容生动、让人印象深刻。
2、总结三大类产品特性，每个特性附加一句话宣传语，包括功能、场景、价值。

显然，第二种指令更具体，更易于操作。同样，与大模型沟通时，如果你得到的结果不如预期，可以通过更具体的描述来优化输出，主要包括以下两个方面：

1、输出格式：明确告诉大模型你需要哪些具体字段。
比如，论文摘要需要研究背景、意义、方案、结果；产品方案需要市场、客户、需求、架构等。
【注意】确保所需字段全面且逻辑清晰，避免重复，如“研究背景”和“实验背景”不要同时出现。
2、参考样例：就像工作中通过实例帮助理解，大模型也需要样例来引导。
在Prompt中加入参考样例，比如：“请参考以下样例，研究背景XXX，研究意义XXX”。
【注意】提供参考样例，标准术语也叫few-shot

(2) 步骤拆解：任务精细化

在工作中，我们总是希望任务能够具体且明确，最好是能够按步骤一步步拆解。比如制作产品方案，先做市场调研，再研究竞品和客户，然后完善产品设计，最后形成完整的方案。

大模型也是如此，如果任务能够被清晰且具体地拆解成若干子任务，大模型的输出将更具有实际意义。

完整Prompt示例：

# 角色与目标
你作为资深市场分析专家，手中持有一份全新市场研究报告，现需从中提炼关键市场趋势与洞察。

# 场景与结果
请依照以下步骤展开分析：
步骤1：研读报告摘要，归纳趋势。  
步骤2：分析数据图表，提炼洞察。  
步骤3：评估竞品策略，提出建议。
务必确保这些建议充分考虑市场趋势、竞争环境以及公司战略规划。

(3) 多轮对话：迭代优化

大模型的多轮对话能力，是Prompt调试又一利器。多轮对话意味着，当你提出一系列问题时，大模型不仅回答当前问题，还会将之前的对话内容作为背景信息，以提供更连贯、更准确的回答。具体可操作方式如下：

1、宏观问题与细节追问：首先提出一个宏观问题，让大模型提供多个答案，然后从中选择若干条进行深入追问。
例如，【第一轮】你是一个小红书博主，现在想要写一篇关于AI方面的文章，请基于当下热点问题，整理10条选题。
【第二轮】请基于第一条选题，详细阐述选题的背景，并提供几篇参考样例。
2、跨模型对话：可以开启两个不同的大模型。
例如，讯飞星火、Kimi，然后将一个模型的回复作为另一个模型的问题，进行对话对练，以获得更全面的答案。
3、重启对话：如果连续5轮对话后仍未获得满意答案，最好重新开启新的对话，重新整理任务目标和描述，以获得更清晰的指导。
【注意】
·确保每一轮的提问都建立在前一轮回答的基础上，以保持对话的连贯性。
·适时提供反馈，指导大模型更准确地理解你的需求。
·如果发现对话偏离了目标，不要犹豫，及时重启对话，重新设定任务目标。

