许多人用 ChatGPT 的方式非常简单粗暴：抛一个问题，等答案。结果往往不尽人意——回答泛泛而谈、方向偏离预期、输出格式混乱。问题不在 AI，而在你提问的方式。提示词工程（Prompt Engineering）就是教你如何用正确的语言结构，引导模型输出你想要的结果。

提示词的五大要素

一条高质量提示词通常包含以下五个部分。并非每次都需要全部用上，但缺得越多，结果方差越大。

要素 作用 举例
角色（Role） 设定 AI 的身份视角，决定回答的语气和专业度 "你是一位资深 Python 后端工程师"
任务（Task） 明确你要 AI 做什么，越具体越好 "请审查以下代码，找出潜在的内存泄漏"
格式（Format） 规定输出的结构，避免无组织的自由文本 "用表格形式输出，包含：函数名、风险等级、修复建议"
约束（Constraints） 设置边界条件，过滤不需要的内容 "不超过 200 字，不要用专业术语"
示例（Examples） 给出 1-3 个参考，让 AI 理解期望的质量标准 "参考这个例子改写：<原文>→<改后>"

坏提示词 vs 好提示词：真实对比

来看一个业务场景：团队需要为新的用户系统编写 API 文档。

坏提示词：

帮我写一段 API 文档。

ChatGPT 通常会输出一段泛泛的、只有一两个端点的 Markdown 文档，格式随模型心情而定，关键信息（认证方式、错误码、限流策略）统统缺失。

好提示词：

你是一位资深 API 技术写手。请为以下用户系统的 API 编写文档。

要求：
1. 格式采用 OpenAPI 3.0 规范（YAML）
2. 至少包含：登录、注册、获取用户信息、更新资料 4 个端点
3. 每个端点需标注：请求方法、URL、请求体参数、响应结构、错误码
4. 认证方式使用 Bearer Token，请在 Security 部分定义
5. 每条错误响应附带一个真实的错误示例

API 接口列表：
- POST /api/v1/auth/login
- POST /api/v1/auth/register
- GET  /api/v1/users/me
- PATCH /api/v1/users/profile

好提示词的输出不需要二次返工，直接可用或者只需要微调细节。

思维链（Chain-of-Thought）

思维链是目前最有效的提示词技巧之一。核心思想是引导模型在给出最终答案之前，先展示推理过程。这特别适用于逻辑推理、数学计算、数据分析等场景。

不使用思维链：

Q: 小明有 3 个苹果，小红有 5 个，他们一共有几个？
A: 8 个。

使用思维链：

Q: 小明有 3 个苹果，小红有 5 个，他们一共有几个？
A: 小明有 3 个苹果，小红有 5 个苹果。3 + 5 = 8。所以他们一共有 8 个苹果。

Q: 一个长方形的长是 8 米，宽是 4 米，求它的周长。
A:

当模型在回答第二个问题时，它会自动沿用思维链的模式，先写出公式再计算结果。实际使用中，你可以在提示词里直接加一句"请一步一步推理"，效果立竿见影。

常见的五个错误

  1. 提示词过于简短。一个 10 个字的提示词得到的必然是一个 20 字的敷衍回答。模型不是读心术，你不说清楚，它就猜，一猜就错。
  2. 没有指定输出格式。这是最常见的痛点。AI 输出的 Markdown 格式虽然对开发者友好，但如果你要的是 JSON、YAML、CSV 或纯文本表格，你必须明确说出来。
  3. 过度依赖单轮对话。高手会把复杂任务拆成多轮。第一轮让 AI 出提纲，第二轮填充内容，第三轮润色语言。三步走远比一步到位更可控。
  4. 忽略否定指令。"不要使用专业术语"比"用通俗语言"更清晰。对于容易混淆的边界，明确的否定词比模糊的正面引导更可靠。
  5. 不迭代。极少有人第一次就能写出完美提示词。把 AI 的输出不满意当做反馈信号，迭代优化你的提示词，而不是抱怨 AI 不好用。

写在最后

提示词工程不是玄学，而是一套可复用的沟通方法论。它的本质是降低模型的猜测空间，让你的意图以最精确的方式传递过去。掌握这五大要素和思维链技巧，你的 ChatGPT 使用效率至少提升 3 倍。后续的文章中，我们还会深入讨论角色扮演、少样本学习、提示词模板管理等进阶话题。