AI提示词怎么写效果更好，一次说清做法

你可能遇到过：同一句话丢给 AI，第一遍看着还行，第二遍就散架；改了三五次，稿子越改越像机器写的。问题多半不在模型，而在提示词里缺了交代。这篇按「写前准备—结构搭法—踩坑排查」三步走，给你能照着套的做法和自检表，不承诺一次成型，但能让你知道每次改动改的是哪一块。

同一句提示词丢给 AI，第一遍看着还行，第二遍就散架；改上三五轮，稿子越改越像机器写的。问题多半不在模型，而在提示词里缺了交代。这篇按「写前准备—结构搭法—踩坑排查」三步走，给能照着套的做法和自检表，不承诺一次成型，但让你知道每次改动改的是哪一块。

另外提醒一句：模型和接口版本更新很快，同一套写法在不同模型上的表现会不一样。动手前可以先到 /models 看一眼各家模型的资料，或者用 /sites 里收录的站点做小样本对比，别拿别人的结论直接当自己的。

写提示词前，先把三件事定下来

很多人坐下来直接敲「帮我写一篇关于 XX 的文章」，然后回头抱怨结果不对。其实缺的不是写作技巧，是三个前提没定：交付物是什么、写给谁看、哪些话能说哪些不能说。这三件事你自己不定，模型只能猜，猜错是常态。

交付物

是公众号长文、商品详情页文案还是短视频口播稿？给到字数区间、段落数、要不要小标题，别只写「一篇」

读者与语气

给一个具体身份，比如「给刚入行的运营看」，比「通俗易懂、专业亲切」这种形容有效得多

素材边界

必须出现的事实、不能提的竞品和说法要列清楚；模型不知道你的业务底线，不写它就自己编

• 交付物：稿型、篇幅区间、段落数、是否要标题和结尾引导
• 读者：一条具体画像，包括ta的行业、经验水平和关心的问题
• 语气：给一段你认可的范文片段，比堆形容词靠谱
• 素材：能引用的事实清单，以及绝对不许出现的词和说法
• 禁区：不碰的领域、不承诺的口径、需要人工核实的内容

一个好用的提示词长什么样：角色、任务、约束、示例、输出格式

结构可以概括成五段：角色、任务、约束、示例、输出格式。这个顺序不是铁律，但缺哪段就补哪段。约束放在示例之前，是因为先说明边界，模型举例子时就不容易越界；输出格式放最后，相当于给一个收尾的口令，让它知道到哪里停。

1. 先出骨架先让模型只给提纲或要点，不扩写。拿到后自己判断方向对不对，不对就改提纲，成本比改全文低
2. 再分段扩写每次喂一段提纲加对应约束，写成正文。让模型保留小标题，方便你逐段挑毛病
3. 最后统一润色所有段落齐了以后，单独发一条指令做语气统一和格式收口，别和扩写混在一轮里

需要反复用的场景，比如每周写商品文案、每天出短视频口播，把跑通的提示词存成模板，每次只替换变量部分，比如产品名、卖点、目标人群。这样出稿质量的下限是被托住的，而不是每次从零赌一把。

几个最常见的坑，以及怎么改

提示词写不好，多半不是表达不够华丽，而是几个固定坑反复踩。下面按排查顺序列出来，一次只改一条，才能知道是哪条起了作用。

• 约束别超过七八条，超了按重要性砍，次要的下一轮再提
• 能用正面示例就不用否定句，模型对「要什么」比对「别写什么」敏感
• 涉及内部数据、真实案例，先自己给材料，别让模型补
• 改到第三四轮效果变差就重开对话，把新要求和已确认的部分带过去
• 每轮只改一个变量，改完记录一句为什么改

出稿后的自检清单与迭代顺序

稿子出来先别急着读顺不顺。按「事实口径—语气风格—格式排版」的顺序查，顺序反了，会把时间花在给错内容润色上。事实错了，语气再好也是白改。

• 事实与口径：引用的数字、名称、说法是否能对上你给的材料
• 语气与风格：有没有出现套话、否定式表达、和范文节奏不一致的地方
• 格式：标题层级、段落长度、结尾引导是否符合交付要求
• 稳定性：同一提示词跑两三次，看结构是否一致，只有一次好用说明还没收敛
• 留档：跑通和失败的版本都存下来，形成自己的提示词库

1. 先跑两遍看稳定性同一提示词连续跑两三次，对比结构差异。差异大就回去加约束，别先改内容
2. 只改一个变量再跑加一条约束或换一个示例，跑完看变化。一次改多个，出了效果也不知道是谁的功劳
3. 沉淀模板把稳定版本存成带变量的模板，变量处标注清楚填什么，日后新任务直接复用

如果你同时在比对多家模型或中转服务的表现，别只看一次对话的感觉。不同渠道的实际速度、稳定性和计费口径差别不小，可以到 /price-watch 核对当时的数字，再到 /tools/speed-test 做测速，拿实测结果来配你的工作流，比听人推荐靠谱。