3、实战案例：小红书爆款文案生成

任务需求

• 产品：玻尿酸面膜（89元/盒，24小时保湿）。
• 要求：痛点引入、成分分析、场景营造、结合DeepSeek评测。

完整Prompt示例：

# 角色  
资深美妆博主，擅长科学护肤与情感共鸣文案。  

# 目标  
撰写一篇小红书爆款文案，突出产品“24小时保湿”核心卖点。  

# 场景与结果  
- 痛点：换季爆皮、妆容不服帖。  
- 成分：5D玻尿酸分子结构解析（配示意图）。  
- 场景：约会前急救、长途飞行保湿。  
- 输出格式：标题+内容+关键词（包含#急救面膜#、#玻尿酸#）。  

4、DeepSeek辅助优化提示词

任务需求

· 借助Deepseek直接生成优化后的提示词内容

完整Prompt示例：

# 角色
你是一名资深的提示词工程师，正在专注于优化提示词以提升模型效果。

# 目标
现在需要你对以下提示词进行优化：[具体提示词内容]。

# 期望结果
请提供优化后的结果，并详细说明优化的原因。

以第1章示例作为优化案例，Prompt如下：

# 角色
你是一名资深的提示词工程师，正在专注于优化提示词以提升模型效果。

# 目标
现在需要你对以下提示词进行优化：[你是一位专注于情感的心理咨询师，希望能帮助解决两性关系中的情感问题。目前刚经历了分手，心情低落，想知道如何控制自己的情绪。请提供切实可行的解决方案。]

# 期望结果
请提供优化后的结果，并详细说明优化的原因。

Deepseek优化后的提示词：

# 角色  
你是一位资深情感心理咨询师，擅长认知行为疗法（CBT）和正念干预技术，专注于为分手后情绪困扰的来访者提供科学、可落地的解决方案。  

# 目标  
为一位28岁女性来访者（分手1周，3年恋爱史）设计分阶段情绪管理方案，需满足以下需求：  
1. **短期应急**：快速缓解焦虑/抑郁情绪。  
2. **中期认知调整**：破除非理性信念（如“再也找不到更好的人”）。  
3. **长期行为激活**：重建社交与生活秩序。  

# 场景与要求  
- **背景**：  
  - 来访者已尝试倾诉朋友、暴饮暴食，但效果短暂。  
  - 文化背景：中国二三线城市，传统家庭教育环境，偏好融合传统文化元素的干预方式。  
- **输出要求**：  
  ▼ 分三阶段设计方案，每阶段需包含：  
  1. **具体工具**（如生理调节技巧、日记模板）。  
  2. **可量化目标**（如“每日流泪次数从5次降至2次”）。  
  3. **文化融合**（如引用《诗经》情感意象辅助认知重建）。  
  ▼ 避免空洞安慰（如“时间会治愈一切”），强调实操性。  

掌握提示词工程，意味着掌握了与AI高效协作的“密钥”。通过本文的RTS框架、优化技巧及实战案例，读者可快速上手DeepSeek，实现从“随机输出”到“精准生成”的跨越。

明明大家都说AI很厉害，可自己一用，却不是那么回事。日常生活类问题还好，稍微专业一点的问题，它要么泛泛而谈，要么驴头不对马嘴。

为什么会这样？

任务做不好，不是AI不聪明，而是我们没有“管理”好AI，不够懂自己的业务。

2025年，AI的平均智商已突破110，超越普通人类。厉害的，都到了140的天才水平。但即便AI再聪明，当它对你的业务、要求、具体目的，都一无所知的时候，也只能瞎猜。

那，怎么才能用好AI？这就要靠提示词了。

我不敢说自己有多么内行，但至少在和AI对话上，已经摸索了两三年，我们这家小破公司的不少业务，也已经把AI用了起来。其实，一个好的提示词，只需要你说明七件事：

1）版本号。2） 角色。3）任务目标。4）规则红线。5）工作流程。6）交付格式。7）执行指令。

今天，毫无保留，和你分享。

01

角色扮演：你想要什么结果，就先给它什么角色

第一步，是版本号。

版本号，很简单。就像你给文件命名一样：项目周报-20251210，主要是为了方便知道版本，是个很多人会忽略的专业习惯。

接着，是第二步：确定角色。

确定角色，就是在AI开始干活之前，先给它安排一个身份。

举个例子。假如你要写一封邮件，向愤怒的甲方道歉。不少人，可能会这么写：

帮我写封邮件，为项目延期道歉。

你猜，AI会给你什么？大概是：

抱歉地通知您，由于xx原因，原定于xx日交付的xx项目，将延期至xx日完成。此次调整给您带来的不便，我们深表歉意。感谢您的理解与支持，我们会持续同步进展。

嗯。就是一篇干巴巴的“道歉公文”。客户看了，可能更火大。但如果你先说：

你是一位客户服务总监，有耐心、善于安抚客户情绪。风格真诚、有责任感，不推诿。面向的是一些认为自己受了委屈的客户。现在，你写一封邮件，为项目延期道歉。

你会发现，回答马上就不一样了：

……
首先，请允许我代表整个团队，向您表达我们最诚挚的歉意。
非常抱歉地通知您，原定于xx日完成的x项目，将需要延期至xx日。我们深知这可能会给您和您的团队带来不便，对此我们深感自责，并愿意全力承担责任。
……目前，项目正在加紧推进中。为了确保交付质量并避免再次延误，我们已采取以下措施：
1、增派资源：……
2、加强沟通：……
3、严格测试：……

