提示工程：我们如何写好Prompt？

三月份的时候我们在北京办了场LangGPT线下沙龙，请来一位很有意思的分享嘉宾——

。他在Prompt探索上的经验，干货十足，值得大家收藏学习。

最近终于把当时的逐字稿整理出来了，分享给大家。PS. 如果语句有点不通顺，那一定是小编的锅……

下面是刚哥的分享全文：

一、背景

我是李继刚，平时主要活跃在即刻上（同名“李继刚”）。严格来说不算AI圈的人，在互联网行业工作，但爱读书，每年大概能读50到100本。算是个读书人。

ChatGPT刚出来那会儿，我发现一个特别有意思的事：

随着阅读量增加，笔记和方法论的沉淀越来越多。结合上LangGPT框架或者自然语言描述，再加上ChatGPT的推理能力，一个全新的视角慢慢清晰起来——哪怕是一本书，也可以轻松转化成GPTs（以前叫GPTs，现在还是，但之前要写一大段prompt）。这样一来，就能帮我们在某个领域里实现框架的具体应用。

以前你跟没读过某本书的人讲，这本书的理论或者方法论，用了三步法还是六步法去解决什么问题，对方得花时间消化。现在呢，可以直接把这些知识封装好交付，拿来就用。

不管是写一篇文章还是解决一个问题，选合适的GPTs就行，它用的是SCQA法（基于金字塔原理的写作或表达方法，层次清晰、逻辑性强），还是别的框架技巧？这些都能帮我们理解核心思想。

这个方法我实践了半年到一年，期间在即刻上分享了大量prompt，慢慢大家就知道了有这么个人。这就是今天的背景故事。

二、如何写好Prompt？

怎么写好Prompt？我觉得可以从三部分来拆解。

1. 理解LLM，《这就是ChatGPT》

首先，得深入理解大语言模型本身。不同模型——比如GPT、Claude、文心一言、智谱——即使输入相同的提示词，结果也完全不同。这个差异来自

这里只讨论推理能力：同样的表述、同样的方法论、同样的语言交付，结果完全不一样，这做过对比测试的。

所以，

。

写提示词时，针对哪个模型写？这个问题得先确定。从实际使用来看，比如选Claude，用XML框架性描述输入效果就很明显；但要是把XML和markdown用到ChatGPT上，区别就出来了。

这就形成了一种偏好。对我个人来说，笔记习惯用log或markdown，ChatGPT用得顺手，所以一般会选定这个模型，然后

了解模型、适应针对它写Prompt，通常就能达到预期效果。但要是平移别的模型，就得重新适应——就像换公司，文化不一样，得有个过程。所以理解大模型本身，是写Prompt的第一步。

强烈推荐

。市面上关于ChatGPT的书不少，但这本讲得最透彻。作者斯蒂芬·沃尔弗拉姆（全球最聪明的三个作者之一），本来是写了一篇文章，国内引进翻译成中文。那篇文章英文半小时能读完，但深度和洞察力是其他书比不了的。

这书我一直放桌头，没事就翻一下，读了三遍以上，每次都有特别的感觉。要是有一本书能把ChatGPT讲明白，就是它了——连“提示词不就是预测下一个字符”这种事都能讲透。强烈推荐。

这是理解GPT、理解LLM的部分。

2. 行业Know-How（个人素养）

理解了大模型，也看了一些技巧论文，比如情绪能影响输出、指定角色能提升效果等等。这些技巧总结下来不超过十条，大概六条左右。

掌握了，会发现它还是在理解LLM的框架里——只是基于LLM，这十条小技巧有效，写的时候用上而已。

但第一步完成，掌握这十条技巧就一定能写好prompt吗？跟人交流讨论、包括自己写的时候发现，还有第二个问题：

。也就是说，

举个例子，你干制造业，整个工程链的流程环节、每个环节要注意的点，跟不了解的人分别去问GPT“这行业要注意什么”，再分别去写prompt，深度肯定有差异。行业里深耕多年的人，理解深度比GPT简单表述的框架要更深一层。而这层差异，直接决定prompt质量的好坏。

