【全网最全最详细】智能体提示词prompt教程

Calvad0s

已于 2025-05-13 14:20:53 修改

阅读量731

点赞数 22

分类专栏： AI 文章标签： prompt python 人工智能 ai coze 扣子提示词

于 2025-05-13 13:58:31 首次发布

本文链接：https://blog.csdn.net/qq_38196449/article/details/147918514

版权

AI 专栏收录该内容

19 篇文章

订阅专栏

3.6 终极心法：角色设定=身份+专业+风格

（4）Frequency Penalty（重复惩罚）

一、提示词基础

1.1 什么是提示词？

定义：提示词是用户输入给AI模型（如ChatGPT、MidJourney等）的指令或问题，用于引导模型生成特定类型的输出。它是用户与AI交互的核心媒介。
作用：提示词的质量直接影响AI输出的准确性和相关性。好的提示词能明确任务边界、减少歧义，并激发模型的创造力。

提示词就是“给AI下指令的说明书”——越清楚、越具体，AI干得越好！价值： 帮你更快、更准地拿到想要的结果，不用和AI“猜谜语”。

1.2 人设与回复逻辑

# 角色

# 任务

# 能力

# 步骤

# 要求

# 限制

# 示例

二、提示词的设计技巧

2.1 七大提示词设计原则

原则	作用	示例
1. 清晰具体	减少AI猜测，精准输出	“写300字科普文，初中生能看懂”
2. 结构化拆分	复杂任务分步完成	“第一步…第二步…”
3. 角色设定	让AI更专业/符合风格	“你是一名资深律师…”
4. 示例引导	模仿特定风格	“参考这个文案风格…”
5. 链式思考	展示推理过程	“请分步骤解释…”
6. 负面提示	排除无关内容	“不要提及政治…”
7. 参数调整	控制随机性/长度	`temperature=0.5`

2.2 清晰具体

什么是“清晰具体”？

就是让AI明确知道：

你要它做什么（任务类型：写、总结、翻译、生成列表……）
内容主题是什么（领域、关键词、核心信息）
输出格式和细节（字数、风格、结构、限制条件）

对比例子：

❌ 模糊指令：“写点关于健康饮食的。”

✅ 清晰指令：“用通俗易懂的语言，列出5条适合上班族的健康饮食建议，每条不超过20字，重点强调‘省时’和‘营养均衡’。”

如何做到“清晰具体”？

明确任务类型

直接告诉AI要完成的具体动作，比如：

“写一篇…”
“总结以下内容…”
“将这段文字翻译成英文…”
“生成一个关于XX的列表…”

例：

❌ “说说人工智能。”

✅ “用简单的语言解释人工智能是什么，举2个日常生活中的应用例子。”

限定主题和范围

避免宽泛话题，聚焦到具体细分领域。

例：

❌ “介绍科技发展。”

✅ “介绍近5年智能手机技术的3个重要突破，重点说明折叠屏和快充技术。”

指定输出格式

包括字数、段落、列表、代码格式等。

例：

❌ “给我学习计划。”

✅ “制定一个7天Python入门学习计划，每天分‘上午理论’和‘下午实践’两部分，每部分不超过3个任务。”

定义风格和语气

比如：正式、幽默、口语化、学术风等。

例：

❌ “写个产品文案。”

✅ “写一个活泼的小红书风格文案，推荐一款蓝牙耳机，用emoji和短句，突出‘降噪’和‘颜值高’。”

添加约束条件

排除你不想要的内容，或设定限制。

例：

❌ “推荐几本书。”

✅ “推荐3本适合零基础学习心理学的书，不要教科书，优先推荐畅销书。”

反面案例 vs 优化后案例

模糊指令	清晰具体指令
“写个故事。”	“写一个300字的悬疑微小说，主角是退休侦探，结局有反转，对话占比30%。”
“帮我修代码。”	“下面的Python代码报错‘IndexError’，请指出错误原因并修复，用注释说明修改逻辑。”（附代码）
“画幅风景画。”	“用赛博朋克风格画一幅未来城市夜景，霓虹灯为主色调，包含飞行汽车和全息广告牌。”