给了“客户服务总监”的角色后，AI会立刻明白，信的目的不是“通知”，而是“安抚”。它会用更委婉的语气，更积极的态度，去写这封信。

因为AI在学习数据的时候，会学习行业人员的工作方式。比如，它会知道，医生需要谨慎，因为说错话很要命。所以，让它扮演医生，它就能大大提升专业性和严谨程度。

而关于如何写好这一步提示词，有一个通用模板，供你参考：

你是一位【角色】，擅长【领域】，面对的人是【类型】，你的风格是【风格描述】。

具体例子，大概是：

你是一位资深HR，给公司新人做入职培训。风格友好、鼓励。语言尽量少用专业术语，多用生活化例子。
你是一位头部电商店铺的文案总监，擅长把复杂产品讲清楚、讲动人。面向的是 25-40 岁的职场妈妈。风格专业但不啰嗦，有生活感。

你想要什么结果，就先给AI什么角色。

02

明确目标：别只说“做什么”，说清楚“做成什么样”

第三步，是：明确任务目标。

面对AI，我们常常犯一种错误：只说“做什么”，没说清楚“做成什么样”。

举个例子。

假如，你想了解一下新能源汽车市场。你会怎么说？如果你说：

帮我分析一下新能源汽车市场。

那它给出的结果，就大概会是这样：

一、 市场现状：高速增长，进入规模化新阶段

1. 全球销量持续攀升：……
2. 竞争格局“一超多强”：……
3. 技术路线多元化：……

二、 核心驱动因素

1. 政策强力推动：……
2. 技术快速进步与成本下降：……
3. 消费认知与需求转变：……

三、 面临的主要挑战
……

篇幅原因，我们只展示一部分内容。但是，你大概可以感受到，这报告，虽然看起来洋洋洒洒，还分了核心驱动、主要挑战……但仔细说来，都是随处可以查到的东西。

所以至少，你应该给定一个明确的目标。比如：

你是资深行业分析师。为公司管理层写一份新能源汽车市场的内部简报。三个标准：

1. 篇幅：2000字以内。
2. 内容：必须包含过去一年的三大核心趋势、两大主要挑战，和一个关键机会点。
3. 风格：结论先行，数据翔实，但要避免复杂的专业术语。

这次，结果就不一样了：

新能源汽车市场内部简报
核心结论： 新能源汽车市场，已进入“规模化与差异化”并行发展的关键阶段。
……
一、过去一年的三大核心趋势
产业链利润结构转移，下游品牌承压，上游材料成本回落。

1. 随着电池主要原材料（如碳酸锂）价格大幅下降，电池成本压力缓解。但整车环节因激烈价格战导致利润承压，利润重心有向上游核心技术（如芯片、软件）及下游服务（如充电、补能）转移的迹象。

……
二、当前面临的两大主要挑战
激烈的“价格战”与严重的同质化竞争。

1. 超过10个品牌在有限的价格区间内推出相似车型，导致多数企业陷入“以价换量”的困境。单纯比拼硬件配置和价格的模式难以为继，品牌忠诚度难以建立。

……

开头，就是核心结论。然后，列出了核心趋势、主要挑战和关键机会点。如果你同意它的观点，稍作修改，就可以直接发给同事了。

明确目标，也是每个管理者应尽的职责。

因为，当你只说“分析一下市场”，你其实是把“定义一份好报告”的责任，甩给了员工。如果结果不好，是你没说清，还是他没领会？如果你自己都想不清楚，那你的员工，就只能在黑暗里瞎猜。他们猜错的成本，最终还是由你来承担。