这也是想说的：大语言模型来了，大家喊“人类要下岗、人类要被灭”，因为它的能力太强，很多人表现远不如GPT。为什么？因为很多人在做事时本身就在重复，没有沉淀行业的know-how。

拿UI岗举例。如果一个人会的只是PS软件的功能——知道这个操作能磨皮、那个操作能去背景——那他就是靠功能吃饭，竞争力很弱，大概率会被替代。但如果他有know-how——一张图片怎么更好看？他有

，知道颜色怎么搭，有很多难以表述的——那部分行业know-how才是他真正的壁垒。

所以很多人聊的时候说：技巧我也会，书我也读了，大模型文档我也看了，行业的东西我也知道，就去写了。但同样场景，为什么写出来差异还是很大？这里涉及

，它是分层次的。就拿写程序来说，比如递归，一个工匠和一个艺术家对递归的理解、对框架体系结构的设计，完全不一样。

这个地方最能拉开人与人之间的差距，这是第二部分要讨论的。

3. 逻辑清晰（不矛盾）

有些朋友来找我聊，工作内容比如写小红书、发抖音、写口播稿。基于对LLM的理解、用了些技巧、拿着他们对行业know-how的总结、SOP，我们去写。结果发现：同样的SOP（同一个公司，三个人同时写，认知都在同一层），写出来还是有差异。

我拿出三个人的prompt对比，发现在

层面——也就是层面——有区别。这个区别在于，。知识已经在脑子里，画个圈，圈里的信息都能get到，但get到了，能不能清晰、不矛盾地传递出来？

这个地方最考验表达。我看那些prompt时，看到大量“前后不一致”的现象。比如前面说“你要用轻松自在幽默的语气传递内容”，后面在Workflow或SOP环节又说“你要严肃认真慎重对待每一个字”。这种

因为注意力会偏移，头和尾的注意力权重也不一样。同样一句话，用8个字表达还是用18个字表达——多出来的部分是废话，还是角度更丰富、表达更丰富？这需要认真思考、迭代。

这也导致我现在有点“往回退”，而不是“往前进”。

“往前进”是说：LLM日新月异，每天更新，大家一觉醒来AI世界又变了——今天这个开源、明天那个参数突破。跟着它跑的过程中，会发现它其实在不断侵蚀人类的表达和思考空间。而真正的壁垒应该是“后边”这个部分：LLM能力越来越强，怎么让它为我所用、成为我的杠杆？我该做什么？

我觉得应该做到：

• 1.

  清晰表达：我们知道的东西，能不能很清晰、简洁、直达内核地说出来？
• 2.

  行业know-how：沉淀的东西多与少？

所以需要“往回退”，打好基本功——对自己行业理解够不够深刻？对感兴趣课题理解够不够？这两者结合，最后才能写出好的prompt。

三、如何快速写好初稿？

关于我之前写的那些prompt，快速生产的整个流程大概是什么样的？

写一个、两个、三个、五个，甚至更多prompt之后，会发现有很多重复工作。我自己有个原则：

计算机出身，写过代码的人多少有

——当一个动作重复三次，就会想怎么自动化，相当于封装成一个函数，当API一样调用，不用每次重复操作。

一般写的时候会用下面两个prompt。

1. Meta-Prompt

每次写prompt都要分析场景：把这个场景按LangGPT框架往每个格子里填内容，变成完形填空题。但每次这种完形填空都要重新搭框架、填差不多内容，就是“重复”。

这时候停下来，把它抽出来，形成了第一个

。“Meta”就是元prompt，思路很简单：

用这个，想写抖音口播稿文案之类的东西，很快就能封装成一个三四十分左右的prompt。从输入到输出，几秒就拿到了。跟脑海里隐约要做的、几个词散漫的情况对比，完全不是一个体系，基于这个体系还能优化。

2. 药剂师Prompt

拿到Meta-Prompt产出的提示词之后，开始看哪里的词不精准、哪里有冲突矛盾，手动调。调多了发现，其实也就那几个角度。把这些角度抽出来，又形成了第二个prompt——药剂师。