2.3 结构化拆分

结构化拆分是处理复杂任务的核心方法，通过将大问题拆解成小步骤，引导AI分阶段输出，避免信息过载或逻辑混乱。

为什么要用结构化拆分？

减少AI“脑补”：复杂任务容易让AI自由发挥，拆分后更可控。
逻辑更清晰：像写论文先列大纲，再填充内容，避免遗漏重点。
方便迭代修改：某一步不满意可单独调整，无需重做全部。

对比案例：

❌ 模糊指令：“写一份新能源汽车行业分析报告。”

✅ 结构化拆分：

第一步：列出新能源汽车行业的3个关键趋势（用bullet points）。
第二步：针对每个趋势，分析1家代表公司的战略（如特斯拉、比亚迪、蔚来）。
第三步：总结未来2年的挑战和机会，字数不超过300字。

结构化拆分的3种常用方法

时间/流程顺序

按步骤拆分，适合教程、操作指南类任务。示例：

“如何用Photoshop抠图？请分步骤说明：

第一步：打开图片后选择什么工具？

第二步：如何精确选取要保留的区域？

第三步：导出透明背景图的正确格式是什么？”

逻辑模块拆分

将任务分解为并列的模块，适合分析、策划类任务。

示例：

“分析星巴克的成功因素，按以下结构输出：

产品策略：爆款单品和标准化流程

用户体验：第三空间理论的应用

营销手段：社交媒体玩法案例”

提问式引导

通过连续提问控制AI输出节奏。

示例：

“我想开一家奶茶店，请按顺序回答：

选址最需要关注的3个数据指标是什么？

新手应该自营还是加盟？各有什么优缺点？

列出5个控制成本的实操建议。”

高阶技巧：嵌套式拆分

对于超复杂任务，可多层拆解（类似思维导图）。

案例：策划一场营销活动

第一层拆分：

活动目标设定
受众分析
渠道选择
预算分配

第二层细化（以“受众分析”为例）：

核心用户画像（年龄/兴趣/痛点）
竞品用户对比
调研方法建议（问卷/访谈）

最终指令：

“分阶段策划一场七夕节珠宝促销活动：

阶段1：目标设定（提升销量还是品牌曝光？）

阶段2：受众分析（列出3类目标客户特征）

阶段3：渠道规划（线上+线下具体执行方案）每个阶段用200字概括，并附1个数据参考建议。”

不同场景的拆分案例

场景	结构化指令示例
论文写作	“1. 先确定5个关键词；2. 根据关键词搜3篇文献；3. 对比文献观点并总结争议点。”
产品设计	“1. 用户痛点列表；2. 功能优先级排序；3. 低保真原型描述。”
旅行计划	“1. 列出必去景点；2. 按地理位置规划每日路线；3. 推荐附近餐厅和交通方式。”
代码调试	“1. 描述报错信息；2. 推测可能原因；3. 给出修改建议。”

常见错误与修正

❌ 错误1：拆分过细

“写文章分10步：第一步写标题，第二步写第一句…”

✅ 修正：

按“大纲-段落-润色”三阶段拆分，每阶段保留灵活空间。

❌ 错误2：缺乏衔接

拆分后各步骤独立，导致整体逻辑断裂。
✅ 修正：
添加过渡要求，如“第二步需引用第一步的结论”。

❌ 错误3：忽略优先级

所有步骤平铺直叙，未突出核心。

✅ 修正：

明确主次，例如“先解决成本问题，再讨论用户体验”。

万能模板

分[X]步完成[任务]：

第一步：[具体动作] → 预期输出要求
第二步：[依赖上一步的动作] → 格式/长度限制
第三步：[最终整合] → 风格/排除事项”**

实战案例：

“分3步生成短视频脚本：

1. **选题**：根据‘打工人解压’主题列出3个创意方向；
2. **脚本**：选择1个方向写分镜（包含台词+画面描述）；
3. **优化**：加入反转结局和2个热门梗#。”

结构化拆分的底层逻辑

匹配AI的“思维链”特点：模仿人类逐步推理过程（Chain-of-Thought）。
降低token负担：避免单次提示过长导致信息丢失。
可复用框架：同类任务只需替换关键词（如分析行业A→行业B）。