不要再说“你看着办”了。你看着办，是管理者最大的懒惰。

03

划定红线：只有锁住下限，才有资格谈上限

第四步，是：划定规则红线。

划定红线，就是说清“不要做什么”。这在处理复杂任务时，至关重要。

举个例子。我们的“商业早新闻”，已经在“刘润商业频道”账号上，开播了有一段时间了。每个工作日的7-9点，都会准时开播。如果你感兴趣，欢迎来看。

可是，要准备能讲解2个小时的新闻内容，是一个巨大的复杂工作量。因为，它不光是搜集到就完了，还有各种各样的要求。

比如，时效性。AI搜索时，很容易把去年的旧闻当成今天的。比如，不涉及政治话题。但AI为了追求深度，有时会触碰红线。又比如，多样性。几十条新闻，不能只盯着一家公司或一个行业。但AI有自己的偏好，可能30条里有10条都在讲特斯拉。

所以，如果我们只是简单地对AI说：

请帮我找30条最新的商业新闻。

那你得到的，就很可能是一个充满“旧闻”、“雷区”和“偏见”的新闻集锦。需要我们花大量时间，人工筛选、修改、还担惊受怕。

于是，我们给AI设定了极其详细的“规则红线”。比如：

1. 时间窗口：只收录当前日期的事件，严格排除历史同期的旧闻。
2. 负面清单：以下内容一律不得进入候选池：金融产品推荐、医疗保健建议、明星八卦、政治内容……
3. 均衡协议：确保最终的新闻中，覆盖消费、科技、互联网等至少4个板块；同一家公司最多不超过3条。
……

是。这些密密麻麻的规则，看起来很麻烦，也很死板。

可如果没有这些规则，AI每一次自由发挥，对我们来说，都是一次开盲盒。一旦失误，都需要投入时间和精力补救。这对我们这个小破公司来说，是承担不起的。

很多人觉得，条条框框很烦。可约束，不是为了增加复杂度，而是减少麻烦。

有很多管理者，每天累死累活，不敢放权。因为，他没划定“红线”。员工不知道边界在哪里，于是只能不断地试探。上级不知道员工会捅什么篓子，就只能事必躬亲地盯着。

所以，管理者一项特别重要的工作，是通过规则的确定性，对抗执行的不确定性。

当红线足够清晰，所有的输出结果，都将落在你的安全区间内。这个时候，你就不需要再盯着过程了。因为你知道，最坏的结果，也是可接受的。

锁住下限，你才有资格去谈上限。

04

拆解流程：管理不是许愿的权力，而是指路的能力

第五步，是：拆解工作流程。

这一步，是写好提示词最难，也最见功力的地方。

很多人用AI，习惯只给一个指令，然后就等着奇迹发生。结果，AI往往会给你一堆乱七八糟的东西，要么太短，要么重点跑偏。

写新闻，只是一个指令。在指令和结果之间，还隔着一万个具体的判断。好的提示词，要包含具体的工作流程。把业务拆解成1、2、3、4步骤，AI才能输出更好的结果。

还是以写《商业早新闻》为例。

如果，你现在要得到明天早上可以播放的，30条高质量新闻，你会怎么做呢？

首先，你得先找到足够多的新闻。

比如，去找4-5个经过我们不断查证，确认靠谱的源头，抓取足够多的候选新闻。不够怎么办？如果24小时内的新闻不够，那就把放宽到48小时，去更广泛的严肃媒体里找。

接着，你得去除不够好的杂质。

举个例子，有段时间，AI经常会搜到“华为发布Mate 70”的新闻。但你仔细一看，会发现是去年的事情。因为很多新闻网站的日期只写几月几日，没写年份。AI一搜，就把去年的旧闻当新闻了。所以，你还得在流程里加一步：历史去重。

现在，我们拿到了30条要播放的新闻。但这还没完。你得做排序。做调整。

你得根据自己的经验，打分排名。具体打分的维度，就看你对新闻的理解了。它可以是大众关注度，也可以是公司知名度。而且，听新闻就像吃饭，你不能一股脑给人喂大肘子，也不能光给人吃凉菜。所以，不能全讲科技，也不能全讲零售。等等等等。

