我经常被问到你收藏了多少条提示词我说84条。然后对方又问那为什么你输出还是时好时坏因为收藏的是别人嘴里的“答案”不是自己脑子里的“公式”。提示词这个领域现在太卷了打开社交平台全是“XX条提示词合集”“XX行业提示词模板”今天存一份明天存一份可真到用的时候要么模型版本对不上要么场景完全不符要么连主体是谁都没说清楚。踩的坑多了我反而得出一句话收藏84条提示词不如背下这1个万能公式。今天不绕弯子直接把这个公式和用法讲透从文生图到AI编程从自动写公众号到视频生成都能套。1. 收藏了那么多提示词为什么还是写不出来1.1 我先讲个真实体验我以前也干过这种事看到一条好提示词就赶紧收藏。比如“你是一位资深前端工程师请用React实现一个拖拽组件”看起来专业、逻辑清楚可换到我的项目里组件库是Vue3需求变成“拖拽排序并支持异步校验”直接套用就是各种跑偏。问题不在那条提示词本身而在我根本没有拆解它背后的规则它为什么写“资深前端工程师”为什么强调“React”为什么要求“给出代码和解释”这些全都在定义模型的身份、任务、约束、输出格式。收藏夹里存的是“结果”不是“方法”。我再举一个例子很多人收藏过“鹈鹕骑车测试提示词”之类的模板尤其是AI绘画圈子里这种梗题特别火。但你拿别人的模板去跑出图效果经常惨不忍睹。为什么因为模板里的“鹈鹕”是别人的鹈鹕“自行车”是别人脑补的自行车而你手里的模型可能根本不知道鹈鹕长什么样或者对“骑车”的理解和你完全不一样。模板没有错错的是你不是在写需求而是在抄作业。所以我才慢慢意识到提示词的核心从来不是背诵或者收藏而是理解模型怎么“读”你的话。模型不是一个真正懂你的同事它是一个根据概率接字的系统你给的信息越成体系它越能找到正确的方向。收藏84条零散的提示词就像拿着84张不同城市的公交卡到了新城市照样迷路。真正有用的是一张能走遍所有城市的地图。1.2 提示词不是“答案”是“坐标”提示词工程这件事本质上是跟一个“见多识广但没常识的同事”沟通。懂技术的人都知道大模型的训练数据里塞满了各种文本它见过海量的代码、文案、图片描述但它不知道你现在所处的具体项目背景也不知道你想要的“好”到底是指什么。你给它一句话它回你八百句话因为它只能根据概率猜。提示词就是坐标帮它定位你是谁、面对谁、要解决什么、边界在哪、输出长什么样。84条提示词里可能有上千个字但它们大概率只在一个维度上写得特别好。有的擅长设定角色有的擅长写负面词条有的擅长控制格式但它们很难同时覆盖所有维度。真正稳定的写法是把“坐标”用全而不是只抄某一个坐标的写法。就好比给人指路只说“往东走”和只说“到那个红色大楼”都不够最好是把方向、地标、距离、到达后的特征全说清楚对方才不容易走岔。我自己后来把这件事总结成一个特别朴素的公式它不神秘也不收费就是五个要素谁、干什么、怎么干、别干什么、拿什么交差。这五个要素凡是做提示词工程做久了的人都会在潜意识里用到只是很多人没有把它提炼成工具。一旦你把它变成工具你就会发现所谓84条提示词本质上是这五个要素在84个不同场景里的排列组合。既然排列组合可以现场生成为什么要背84条呢2. 万能公式只有一个谁 干什么 怎么干 别干什么 拿什么交差2.1 公式拆解五个要素的作用我后来习惯用的万能公式完整写出来是这样角色谁让模型扮演什么身份比如“资深产品经理”“短视频编导”“Python后端工程师”。这会改变它调用的知识库和语言风格。任务干什么你要它做的核心动作尽量用动词比如“写”“分析”“改写”“设计”“生成”。任务要单一、明确不要让它同时做五件事。背景与细节怎么干给足上下文比如目标用户、已有素材、技术栈、字数要求、风格参考。这部分是模型最缺的信息也是决定输出质量的关键。约束别干什么明确负面清单比如“不要使用列表”“不要输出客套话”“不要编造数据”。负面约束能帮你排除掉90%的明显垃圾输出。