一句话总结： 把AI当作“分步骤执行”的助手，而非“一次性给答案”的魔法箱，拆分越合理，结果越精准！

试试用这个方法让AI帮你写方案、做计划，你会发现它的“条理性”瞬间提升几个Level！ 🧩

三、角色设定

3.1 为什么需要角色设定？

避免通用化回答：默认状态下，AI会给出"中庸"答案，角色设定能聚焦专业领域。
调整语言风格：科学家说话严谨，段子手语言幽默，角色能改变表达方式。
增强可信度：AI会模拟该角色的知识储备和视角（尽管本质仍是概率模型）。

对比案例：

❌ 普通提问："如何写一篇作文？"

✅ 角色设定："你是一位有20年经验的语文老师，教初中生如何写好记叙文，重点讲解‘如何用细节描写增强画面感’。"

3.2 角色设定的3个关键维度

（1）身份/职业

明确AI的"人设"，例如：

专业型：医生、律师、程序员、金融分析师
创意型：小说家、编剧、广告文案写手
功能型：翻译官、Excel专家、求职顾问

示例：

"你是一名资深跨境电商运营，用具体案例说明如何通过Facebook广告提升转化率，要求包含数据指标和优化技巧。"

（2）受众/对象

告诉AI面向谁输出，语言和深度会随之调整：

面向小白："用幼儿园小朋友能听懂的话解释光合作用"
面向专业人士："用学术语言分析量子纠缠的实验验证方法"

示例：

"你是一名健身教练，为50岁以上的初学者设计一份安全有效的居家运动计划，避免关节损伤。"

（3）风格/语气

通过角色传递表达风格：

正式严谨：学术报告、法律文件
轻松活泼：社交媒体文案、儿童故事
煽动性：促销广告、竞选演讲

示例：

"你是一个擅长制造悬念的恐怖小说家，用200字描写一个‘看似正常但细思极恐’的日常生活场景。"

3.3 高阶角色设定技巧

（1）复合角色

结合多个身份应对复杂需求：

"你既是资深营养师，又是美食博主，设计一份适合糖尿病患者的‘一周食谱’，要求兼顾健康与口感，并用吸引人的方式描述每道菜。"

（2）虚拟角色

创造不存在的人设增强代入感：

"你是来自22世纪的未来历史学家，用‘回顾历史’的口吻描述2024年人类在AI领域的突破。"

（3）限制性角色

通过角色排除不相关内容：

"你是一名只回答事实的图书馆管理员，不提供主观意见，仅根据现有资料回答：登月第一人是谁？有哪些证据？"

3.4 不同场景下的角色设定案例

场景	角色设定示例
法律咨询	"你是一名专攻劳动法的律师，用通俗语言解释‘公司裁员时员工的合法补偿权益’。"
儿童教育	"你是擅长讲童话故事的幼儿园老师，把‘垃圾分类’编成一个有动物角色的趣味故事。"
商业分析	"你是一位麦肯锡顾问，用SWOT分析法评估新能源汽车行业2025年的发展趋势。"
情感交流	"你是一位人生阅历丰富的智慧长者，用温和的方式开导一个因失业而抑郁的年轻人。"
技术教程	"你是GitHub上受欢迎的Python开发者，用代码片段+注释教小白理解‘递归函数’的概念。"

3.5 常见错误与修正

❌ 错误1：角色模糊

"你是个专家，说说怎么炒股。"

✅ 修正：

"你是一名专注美股价值投资的分析师，列出3个2024年值得长期持有的科技股，并说明财务指标筛选逻辑。"

❌ 错误2：角色与需求冲突

"你是个严肃的科学家，写个搞笑段子。"
✅ 修正：
"你是个擅长‘冷幽默’的物理学教授，用科学术语编一个关于量子的笑话。"

❌ 错误3：缺少风格约束

"你是个设计师，谈谈用户体验。"

✅ 修正：

"你是苹果公司的极简主义UI设计师，用3条原则说明‘如何减少App界面中的视觉噪音’。"

3.6 终极心法：角色设定=身份+专业+风格

身份：你是谁？（律师/教师/程序员…）
专业：你的知识边界？（细分领域/经验年限…）
风格：如何表达？（严谨/幽默/煽动性…）

万能模板：

"你是一名[身份]，擅长[专业领域]，请以[风格]的方式，完成以下任务：[具体需求]。"