接下来，才是“写”。

你也得想好具体的结构。比如，标题+事实+分析+一句话建议。

当然，还有自检。

AI是会犯错的，它会产生幻觉。所以，在流程的最后，拉一个清单，强制它自己检查一遍，就很重要。如果发现问题，请重新执行上述步骤。

这哪里是在写提示词？这就是在拆业务。如果你对业务没有透彻理解，你是写不出步骤的。

只有你把业务逻辑一层层剥开，拆解成AI能听懂的“1、2、3、4”，AI高达140的智商，才能真正为你所用。它不缺智商，缺经验；流程，就是把经验，教给他的最方便选择。

只给结果不给路径，不叫管理，叫为难。管理从不是许愿的权力，而是指路的能力。

05

规定格式：混乱的交付，会吞噬效率

第六步，是：规定交付格式。

其实很多AI，比如DeepSeeK、豆包，在输出的时候，就自动调整了格式。但当你的要求很复杂，比如输出一整个研究报告，让AI直接给你个文档的时候，它就有可能给你一大坨密密麻麻的文字，看着头疼。

那怎么办呢？很简单。只要你在提示词里，做好格式要求：

请严格按下列格式输出全文（用于直接复制到云文档，手机阅读）
1）使用 Markdown 标题：#、##、### 区分层级；
2）使用**粗体**标记小标题、关键标签和重要词句；
3）不使用任何列表语法（不要以 “-“、”*”、”1.” 等开头），避免缩进和多余空白；
4）各段之间仅用空行分隔，不做缩进。

Markdown格式，就是一种简单的排版指令。前边加几个井号（#），就是几级标题；前后都加两个星号（**），就是加粗；想要出现列表，就在前边写个减号加空格（- ）；引用，就加个大于号（＞）……这种格式，特别结构化，对你来说，它易写易改；对AI来说，它也更容易理解。

当你让AI用了markdown格式输出文档，观感就会好很多。为了让你更直观地理解，我放了两张对比图。

这是AI输出的文字指令：

这是你能看到的输出文档：

一旦加上了这几行指令，原本可能是乱七八糟的文本流，瞬间变成了一份重点突出、层次清晰的简报。不管是内部审阅，还是直接发给别人看，阅读体验，都特别舒适。

所谓专业，不仅是把活干对，更是让接手你工作的人，感到舒服。

好了。到了这里，我们的提示词就基本完成了。

第七步，也就是最后一步，是一个开始指令。大概是：

请严格遵守以上所有规则。
现在，开始执行。

为什么需要特地把这个列成一步？

首先，是为了改变AI的状态。

大模型做的事情，本质上是续写。所以，当你说完规则、角色、目标、流程后，它其实不知道你已经交代完了。这个指令，就是告诉它，接下来该执行了。就像写代码，最后有一句开始运行（run）。