输出格式拿什么交差让结果可被直接使用比如“用Markdown表格返回”“先给结论再给原因”“生成JSON结构”。这一步决定了你是拿到一堆废话还是拿到一份能直接交付的成果。举个例子你想让AI帮你写一篇公众号文章。直接说“帮我写一篇关于年轻人不发朋友圈的文章”它大概率给你一篇四平八稳的“在当今社会越来越多的年轻人……”式开头没什么毛病但也没人爱看。用五要素套一下角色你是一位有5年自媒体经验的公众号主笔擅长观点型文章语气犀利但有温度。任务根据主题写一篇1200字左右的文章。背景主题是“年轻人为什么越来越不爱发朋友圈”读者是25-35岁职场人开头需要制造共鸣正文用两个真实感强的故事佐证结尾给一个思考题。约束不要用“在当今社会”这类陈词滥调不要写AI味明显的排比句不要编造具体人名和事例。输出先给一句话摘要再给正文正文分段使用小标题。组合起来就是一条可以直接复制使用的提示词。你发现没有我完全没有用任何“魔法词汇”也没有用多复杂的措辞就是把一个正常需求按五个格子填进去。模型不是不会写它只是不知道你心里的“好”长什么样你把坐标给它它就能对得准。2.2 为什么不需要背84条只需要这一个框架这个问题的答案我在无数次试错之后才彻底想明白。表面上84条提示词覆盖了不同的行业、不同的模型、不同的任务但它们背后都能映射到同一个结构。我甚至拆过很多网上流传的“高赞提示词”无一例外全都跑不出这五个要素。比如有段时间很火的“打斗动作提示词”看起来是一串很玄的词“转身、出拳、镜头跟随、慢动作、尘土飞扬、脸部特写”。你用五要素一拆就明白了任务生成打斗动作描述 背景武术风格、镜头语言、环境氛围 约束不要超现实不要飞天遁地 输出以分镜脚本形式给出。再比如“文生视频提示词模板”拆开看就是角色画面主体 任务主体动作 背景镜头运动、光效、时间 约束风格限制 输出时长和画幅。也就是说收藏那些提示词本质上是在收藏“别人帮你组合好的坐标”。可坐标换了场地就会失效别人的场景、模型版本、审美偏好都和你不一样。公式不会失效因为它是沟通结构的底层逻辑模型再怎么升级它读语言的方式依然是先识别主体再识别动作再识别环境再识别限制。你把公式写明白了就等于是在用模型最熟悉的方式跟它说话。我还发现一个有意思的事当你把公式背熟以后就不太需要去市场上买“提示词合集”了。因为看到一个新需求你脑子里会自动开始拆解这个需求里的“谁”是谁“干什么”是哪个动词“怎么干”有哪些背景“别干什么”有哪些禁忌“拿什么交差”是什么格式想完这五个问题提示词已经写完了。这比打开收藏夹翻半天高效太多了。3. 用万能公式套真实场景从鹈鹕骑车到用AI写公众号3.1 文生图怎么把鹈鹕骑车描述清楚鹈鹕骑自行车现在已经成了AI绘画圈子里公认的“模型测试题”用来验证文生图模型能不能理解“动物交通工具动态姿势”这种组合。这个题看起来简单实际能难倒一大片模型。很多人写的提示词就是一句“a pelican riding a bicycle”结果图片出来要么鹈鹕长在自行车车架上要么轮子是椭圆的要么鹈鹕的喙占了半张脸。如果用五要素来写这个问题就清晰多了。先想“谁”主体是一只成年鹈鹕体型要大羽毛是白色喙是橙色这是基本生物特征你不写模型就乱编。再想“干什么”骑车而且是“骑”不是“站”所以还要补充“坐在车座上两只脚踩在踏板上”。这是动作核心不写清楚模型就会以为你在搞抽象艺术。然后想“怎么干”背景是在乡间小路上阳光充足路旁有树光线柔和景深带虚化这样画面就不会是一只在白背景上飘着的鹈鹕。“别干什么”不要出现人物不要出现文字水印不要让鹈鹕翅膀变形夸张。“拿什么交差”写实摄影风格4K画质自然比例。