案例应用：

"你是一名专注抑郁症治疗的心理咨询师，用温暖但不失专业的口吻，给一位怀疑自己患抑郁症的大学生写一封800字的建议信。"

总结：角色设定是让AI从"通用工具"变成"专业助手"的钥匙。越具体的角色，越精准的输出，试试给你的AI一个"人设"，你会发现它的潜力远超预期！

四、示例引导

示例引导是让AI快速理解你想要的风格、格式或内容的“捷径”——直接给它一个参考样本，比千言万语的描述更有效。

4.1 为什么需要示例引导？

解决风格抽象问题：你说“幽默一点”，AI可能理解成冷笑话或段子，给个例子最直接。
统一格式要求：比如特定排版、列表样式、代码规范等。
减少试错成本：避免AI反复猜错你的意图，节省时间。

对比案例：

❌ 模糊指令：“写一个耳机产品的广告文案。”

✅ 示例引导：

“参考以下文案风格，为XX蓝牙耳机写广告：

【示例】

🔥 耳朵怀孕了！XX降噪耳机，地铁变书房，通勤秒变VIP！

✔️ 40dB深度降噪 | ✔️ 续航30小时 | ✔️ 千元内卷王 #通勤神器 #打工人续命”

4.2 示例引导的3种核心用法

（1）风格模仿

直接给AI一个参照物，让它复制语言风格、语气或结构。 适用场景：广告文案、社交媒体帖子、文学创作等。

示例：

“仿照下面这段话的‘诗意比喻’风格，描述一杯咖啡：

【示例】

‘这瓶红酒像一位穿丝绒长裙的女士，入口是黄昏时分的花园，余味是月光下的独舞。’ 要求：用类似手法写咖啡，不超过50字。”

AI输出参考：

“这杯黑咖啡像一位西装革履的钢琴师，初尝是清晨打字机的清脆，回甘是旧书页翻动的沙沙声。”

（2）格式规范

明确展示你需要的排版、标记或数据格式。 适用场景：表格、代码、报告、列表等。

（3）内容示范

通过例子限定回答范围或深度。

适用场景：技术解答、案例分析、学习笔记等。

示例：

“用以下方式解释‘区块链’概念：

【示例】

‘什么是云计算？’ → ‘就像不用自己买发电机，直接按需用电厂的电，云计算是租用远程服务器的算力。’ 现在用同样类比解释区块链。”

AI输出参考：

“‘区块链’就像一群互相监督的会计，每个人手里都有一本相同的账本，改一笔账必须所有人同意。”

4.3 高阶技巧

多示例对比

提供正反案例，让AI理解边界。

示例：

“我需要严肃的学术摘要，参考：

✅ 合格示例：‘本研究通过双盲实验验证了X药物对抑郁症的疗效（p<0.05）。’

❌ 不合格示例：‘这款药超级好用！患者都说棒！’ 现在为以下论文写摘要：[论文内容]。”

部分示例+填空

给出半成品，让AI补充剩余部分。

示例：

“完成这个小红书文案，保持风格一致：

【开头示例】

‘谁懂啊家人们！这瓶洗发水让我秃头党逆袭了！

✅ 3天不洗依然蓬松 | ✅ 发际线长出小绒毛

现在补充：1个使用场景 + 1个痛点对比 + 结尾带话题标签。”

隐性引导

用示例暗示而非明说要求。

示例：

“以下是优秀的产品卖点描述：

‘续航30小时，充电10分钟，比同类产品轻20%’

请用同样方式描述这款智能手表。”

4.4 不同场景的应用案例

场景	示例引导指令
广告文案	“参考杜蕾斯微博的‘谐音梗’风格，为防晒霜写一条七夕节文案。”
代码编写	“按下面Python函数的注释规范，写一个计算BMI的代码：
【示例】
`def add(a, b):

'''输入两个数字，返回它们的和'''`”

| 论文润色 | “将这段话改写成示例中的学术风格：

【原文】 ‘我们发现这东西挺有用的。’

【示例】 ‘实验结果表明，该材料显著提升了催化效率（P<0.01）。’”

| 客服回复 | “仿照以下礼貌话术回复客户投诉：

【示例】 ‘非常抱歉给您带来不便，我们将优先处理您的问题，并在24小时内反馈。’”