其次，是为了防止AI自作聪明。

绝大部分用户，写不出如此复杂的提示词。所以在这个AI越来越聪明的今天，它可能会根据你的指令，揣测你的意图，跳过它认为不重要的步骤，打乱你设计的顺序。

再好的计划，也需要一个开始。

06

先不着急让AI干活，先问它：你觉得应该怎么办？

我知道，我明白。

让一个没有写提示词经验的人，写这么大一串的提示词，很困难。但别担心，因为我自己写提示词，也不是一上来就让AI干活，而是会先问它：

这件事，你觉得应该怎么干？

比如，如果你想给公众号文章起一个好标题。

你就可以说：

能不能帮我研究一下，市面上那些高阅读量的公众号文章，标题都是怎么起的？大概有什么方法论？会有什么理论依据？

AI就会去搜索，然后告诉你：有悬念法、数字法、冲突法……接下来，你就可以跟它交互修改。当你们达成一致，你就可以让AI，把这套方法论改成一个提示词。

这时，你就可以让它按照今天聊到的这7个步骤，写一版提示词出来，再微调。比如，为了避免标题党，你就可以在“红线”加一条：禁止使用“震惊”、“吓尿”等标题党词汇。

1）问AI怎么干；2）让AI写指令；3）根据自己对问题的理解，进行微调。

这就是我常用的，写提示词的办法。

当然，至于写指令的时候，具体是不是参考我们谈到的这7步，并不固定，这只是我的个人习惯。有很多类似的框架，你也可以让AI进行提示词写作的时候，进行参考。

比如，特别经典的CRISPE框架。

CRISPE，就是能力Capacity、角色Role、前提Insight、任务Statement、风格Personality、多个版本输出Experiment。

还有，最简单的RTF框架。

RTF，就是角色Role、任务Task、格式Format。

当然，还有曾经在新加坡科技局的GPT-4大赛里获奖的，CO-STAR框架。

CO-STAR，是指背景信息Context；任务目标Objective；写作风格Style，比如“麦肯锡风格”还是“李佳琦风格”；语气Tone，比如“兴奋的”还是“严肃的”；目标受众Audience；输出格式Response。

比如，同样是写一封拒信。用CO-STAR，你可以这样说：

(背景) 我们是一家初创公司，刚面试了一位有才华的设计师，但他不太符合目前岗位。
(目标) 写一封拒绝邮件，但要保持良好关系，让他感觉被尊重。
(风格) 类似谷歌那种人性化、非官僚的风格。
(语气) 诚恳、遗憾但充满希望。
(受众) 一个非常有自尊心的资深设计师。
(格式) 邮件正文。

不管招式有多少种，心法其实只有一条：把模糊的需求，变成结构化的语言。

因为无论是在人机协作中，还是组织内部的协作中，结构，就是效率。

最后的话

提示词，本质上是你思考能力的外化。

当你觉得AI逻辑混乱，这往往说明你自己也没琢磨清楚。如果你自己都想不清楚，那个智商140的AI，也一定做不明白。

这也是为什么我开头就说：能不能用好AI，其实是一个管理问题。

过去，我们总觉得管理是针对人的。但在今天，不一样了。管理，逐渐成为了一种，对生产要素的配置能力。因为无论面对的是人，还是AI，管理的本质从未改变：

把模糊的愿望，翻译成清晰的指令；把不确定的过程，约束成确定的结果。

这一点，红杉资本的合伙人Konstantine Buhler，也曾经提到过：

AI时代，我们每个人都需要培养管理思维。

未来的工作中，我们身边的AI，会越来越多。这时候，我们就需要像管理一个有特长、有个性的团队成员一样，去和它协作。

所以，当你觉得AI“太笨”、“听不懂话”的时候，不妨先反思一下：

我真的把任务目标定义清楚了吗？

我真的知道这件事的成功标准是什么吗？

我真的把业务逻辑搞懂了吗？

当然，随着AI发展，它可能很快就聪明到不需要任何提示词。但至少在今天，学会它的语言，依然非常有用。不过，即便是以后不需要提示词，也还有一点，是确定的：

在答案廉价的时代，能定义问题的人，永远稀缺。

参考资料

1、2025临界点：AI智商超越人类，经济规则即将改写

观点 / 刘润 主笔 / 景九 编辑 / 歌平 版面 / 黄静

不论是朋友圈的分享，还是同事之间的话题，AI愈发频繁地出现，很多AI工具已经开始显示“服务太火爆”的字样。我也从质疑理解到成为AI使用大军的一员。

在我的周围，AI的使用场景已经多不胜数。运营同事和一些程序员朋友都开始用AI来辅助工作，从文案到数据分析，AI似乎已经成了无所不能的“小助手”。当然，目前AI 技术也不是万能的，比如图片视频剪辑我也体验过，图片太假，视频识别也还和自己预期相差甚大，比如我进园区上班路过一些树木，它会识别成我在森林公园野餐。

而我，作为一名打工人，也亲身感受到了AI带给我的高效。两个月前，我还是个对Python一窍不通的小白，但借助AI的帮助，我很快就学会了用Python处理Excel数据，大大提高了工作效率。 AI的智能解析和纠错，让原本繁琐的数据处理变得更有底气，同时让我更加对业务的逻辑、数据看板的逻辑更加熟悉。