“药剂师”这个名字跟《盗梦空间》里一个角色有关。《盗梦空间》是在筑梦，药剂师加强梦境。这里就是

。

加强的意思是：

优化时会着重把抽象的词展开——抽象的词是压缩词，现在需要。

比如“好看”，什么叫好看？给它定义成五个维度、七个维度，不断丰富扩展，形成优化后的prompt。这两步完成，基本能拿到四五十分的prompt。

这时候

，稍微调一下，就能生成可对外发布的0.1版本。

现在写一个prompt基本就这两步，加上第三步手动微调，大概10到20分钟完成一个。想写什么，看对哪个场景感兴趣、了解多少know-how，了解就很快。

这两个prompt我都开源在LangGPT知识库里了。Meta那个特别好写，大家一看就能根据自己的认知，分分钟变成自己的，甚至比它更强：我选了五个模块，完全可以改成七个、九个，甚至更经典的四个。流程思路一致，后面就容易实现。

四、LLM在进步，人能退到哪？

最近一直在想一个问题：大语言模型一直在进步、能力一直在增强，人能退到哪？

LLM进步

以前用它写个词，或者让它达到某种境界，它不理解。比如用过GPT4和3.5对比的话，差别很明显。

对GPT4说“你输出一个‘言简意赅’的一句话”，它就能输出符合需求的。它懂你了。但同样一句话对3.5说“你给我一个‘言简意赅’的话”，它不行，理解不到位。

理解不到位就得干什么？把词展开。先定义一下什么是“言简意赅”，加上定义再说“给我一个‘言简意赅’的话”，效果就出来了。也就是说3.5不一定理解，两者对语言的理解不在一个层次。那就明确定义、诠释，不理解时扩展解开，效果就有了。

现在

。以前很多需要展开、通过五个角度描述的东西，现在一个词就够了。在这种情况下，我们的表达、

它在往前进，你在往后退。退到极限，再设想GPT6、7、8、9、10出来的时候，留给人类的空间还剩多少？

逻辑 + 审美

，是目前想到最后“退退退”剩下两个地方。

一旦大语言模型真到了言出法随的地步，这两个东西能区分人与人之间的前后差异、上下层次。

人类科学进步依赖

。

：给我已知的前提、一些信息，就一定能推演出未知，一步步往前，通过实验、方法不断知道新的东西。

另一个是

：看见十个信息是这样，总结成规则，没看到反例就认为成立。两者交替，人类科技才一直发展。科学方法的核心就是逻辑思考，这算是底线。

想了其他很多维度，尝试去比的时候，大语言模型都能击灭击破。但“审美”这个词，目前感觉还是人类可以守的一条线。

我们经历一些事，读万卷书、行万&里路，看见一些风景，形成个人经验。如果有很好的词汇知识素养，这个经验对照着人类认知中的某些词——你对这些词

，不会像大语言模型那样，把“好看的花”存成N个维度、跟阳光或春天相关，这都是理性的。

基于这种认知和觉知，会产生欣赏——觉得这个地方美好、那个地方丑陋，喜欢这个、讨厌那个。这部分，我理解是大语言模型再进步也侵蚀不到的。

大语言模型在往前走，后边的GPT5马上要来，Sora马上要来，还要建物理模型、虚拟世界VR也要来。这一部分不断往前。

绝大部分人日常、不深刻理解的信息，是能被总结归纳的，会作为语料输入训练。这是个很自然的现象。比如实习生进来要读文档、读行业前辈总结的SOP——这种浅层次认知，大语言模型最容易理解。真正难理解的，或者说 你说不出来的那句话，才是你真正该掌握的know-how。

就像骑自行车，可以写SOP说“两脚往前蹬一下，利用惯性往前走”。但真的从不会到会的那一刻，平衡感的掌握很难用语言描述出来。

这里我把它表述成“逻辑信息”，但这个词可能还没找准，脑海中的认知没完全匹配上。“逻辑清晰”跟那个认知没有完全契合。

这个问题，留给大家一起思考。

今天分享先到这，欢迎大家讨论。