4.5 常见错误与修正

❌ 错误1：示例不典型

给的例子和需求无关（如用科技文案示例要求写诗歌）。
✅ **修正**：选择与目标高度相似的示例。

❌ 错误2：示例过多

一次性给5个不同风格的例子，导致AI混淆。

✅ 修正：精选1-2个最具代表性的示例。

❌ 错误3：忽略细节差异

示例与需求存在关键差异（如中英文混用）。

✅ 修正：明确说明“仅模仿结构，内容需重新生成”。

4.6 万能模板

“参考以下[示例]的[风格/格式/内容]，完成[任务]：

【示例】：[具体案例]

要求：重点模仿[XX元素]，避免[XX问题]。”

实战案例：

“按照下面邮件模板的正式商务风格，写一封跟进合作意向的邮件：

【示例】

‘尊敬的X经理：

感谢您在[日期]的深入交流，我们对[合作方向]高度认同…

期待于[时间]进一步探讨细节。

此致

[姓名]’

现在撰写：客户为XX公司，合作方向为AI技术落地。”

4.7 为什么示例引导比抽象描述更有效？

AI是模式匹配专家：示例提供了明确的数据模式供它学习。
避免术语歧义：你说“简洁”可能指100字或10字，例子能锚定标准。
跨语言/领域适用：即使不懂专业术语，AI也能通过示例“照猫画虎”。

一句话总结： 给AI一个例子，胜过100句解释——这是让AI秒变“懂你”助手的最快方法！ 🎯

下次不妨先准备好参考案例，你会惊讶于AI的“模仿天赋”！

五、链式思考

链式思考（Chain-of-Thought, CoT）是让AI展示完整推理过程的技术，尤其适合解决复杂问题、数学计算或需要逻辑分析的场景。它的核心是：不只要答案，还要“解题步骤”。

5.1 为什么需要链式思考？

避免“跳步错误”：AI直接给答案时可能漏掉关键逻辑。
提升可信度：能看到AI如何得出结论，而非“黑箱”输出。
教育价值：适合教学场景，帮助用户理解过程（如数学题、代码调试）。

对比案例： ❌ 普通提问：“如果3个人5天能修一条路，6个人几天修完？” ✅ 链式思考提问：“请分步骤解答：如果3个人5天能修一条路，6个人需要几天？要求展示计算过程。”

AI输出示例：

总工作量 = 人数 × 天数 = 3人 × 5天 = 15人天
人数变为6人后，天数 = 总工作量 ÷ 人数 = 15 ÷ 6 = 2.5天
最终答案：2.5天

5.2 链式思考的4种核心用法

（1）数学/计算题

强制AI分步计算，避免心算错误。示例：

“计算复利：本金1万元，年利率5%，存3年，请分步展示每年本金+利息的变化。”

（2）逻辑推理

让AI像侦探一样拆解线索。示例：

“分析以下案情：

A说：‘B在说谎。’

B说：‘C在说谎。’

C说：‘A和B都在说谎。’ 请分步骤判断谁在说真话。”

（3）决策分析

展示权衡利弊的过程。示例：

“公司要选新办公室，候选地点：

A：月租低但通勤远

B：月租高但靠近客户请分步骤分析，给出推荐理由。”

（4）创意生成

拆解灵感来源（适合写作、设计）。示例：

“设计一个科幻角色：

1. 第一步：确定核心特质（如‘生化改造人’）
2. 第二步：设计背景故事（如‘因战争失去四肢’）
3. 第三步：添加矛盾点（如‘厌恶改造却依赖科技’）”

5.3 高阶技巧

（1）追问中间步骤

如果AI跳步，手动要求补充：

“你在第二步直接得出了结论，请解释‘15人天÷6人=2.5天’的逻辑依据。”

（2）对比不同推理路径

让AI尝试多种解法：

“用两种方法证明勾股定理：代数法和几何法。”

（3）错误检查

故意加入错误，让AI验证：

“有人说这道题的答案是3天，请检查他的计算过程哪里出错。”