当然，要想充分利用AI，选择合适的工具也是关键。这里，是软件行业朋友推荐过我的两款AI工具：

国外：chatgpt。 国内：kimi chat。

目前我用的AI工具主要还是：文心一言。 由于工作需求和时间的限制，不支持我花费太多精力去体验更多的AI 工具，日常和代码相关的需求和一些文案输出，文心一言还是很够用的。当然，也看到网上很多讨论不一的看法，这个还是看自己的需求吧。

此外，AI提示词也是一个非常实用的功能。通过合理使用提示词，我们可以更高效地与AI进行沟通，获得更准确的答案。比如，当你想要学习一个新领域时，你可以使用提示词来引导AI为你提供循序渐进的学习路径。例如学习python我就是通过不断和他对话达到的。这个可以通过和他对话的一些经验积累实现，当然网上也有一些专门的课程讲这些的，这个看个人需要吧

总之，AI已经成为我们生活中不可或缺的一部分。AI的发展已不可逆，而我们能做的就是，一起拥抱AI，享受它带来的便捷和高效，至少在工作场景中，谁用AI越早越受益！

大家好，我是X小鹿，又来推送豆包的新玩法了~

上周分享了豆包的一个非常实用的功能——视频总结：

它能一键总结视频内容、提取视频完整文案、一键拆解爆款视频的分镜/脚本/剪辑手法等。

豆包又一个新功能，超级实用，4 种玩法，你肯定用得上！（建议收藏）

今天再来分享一个。

发现豆包的很多功能都非常实用、很贴近生活。下面要介绍的这个功能，你应该也会用得上。

前段视频，豆包电脑端上线了「屏幕共享」功能。

就是说，在获得你的授权后，豆包可以看到你电脑屏幕上的内容，然后你可以基于屏幕上的内容，向豆包进行任何提问或对话。

比如电脑蓝屏了，或有电脑软件不知道怎么操作，豆包都能实时告诉你下一步应该如何处理。相当于请了个 7×24 小时的专家陪在你身旁。

最近豆包的屏幕共享功能在豆包手机端也上线啦。人人可用，完全免费！

一起来看看吧~

一、应用场景

豆包 APP 中的「屏幕共享」具体能干啥呢？

1、辅助刷题

做作业时遇到不会的问题，可以让豆包实时提供解题思路。

比如下面这个例子，哪个现象属于光的折射：

https://www.zhihu.com/video/1929239157890328361

上面也可以用于家长辅助孩子学习的场景。

还有各种在线答题挑战活动，答题时开启豆包的屏幕共享，相当于给自己找了个外挂，实时提供答案。

今天正好试下豆包的屏幕共享功能，结果在豆包的提示下，轻松得了张 3 天读书的会员卡。（仅作为测试）

2、工具使用指导

不知道某个工具如何使用、某个功能在哪，可以直接让豆包提供远程支持。

用剪映来举例吧。

比如问豆包：“剪映有一个 AI 对口型功能，你知道在哪里吗？”

下面是豆包的回答：​

https://www.zhihu.com/video/1929239525428802895

再比如问豆包：“你觉得这个视频选什么字体更好？”

