很多人对提示词工程的第一印象是”玄学”:同一句话,今天跑出来结构漂亮,明天跑出来一堆废话;加一句”请务必认真”好像有效,又好像只是心理安慰。
但如果你把提示词当成接口协议而不是”咒语”,它立刻就变成一门可工程化的手艺。玄学感来自一个事实:大多数人写的是一段自然语言愿望,而不是一份可执行的规格说明。
这篇文章拆 8 个我反复用、并且在生产里能稳定复现的模式。它们不是”万能提示词模板”,而是可以组合的积木。每个模式我都会说清楚:它解决哪类不稳定、什么时候不该用、以及怎么判断它真的生效了。

一、先定位”不稳定”的来源,再谈模式
在动手改提示词之前,先搞清楚输出为什么飘。经验上,不稳定基本来自这四类,而且对应的修法完全不同:
| 不稳定类型 | 典型表现 | 真实原因 | 对应模式 |
|---|---|---|---|
| 规格缺失 | 有时写三段、有时写一段;有时带表格有时不带 | 你没定义”完成”长什么样 | 模式 1、2 |
| 判断漂移 | 同样的输入,分类边界忽左忽右 | 没有锚点,模型只能猜你的口味 | 模式 3 |
| 长任务塌缩 | 开头认真,越写越水,结尾跑题 | 一次性要求太多,注意力被摊薄 | 模式 4、8 |
| 自我背书 | 错了也很自信,检查环节形同虚设 | 让同一个上下文自己审自己 | 模式 5、6 |
一个残酷的事实:大部分”提示词调不好”的问题,其实是任务本身没想清楚。 如果你自己都说不清什么算合格输出,任何措辞都救不了。所以下面的模式,本质上都是”把隐性标准显性化”的不同手段。
二、模式 1:四段式骨架(角色 / 任务 / 约束 / 格式)
最基础也最容易被写歪的一个。多数人写提示词只写了”任务”,漏掉了另外三段。
四段的职责划分:
- 角色——限定知识视角和语气,不是用来”赋予人格”的。写”你是资深后端工程师”有用,写”你是世界顶级天才”没用。
- 任务——一个动词开头,明确交付物是什么。不要写”帮我看看这段代码”,要写”找出这段代码里可能导致并发写入冲突的位置,并给出修复后的版本”。
- 约束——长度、语气、必须包含/必须不包含的内容、不确定时怎么办。约束是稳定性的主要来源,也是最常被省略的部分。
- 格式——输出的骨架。用 Markdown 标题层级、用 JSON、用表格,甚至规定字段顺序。
一个可以直接抄的骨架:
【角色】你是负责代码评审的后端工程师,只关注正确性与可维护性,不做风格挑刺。
【任务】评审下面的 diff,找出会导致数据不一致的改动。
【约束】
- 只报有实际风险的项,不报"建议加注释"这类偏好问题
- 每条必须给出:位置、风险、触发条件、修复方向
- 没有发现风险时,明确输出"未发现数据一致性风险",不要编造
【格式】
按严重程度从高到低排列,每条用三级标题,正文不超过 80 字。
什么时候不该用:极短的、一次性的任务(比如”把这段翻译成英文”)。四段式会增加 token 成本和阅读负担,收益不明显。
判断是否生效:连续跑 5 次同样的输入,看输出结构是否一致。如果结构都不稳,说明格式段写得还不够硬。
三、模式 2:输入输出契约(Schema 先行)
如果这段输出要被程序消费,那它就不是”文案”,是数据。这时候正确的做法不是”请输出 JSON”,而是先把 schema 定下来。
{
"summary": "一句话结论,不超过 40 字",
"risk_level": "high | medium | low",
"evidence": ["原文片段1", "原文片段2"],
"needs_human_review": true
}
然后在提示词里做三件事:
- 给出字段语义,尤其是有歧义的枚举值(
medium到底指什么); - 给出空值约定(没有证据时
evidence是[]还是null,必须二选一,否则解析必炸); - 给出一个完整的样例对象,让模型看到”合法输出长什么样”。
为什么这一步比措辞重要:一旦 schema 固定,”格式飘”这一类问题就消失了。剩下的只有”内容对不对”,而这是可以单独评测的。把两类问题分开,是工程化的第一步。
坑:不要在一份 schema 里塞十几个字段。字段越多,模型越容易在某个字段上编造。经验做法是主 schema 不超过 6 个字段,其余信息放到第二个调用里补。
四、模式 3:边界样例锚定(Few-shot 的正确用法)
Few-shot 不是”多给几个例子就更好”。样例的质量取决于它是否落在判断边界上。
假设你要让模型判断用户反馈的紧急程度。给三个”一看就很急”的例子毫无价值——模型本来就会。真正有价值的是这种:
输入:你们这个功能能不能加个夜间模式?
