基础提示词只能让AI"听懂话"，进阶技巧才能让它"稳定产出"。本文讲透角色设定的正确写法、思维链的加护栏用法、少样本示例的挑选原则，以及企业里最实用的自我critique循环。
"你是一位营销专家"是几乎无效的角色设定——因为"专家"这个词没有给模型任何可执行的约束。真正有用的角色要包含三个信息：领域 + 资历 + 立场。
对比一下：
后者给了模型三个支点：说话的行业语境、判断的保守倾向、表达的先后顺序。模型会沿着这些约束生成，输出自然不一样。
一个额外技巧：给角色加"视角"。 比如"你是采购方顾问，不是供应商"——明确立场能避免模型写出两边都不得罪的平庸内容。
让模型"一步步思考"能提高复杂任务的准确率，但直接说"请一步步思考"有两个问题：推理过程可能很长很散；模型可能在推理里编造事实。
更好的写法是给推理过程指定结构和数据来源：
请按以下步骤处理：
1. 列出资料中出现的三个关键事实（只使用附件内容，标注出处）
2. 指出这些事实之间的矛盾或缺口
3. 基于以上事实给出结论，并对每个结论标注置信度（高/中/低）
4. 最后列出需要人工核实的事项
这样得到的推理过程是可以审计的—— reviewer能一眼看出哪一步引用了什么、哪里是推测。在企业场景里，这比"答案看起来对"重要得多。
少样本（few-shot）是投入产出比最高的技巧。你给模型两三个"好输出"的样板，它会照着风格和结构生成。
挑选示例有三个原则：
原则一：示例要覆盖差异。 三个样板如果是同一类写法，模型只会学到一种。要让示例之间有明显区别（比如一个正式、一个口语、一个数据驱动），模型才知道"边界在哪里"。
原则二：加一个反例并说明为什么不好。 研究表明，给一个"这是错误示范，因为……"的例子，效果优于只给正例。反例帮模型避开你最不想看到的写法。
原则三：示例必须是你真想要的东西。 随手写的示例会把模型带到沟里。宁可只给一个精心打磨的样板，也不要塞三个凑数的。
在提示词末尾加一段让模型自己检查，能明显减少你的人工修改量：
输出完成后，请对照以下标准自查：
1. 是否所有数字都能在资料中找到出处？
2. 是否出现了资料中没有的信息？
3. 语气是否符合"务实、不夸张"的要求？
列出三个可改进之处，应用后再给出最终版本，只输出最终版本。
这个技巧在企业批量生产内容时特别有用——它把一轮人工复核变成了自动前置检查。注意最后要写明"只输出最终版本"，否则你会同时拿到初稿、批评意见和修订稿三份内容。
个人会用提示词只是省自己的时间。真正产生组织价值的是这件事：把跑通的提示词沉淀成模板。
做法很简单：
十来个模板就能覆盖团队大部分高频需求，而且新人入职当天就能产出合格内容——这正是我们做企业内训时反复强调的一点：AI能力组织化，比个人会用重要十倍。
会，如果不加控制的话。解决办法是在模板里保留"变量位"：受众、语气、禁忌、字数这几项交给使用者每次填写，模板只固定结构不固定表达。另外同一个模板用久了要主动更新示例，模型本身也在迭代，半年前调好的提示词现在未必还是最优解。
分场景。简单的事实性问答、格式转换、短文案这类任务不需要，直接要结果更快。涉及多条件判断、数据推算、方案比选、风险评估的任务值得用——这些场景里"答案错了"的代价远高于"多等十秒"。
最好的来源是你公司过去的优秀成品：一封客户回复得很得体的邮件、一份被领导表扬过的周报、一段转化率高的文案。用真实素材做示例，模型学到的是你公司真实的表达习惯，这是外部通用模板给不了的。注意脱敏后再放入提示词。