组合起来就是一条高质量提示词A realistic photo of an adult pelican with white feathers and orange beak, riding a vintage bicycle on a country road, sitting on the seat with feet on pedals, wings slightly spread for balance, sunny afternoon, soft depth of field, no text, no watermark, 4K。有人可能会问用英文还是中文这取决于模型。Flux2和Qwen Image 2.1这类模型对中文提示词的理解能力已经很好了但英文在大多数情况下仍然更稳因为训练数据里英文图像描述占比更高。不过就算用中文五要素的写法也一样一只成年鹈鹕白色羽毛橙色喙骑着复古自行车在乡间公路上前行坐在车座上脚踩踏板翅膀微微张开保持平衡阳光明媚的午后柔和景深没有文字和水印写实摄影风格4K。你会发现无论中英文模型需要的都是“要素清晰”而不是“措辞华丽”。3.2 文生视频五要素在动态场景里的加料文生视频比文生图更烧钱也更考验提示词质量因为一个画面要跑几十秒甚至几分钟一旦主体或动作理解错了整段视频全废。像seedance这类模型网上流传的“文生视频提示词模板”确实好用但核心依然是五要素只是“背景”这一项要升级为更细的分镜信息镜头运动是推近、拉远、跟随还是旋转主体动作是从坐到站、从走到跑还是转身回头时间变化是从日到夜还是从晴到雨节奏是舒缓还是紧张。用“打斗动作提示词”来举例。很多人在做角色打斗视频时会写“两个人打斗”然后模型生成出来的画面要么是两个人站着摆架势要么是动作幅度大得离谱。用五要素拆一下角色两个武术演员在雨中对打穿着深色衣服。任务完成一次转身踢腿和格挡动作动作连贯自然。背景夜晚的巷子地面有积水镜头采用侧面跟拍人物占据画面中央雨丝可见。约束不要慢动作不要升格特效保持写实动作不要出现超能力。输出五秒视频片段画幅16:9。这样模型就知道它要生成的是一段“带连贯动作的实拍感片段”而不是一张静态图加上随机抖动。文生视频的提示词最忌只写关键词堆叠比如“打斗、帅、酷、精彩”模型根本不知道怎么排优先级。你把五要素铺开它才能像导演一样理解每一个镜头的任务。3.3 AI编程给Cursor、Claude写需求的方法AI编程圈子里经常有人说“Cursor提示词泄露”其实泄露来泄露去真正有用的不是什么黑科技而是有人把一条好用的开发指令写成了一个完整的工作流。比如“你是一个全栈工程师请帮我实现一个用户登录功能技术栈是Next.js和Prisma数据库用PostgreSQL要求包含邮箱密码登录和Google OAuth错误提示要友好返回代码加注释最后输出目录结构。”这其实就是五要素全拼出来的标准范例。我写代码提示词有一个习惯先把需求背景写清楚哪怕啰嗦一点也没关系。模型不是读心术它不知道你的项目是单体架构还是微服务不知道你是不是要兼容老代码也不知道你习惯的命名规范。你给它角色它就会用这个角色的语言风格写代码你给它任务和约束它就不容易写出你根本没法用的方案你给它输出格式它就会把代码和说明分开而不是糊成一团。很多程序员说AI写的代码不能跑多半是任务里少了“约束”这一格。比如“不要使用第三方库”“兼容Node 14”“不要重构现有代码”“不要修改配置文件”。这些负面约束能帮你避开80%的坑。我见过最离谱的需求是“请帮我优化这段代码”然后什么信息都不给模型当然只能给出泛泛的建议。你把“怎么干”和“别干什么”填满它给出的代码基本就是可用的初稿剩下的只需微调。3.4 公众号文章自动生成扣子里怎么设计提示词最近好多朋友问我想用扣子这类Agent平台做一个能自动生成公众号文章的工作流该怎么设计提示词。我的建议是不要写一个大提示词包揽所有事情而是把这套万能公式拆成工作流里的多个节点每个节点单独用一遍公式。比如第一个节点做选题。角色是新媒体编辑任务是根据你给定的关键词生成5个选题背景里带上“账号定位是职场成长类”约束是“不要蹭敏感热点选题要有冲突感”输出格式是“列表加推荐理由”。