5.4 不同场景的应用案例

场景	链式思考指令示例
数学题	“解方程2x+5=15，分步骤展示移项和除法过程。”
商业分析	“分析奶茶店利润：1. 计算单杯成本 2. 估算日销量 3. 扣除租金人工 4. 得出月净利。”
法律咨询	“判断是否构成侵权：1. 法律条文引用 2. 事实匹配 3. 例外情况考量。”
写作构思	“创作悬疑小说：1. 设定凶手动机 2. 布置3个误导线索 3. 设计反转证据。”

5.5 常见错误与修正

❌ 错误1：问题太简单

“1+1=？请分步骤计算。”（过度拆分）

✅ 修正：链式思考适合复杂问题，简单问题直接提问。

❌ 错误2：步骤模糊

“请分析经济趋势。”（未指定具体步骤）

✅ 修正：明确步骤，如“1. GDP数据对比 2. 行业增长排名 3. 政策影响分析”。

❌ 错误3：忽略验证

AI给出错误推理后未要求检查。

✅ 修正：追加指令“请重新验证第三步的计算是否正确”。

5.6 万能模板

**“请分[X]步解决[问题]：

第一步：[具体动作] → 预期输出
第二步：[依赖上一步的动作] → 关键逻辑
... 最后：总结答案并验证。”**

实战案例：

“分4步预测明天是否会下雨：

查看今日天气预报数据

分析近期气压变化趋势

对比历史同期天气

综合给出概率结论。”

5.7 为什么链式思考有效？

模仿人类思维：AI会模拟“逐步推理”的行为模式。
减少幻觉：分步约束降低AI胡编乱造的概率。
可解释性：方便用户定位错误步骤（如数学题第二步算错）。

一句话总结： 让AI从“直接给答案”变成“展示解题过程”，像老师批作业一样清晰可控！

下次遇到复杂问题，试试对AI说：“请一步一步解释你的思考过程。” 🔍

六、负面提示

提示词设计原则之「负面提示」：告诉AI“不要什么”，精准避雷

负面提示（Negative Prompting）是明确限制AI输出范围的技术，通过声明“排除项”来过滤无关、低质或敏感内容，尤其适合生成式AI（如ChatGPT、MidJourney）。

6.1 为什么需要负面提示？

避免跑题：防止AI自由发挥时偏离核心需求。
排除敏感内容：过滤暴力、政治、歧视等不适宜内容。
提升质量：剔除低信息密度回答（如废话、笼统描述）。

对比案例：

❌ 普通提问：“写一篇关于人工智能的文章。”

✅ 负面提示优化：

“写一篇关于人工智能在医疗领域应用的文章，不要涉及军事用途，不要理论科普，不要超过800字。”

6.2 负面提示的4大核心用法

（1）内容排除

直接声明不需要的主题或元素。示例：

文案生成：“写手机广告文案，不要提到竞争对手品牌。”
图像生成：“赛博朋克风格城市，不要出现人物。”

（2）风格限制

禁止特定表达方式。示例：

“用学术语言解释量子计算，不要用比喻或拟人手法。”
“生成严肃的财报分析，不要口语化表达。”

（3）格式约束

排除不符合结构的输出。示例：

“列出5条时间管理技巧，不要编号，用顿号分隔。”
“生成Python代码，不要写注释。”

（4）伦理/合规控制

过滤敏感或违规内容。示例：

“讨论社交媒体影响，不要涉及种族、性别争议。”
“设计游戏角色，不要包含血腥或暴露服装。”

6.3 高阶技巧

（1）优先级排序

用“避免>尽量不要>可接受”分级限制：

“主要避免政治话题，尽量不要用长段落，可接受少量专业术语。”

（2）反向强化

结合正面提示增强效果：

“需要：专业、数据支撑、结论清晰 | 不要：主观猜测、模糊描述。”

（3）嵌套排除

在复杂任务中分层限制：

“分析新能源汽车趋势：

第一部分：市场增长（不要细分到月度数据）

第二部分：技术瓶颈（不要讨论电池原材料采购）”

6.4 不同场景的应用案例

场景	负面提示指令示例
文案创作	“写小红书风格美妆文案，不要用‘天花板’‘YYDS’等过时网络用语。”
学术写作	“摘要中不要引用文献，不要出现‘本研究’‘我们’等第一人称。”
图像生成	“中国山水画风格，不要现代建筑，不要鲜艳色彩。”
代码生成	“用Python爬取网页标题，不要用Selenium，不要写异常处理代码。”
客服回复	“回复客户投诉，不要道歉模板，不要推卸责任语句。”