输出:{"level":"low","reason":"功能建议,无时间压力"}
输入:导出按钮点了没反应,我这周的报表交不上去
输出:{"level":"high","reason":"阻断核心工作流且有明确时间压力"}
输入:昨天还能用,今天登录一直转圈,我们团队十几个人都进不去
输出:{"level":"high","reason":"影响面扩大到团队,且为功能不可用"}
第二、三条之所以有用,是因为它们定义了”高”的门槛:不是”用户很生气”,而是”阻断工作流”或”影响面扩大”。这类样例叫判别锚点。
选样三条原则:
- 贴边界:选那些你自己都要想一下的案例,而不是显而易见的;
- 成对出现:一个”看起来严重但其实不严重”的例子,往往比三个”明显严重”的例子更有信息量;
- 数量克制:3–6 条通常够用。超过 10 条,边际收益下降,而且容易让模型过度模仿样例的表面措辞。
什么时候不该用:当你的判断标准还没稳定下来(比如业务方自己都在改口径),此时固化样例等于固化错误。先跑一段人工标注,再提炼样例。
五、模式 4:先提纲后正文(两段式生成)
长文、长报告、长方案最容易出现”开头惊艳、中段注水、结尾跑题”。根因不是模型能力不够,而是一次生成时没有全局结构,模型只能边写边决定下一步写什么。
解法是把一次生成拆成两次调用:
第一段:只要骨架。
要求输出 5–8 个二级标题,每个标题配一句”这一节要回答什么问题”。此时不写正文,只审结构。
第二段:逐节展开。
把审过的骨架 + 当前节的写作要求作为输入,一次只写一节。
这样做有三个直接好处:
- 结构可以人工干预。骨架不对,改骨架比改三千字便宜得多。
- 每节的上下文更聚焦。模型不用同时记住”整篇文章要写什么”和”这一句怎么措辞”。
- 失败可局部重试。哪一节写得差就重跑哪一节,不用整篇重来。
代价:调用次数变多,整体延迟上升。所以这个模式适合”产出要给人看且返工成本高”的场景(方案、报告、长文),不适合”跑个摘要”。
一个实用变体:如果不想拆成多次调用,可以在单次提示词里强制两阶段输出——先输出 <outline> 块,再输出 <body> 块。效果弱一些,但能省一次往返。
六、模式 5:独立校验通道(别让模型自己审自己)
“写完之后请检查一遍”这句话,在同一个上下文里基本无效。原因很简单:模型检查时看到的是自己刚写的内容,它倾向于认为那是对的。 这不是态度问题,是上下文决定的。
有效的做法是换一个干净的上下文做校验:
- **输入只给”待校验内容 + 校验标准”**,不给原始提示词,也不给”这是你刚写的”这类提示;
- 校验标准要可判定,比如”每个结论是否都能在前文找到依据””是否存在未定义的缩写””数字是否都有来源”;
- 要求输出问题清单而不是改写稿。让它只挑错,不要顺手重写——否则它会用”改写”掩盖”没找到问题”。
一个可用的校验提示词:
下面是一段待发布的技术说明。请只做核查,不要改写。
核查项:
1. 是否存在没有依据的绝对化表述(如"一定""所有""必然")
2. 是否存在前后矛盾的结论
3. 是否存在未解释的专有名词
输出格式:按核查项分组,每条给出原文片段与问题描述。没有问题的核查项写"通过"。