第二个节点做大纲。角色是公众号主笔任务是针对选定的选题输出大纲背景里带上“目标读者是25-35岁职场人文章风格要观点鲜明”输出格式是“一级标题加二级要点”。第三个节点做正文第四个节点做标题每个节点都单独跑。为什么这样拆更好因为大语言模型在处理单一任务时注意力更集中输出质量会明显更高。你让它同时又写选题又写大纲又写正文又写标题它头尾两端会顾此失彼。这也是提示词工程的核心之一不是让一个提示词完成所有事而是把复杂任务拆成多个简单提示词每个都遵循五要素。工作流跑通之后你只需要在第一个节点喂一个关键词后面全部自动串联体验非常顺。4. 实操把公式变成自己的肌肉记忆4.1 三分钟写出提示词的自查流程公式背下来是一回事能随时随地用出来是另一回事。我给自己定了一个三分钟自查流程每次写提示词都按这个顺序走一遍时间长了就成了肌肉记忆。第一句话是目标。用动词定义任务比如“写”“分析”“生成”“改写”。如果一句话说不清楚说明需求本身没想明白。第二块是上下文。把用户、场景、已有材料、技术限制、风格偏好全部放进去。很多人忽略这一块其实模型最缺的就是这个。第三块是负面约束。把不要出现的内容列出来。哪怕只有一两条也能省很多事。第四块是输出格式。把结果形态定下来是表格、列表、代码还是文章。最后自己读一遍看五要素缺了哪一个。缺谁补谁。举个例子我上周要模型帮我写一份竞品分析。我第一句话写“请你帮我分析A产品和B产品的差异”然后补上下文“目标用户都是中小企业A主打低价B主打服务我关注的是选型建议”再写约束“不要用空洞的形容词要有数据支撑不要给我营销话术”最后输出“用对比表格列出6个维度的差异并给出结论”。整个提示词不到100字但模型给我返回的内容可以直接粘贴进报告里。你不需要一次写出完美提示词但你不能连框架都不搭。框架只要在哪怕第一遍写得不好你还可以让模型修改。框架不在你连怎么改都不知道。4.2 给提示词“排雷”负面约束的写法负面约束真的太重要了但很多人的“负面约束”写得很没用。模型不是一个特别擅长理解否定句的专家你写“不要提及XX”它有时候还是会提及XX因为它的注意力会被“XX”这个词本身吸引过去。反复试过几次后我总结出一个原则把“不要XX”尽量改成“用XX代替”。比如“不要出现水印”改成“干净画面无文字无水印”“不要用AI腔”改成“用口语化风格有真实个人感受”“不要列一堆没用的数据”改成“只保留和决策直接相关的3个关键数据”。你在“干什么”里写得更具体模型就更容易避开你不想踩的雷因为正面指令的权重永远比否定指令更强。更稳的办法是给出两个对比示例告诉模型“这样的开头不要这样的开头要”。示例是最强的约束尤其对风格来说。比如你要求它写公众号开头可以附上“反面示例在当今社会人们越来越……正面示例我上周翻通信录翻到一个三年没联系的人突然就想明白了一件事。”模型对这种示例的模仿能力很强比你写十句抽象描述都管用。4.3 一个参数级别的细节用定界符和示例锁格式如果你希望模型输出结构化内容可以把格式写进“输出格式”那一格并用代码块圈住。比如输出格式{ title: 生成的文章标题, content: 生成的文章正文 }这样模型就会严格按这个JSON结构输出方便程序自动解析。这个技巧在扣子、Coze、Spring AI这类平台里配置系统提示词时特别有用。很多人问SpringAI系统提示词怎么配置其实它本质上就是一个被系统固定住的“角色任务约束”描述。你在系统提示词里把五要素写清楚其他运行时参数自然稳定。另外不要迷信“提示词越长越好”。五要素写清楚的前提下越短越容易执行。长度只是结果逻辑才是前提。我看到很多人把一段提示词写成了小作文里面塞满了形容词和修饰语结果模型反而抓不住重点。你不如把修饰语删掉把核心要素用短句写出来。模型对短而清晰的指令响应要好得多。5. 