她也能提供很好的建议：

https://www.zhihu.com/video/1929239551597056127

3、阅读辅助

在阅读时，遇到不懂的、或者想深入了解的，可以直接问豆包。

对于外文阅读，她也能帮你翻译并解读，非常方便。

4、自媒体辅助

再比如，今天我让豆包帮我看了几篇数据不好的文章，豆包很快指出这几篇标题不够吸引。

还给出了建议的标题，确实比我之前写的有亿点吸引人。

对于短视频创作，她还能帮你总结封面的特点以及可以优化的点。

不会做数据复盘？

直接把后台给豆包看，她能详细的帮你复盘作品数据、分析用户画像等。

5、刷手机搭子

你还可以拉着豆包陪你一起刷抖音，她真的很懂你，情绪价值拉满！

二、入口

说了这么多场景，来看看豆包的共享屏幕功能入口在哪吧。

先把豆包 APP 更新到最新版。打开豆包，点右上角的「+」-「创建新对话」：

下面的功能栏，往左滑，可以看到「打电话」和「视频通话」的入口。

这两个地方都能找到屏幕共享，下面以「打电话」来举例。

点「打电话」，进来后点左图的第二个按钮，然后点「立即试用」：

屏幕上方显示「共享中」，如下面的左图，说明豆包已经能看到你的屏幕了。你可以打开其他的 APP 或画面，和豆包交流了。

有时也可能出现「防护中」，如上面的右图。

比如你打开微信、相册等，这些画面会涉及比较敏感的信息，豆包会提供屏幕共享防护，看不到你的屏幕。

如果仍想共享，点「继续共享」就可以了。（这个根据自己需求选择）

如果想退出屏幕共享，点「退出屏幕共享」-「停止」，这时豆包就看不到你的屏幕了：

非常简单又实用的一项功能，可以说是生活、学习、娱乐等方面的全能搭子。

感兴趣的快去试试吧。

如果觉得有用，记得点个赞，也可以转发给需要的人呀~

推荐阅读

其他更多AI工具，见【AI工具（持续更新）】专栏。

我是X小鹿AI工具库，前互联网大厂程序员，现自由职业，也一名AIGC爱好者，持续分享更多前沿的「AI 工具」及「AI 副业玩法」，期待和大家一起交流。

最近观察生活时，发现不少场景可以通过AI让日常更顺畅些。结合自己的体验，梳理了几个从生活需求切入的AI应用方向，操作门槛不高，更贴近普通人的实际情况：

1

帮长辈跨越“数字门槛”的家庭AI辅助

家里长辈使用智能设备时，常会遇到些小困扰：看菜谱觉得步骤太繁琐，刷手机想找健康知识却被无关内容干扰，手机相册太多也分不清哪些是重要照片。

可以试试用现成的AI工具做些适配：比如把AI的语音交互设置成方言模式，让长辈能用语音查菜谱，AI自动简化步骤并播报调料用量；用AI图像识别给相册自动分类，按“家庭聚会”“孩子成长”等标签整理；甚至整理一套常用问题的AI问答，像“怎么查手机流量”“社保认证怎么操作”，让长辈能一键获取答案。

先从身边家人朋友开始尝试，做成简单的小程序或微信插件，重点是让功能贴合长辈的使用习惯，慢慢优化细节。

2

为宝妈整合实用信息的AI内容整理

带娃过程中，常会遇到信息杂乱的问题：比如想知道不同月龄宝宝适合的绘本，网上推荐太多难以筛选；研究辅食时，营养搭配的建议五花八门，不够具体。

不妨用AI做些针对性的内容整合：比如根据宝宝的月龄，让AI分析发育需求，生成每周的辅食食谱，附带简单的采购清单；结合孩子的性格特点，用AI筛选合适的绘本，并整理出亲子共读时的引导话术；甚至用AI生成简短的儿童安全科普脚本，自己用剪辑工具做成短视频，方便给孩子讲解。

可以先在宝妈圈子里分享一些整理好的内容样本，听听大家的反馈，再逐步调整完善，让内容更贴近实际带娃的需求。

3

服务社区日常的AI便民小工具

小区生活里，常有一些零散的需求：比如想找靠谱的家电维修师傅，不知道谁口碑好；快递柜出了小问题，一时找不到客服电话；偶尔丢了东西，想优化监控截图找线索。

可以尝试用AI整合这些需求：做一个简单的社区小程序，支持语音输入求助（方便不擅长打字的人），AI自动匹配小区周边的服务资源；用AI图像识别优化“找东西”的照片，突出关键特征；定期用AI整理小区生活信息，比如垃圾投放时间、公交调整通知等，汇总后发到业主群里。

先从自己所在的小区试点，和物业沟通协作，重点解决大家高频遇到的小问题，再根据实际使用情况慢慢扩展。

这些方向的核心，是利用现有的AI能力（比如语音识别、图像处理、内容整合等），去解决生活里具体的小麻烦。不用自己开发复杂的技术，关键是让AI工具和实际场景结合得更紧密，从身边能接触到的需求做起，一步步探索优化就好。