6.5 常见错误与修正

❌ 错误1：负面提示矛盾

“写一首浪漫的诗，不要用形容词。”（浪漫依赖形容词）

✅ 修正：改为“不要用陈词滥调的形容词（如‘美丽’‘温柔’）。”

❌ 错误2：排除项过多

“不要用术语、长句、比喻、举例、专业数据…”（限制过死）

✅ 修正：聚焦核心排除项，如“不要用非业内公认的术语。”

❌ 错误3：模糊表述

“不要写不好的内容。”（AI无法理解“不好”的定义）

✅ 修正：具体化，如“不要涉及暴力或歧视言论。”

6.6 万能模板

“生成[内容]，要求：[正面描述]，但不要[具体排除项]。”

实战案例：

“生成一份职场沟通技巧PPT大纲，要求：分点清晰、实用性强，但不要鸡汤语录，不要理论定义，不要超过6页。”

6.7 负面提示的底层逻辑

概率排除：AI会降低“被排除内容”的生成权重。
补充性技术：需与正面提示结合使用（先说“要什么”，再说“不要什么”）。
局限性：无法100%避免违规内容，需人工复核。

一句话总结： 负面提示是AI的“避雷针”——提前声明禁区，让输出更精准、安全、高效！

下次给AI提需求时，试试加上“但不要…”，你会发现结果瞬间变清爽！ 🚫

七、参数调整

提示词设计原则之「参数调整」：像调音师一样微调AI输出

参数调整是直接控制AI模型底层行为的“隐藏开关”，通过修改技术参数（如温度值、输出长度等），可以精准调节结果的随机性、创造力和精细度。

7.1 为什么需要参数调整？

控制脑洞大小：让AI从“保守严谨”到“天马行空”自由切换。
节省资源：限制生成长度，避免废话连篇。
适配场景：数学计算需要低随机性，文学创作需要高自由度。

对比案例：

❌ 默认参数：直接提问“写一首关于春天的诗”，AI可能输出平庸内容。

✅ 参数调整：

温度值=0.3 → 生成保守工整的押韵诗
温度值=0.8 → 生成充满比喻的先锋派诗歌

7.2 核心参数及作用

（1）Temperature（温度值）

作用：控制输出的随机性，值越高越不可预测。
推荐范围：
- 0.1~0.3：严谨答案（数学、法律、事实查询）
- 0.4~0.7：平衡模式（大多数场景）
- 0.8~1.2：创意爆发（诗歌、故事、脑洞）

示例指令（需平台支持参数修改）：

“生成10个科幻小说标题，temperature=0.9”

（2）Max Tokens（最大长度）

作用：限制回答的token数量（1token≈1个英文单词或2个中文字）。
使用场景：
- 短回答：max_tokens=50（适合摘要、口号）
- 长文：max_tokens=500（适合报告、故事）

示例：

“用100字以内总结这篇文章，max_tokens=100”

（3）Top_p（核采样）

作用：从概率最高的候选词中筛选，值越小结果越保守。
常用值：
- 0.7~0.9：平衡选择（默认推荐）
- 0.1~0.5：极度保守

适用场景：

“生成医疗诊断建议时，top_p=0.5以确保安全性”

（4）Frequency Penalty（重复惩罚）

作用：避免AI车轱辘话来回说（值越高越抑制重复）。
推荐值：0.1~0.5（超过1.0可能导致语句破碎）

示例：

“写产品描述，frequency_penalty=0.3”

7.3 不同场景的参数组合策略

场景	推荐参数	指令示例
数学计算	`temperature=0.1, max_tokens=100`	“解方程3x+5=20，分步骤计算，temperature=0.1”
广告文案	`temperature=0.7, frequency_penalty=0.2`	“生成10条吸睛的咖啡广告语，temperature=0.7”
学术论文	`top_p=0.5, max_tokens=300`	“用学术风格写一段量子力学概述，top_p=0.5”
奇幻小说	`temperature=1.0, max_tokens=500`	“写一个开头：吸血鬼与AI相爱的故事，temperature=1.0”