常见问题与排查技巧实录5.1 模型不听话优先级怎么处理经常有人问提示词明明写得很详细为什么模型还是输出一堆跑偏内容我检查之后发现大概率是“任务”和“背景”的优先级没有分开。模型有一个默认的习惯它会把最后出现的指令当成比较高的优先级把开头的指令当成背景信息。所以如果你想让模型“先说结论”就不要在背景里花大量篇幅写“分析过程”因为模型可能以为你要的是一篇分析文章。我的做法是把最高优先级的动作放在提示词最前面并且用一句“最重要的要求是”来强调。比如“最重要的要求是只输出JSON不要任何解释。背景这是用户登录接口的返回结构。”这样模型就会先把JSON格式放在第一位而不是先给你讲一堆登录逻辑。这招十次有八次有效剩下两次可能是模型版本太老需要你把“最重要的要求”再重复一遍。5.2 提示词有冲突鹈鹕测试踩坑鹈鹕骑车这类测试容易翻车是因为提示词里有隐性冲突“动物骑车”本身反常识模型既要理解主体是动物又要理解动作是人类日常动作。如果你不消解这个冲突模型就会在两个方向之间摇摆。怎么消解把背景写具体。比如“像人类一样轻松骑行翅膀微微张开保持平衡”这样模型就明白动作是拟人的但主体依然是鹈鹕。这个经验可以延伸到所有矛盾需求上。你想让猫穿西装不要只说“穿西装的猫”要补一句“西装是猫咪尺寸穿在身上很合身”你想让建筑漂浮在空中要补一句“建筑底部没有基座悬浮于云层之上整体光线自然”。把反常识的地方补上常识出图率会大幅提升。这也是背景信息和约束搭配使用的意义背景负责解释“怎么回事”约束负责画出一条“不能越过的线”。5.3 复杂任务容易崩怎么拆步骤我见过最典型的错误是一次性让模型做十件事写文章、配图、翻译、总结、SQL、代码全部塞进一个提示词里。模型输出一定稀碎因为它不知道该把注意力放在哪件任务上。我的经验是遇到复杂任务先在脑中把它拆成5个以内的子任务每个子任务单独跑一遍再用一个“汇总提示词”把它们整合起来。比如用AI做一份行业报告你可以先让它列大纲再让它分别写各个章节最后让它统一润色。每一步的输出格式都带编号汇总时就非常顺。不要怕麻烦分开跑可能只比一个提示词慢半分钟但质量差距是肉眼可见的。我甚至在做公众号工作流时把这种方法固化成了自动化节点每个节点一个任务任务之间通过变量传递结果。这样即使某个节点输出质量不行你也可以单独修那个节点而不用从头再来。5.4 工具更新后提示词失效模板化思维的好处AI模型更新很快昨天能用的提示词今天可能效果变差。这不是你的问题是模型偏好变了。所以我从来不推荐大家把网上某个版本号绑定的“秘方”当仙丹。模板化思维更抗老化你只需要明白五要素把模型版本当成背景信息写进去。比如“你是Flux2风格理解良好的图像生成器”“你是Qwen Image 2.1能理解中文提示词”这些背景写在提示词里反而能引导模型调用对应能力。更多时候提示词失效是因为输出格式变了。模型更新后它对JSON格式的要求可能更严格或者对Markdown的支持有了变化。这时候不要怀疑公式错了先删掉多余修饰语只试用一下五要素的最小版本看看是不是格式问题。我自己处理“转发给我说提示词坏了的”朋友的问题时最常用的排查步骤就是把提示词里的“角色”和“背景”先去掉只剩“任务”和“输出格式”如果这样都跑不顺那就是模型或平台的问题如果这样能跑顺再一点点把背景加回来看是哪一句导致模型崩了。我个人的体会是提示词工程走到最后拼的不是词汇量而是逻辑能力。收藏84条提示词只是把别人走过的路记了下来背下这一个万能公式才是自己学会了走路。我现在还是会清理收藏夹最后通常只留下这个公式。每次写提示词前把五要素在脑子里过一遍其实也是在帮自己理清需求。需求想清楚了AI自然就能给到满意的东西。最后再分享一个小技巧不管你用的是什么模型输出满意之后把这条提示词存回收藏夹。但这次存的时候不是存“结果”而是存“哪几个要素写得特别到位”。下一次遇到类似需求先看要素再改背景。你会发现那条84条的收藏夹慢慢会变成你自己的提示词方法论。这个方法论比任何模板都值钱。