进阶做法:用两个不同模型交叉校验。同源模型的自审盲区高度相关,换一个模型能明显提高发现率。成本上通常也划得来,因为校验调用比生成调用短得多。
七、模式 6:显式拒答与不确定性声明
这是最被低估、但对”可信度”影响最大的一个模式。
默认情况下,模型面对信息缺口会倾向于补全——因为它的训练目标就是”生成合理延续”。所以在检索类、事实类、数据类任务里,你必须显式给它一条退路:
如果材料中没有足够信息支撑结论,输出:
{"answer": null, "missing": "具体缺少什么信息"}
不要用常识推测代替材料内容。
关键设计点:
- **给出结构化的”拒答出口”**,而不是只说”不知道就说不知道”。有明确出口,模型才会走;
- **区分”没有”和”不确定”**。前者是材料里确实没有,后者是材料里有但表述模糊。这两类在业务上处理方式完全不同;
- 允许部分回答。要求”能答的部分照答,缺的部分单独标注”,比”全有或全无”实用得多。
注意:这个模式会让”看起来的准确率”下降——因为原本被蒙对的题现在会老实说不知道。这是好事。上线前一定要和业务方对齐这个预期,否则你会被问”为什么改完之后答不出来的变多了”。
八、模式 7:模板变量化 + 版本管理
做到这一步,提示词就从”文本”变成了”代码资产”。核心动作有三个:
第一,变量抽离。 把会变的部分(用户输入、检索片段、当前日期、业务规则)变成占位符,固定部分保持稳定。这样你改的永远是模板,而不是每次复制粘贴。
第二,建立最小评测集。 20–50 条真实输入,覆盖典型场景和已知的坑。每次改模板都跑一遍,记录通过率。没有评测集,所有”我觉得好多了”都是错觉。
第三,版本化。 模板文件进 git,commit message 写清楚”改了什么、为什么改、评测通过率变化”。生产事故排查时,这一条能救命。
一个容易被忽略的细节:模板里不要混入时间敏感内容。如果模板写了”当前是 2026 年”,半年后它就成了错误信息源。日期一律走变量注入。
九、模式 8:分类路由 + 专家提示词
当一个提示词里开始出现”如果用户问的是 A 就走流程一,如果是 B 就走流程二”,说明它该拆了。
拆法:一个轻量的分类调用 + 若干专用提示词。
第一步(路由):判断输入属于哪一类,输出类别标签,不解释。
第二步(执行):按标签加载对应的专家提示词。
好处很直接:
- 每个专家提示词只需要管好自己那一类,约束可以写得更细;
- 路由可以单独评测。分类错了是路由问题,分类对了但答错是专家问题,责任清晰;
- 可以按类别配不同模型。简单的分类用小模型,复杂的生成用大模型,成本结构更合理。
什么时候不该拆:类别少于 3 个,或者类别之间边界模糊(比如”咨询”和”投诉”经常混在一起)。这种情况下路由本身会成为新的不稳定源,不如在一个提示词里用条件分支解决。
十、八个模式怎么组合
它们不是并列关系,而是分层的。下面这张表是我实际项目里的组合方式:
| 层次 | 目标 | 使用模式 | 缺了会怎样 |
|---|---|---|---|
| 定义层 | 说清要什么 | 模式 1 四段式、模式 2 契约 | 输出结构飘,无法自动解析 |
| 校准层 | 对齐判断标准 | 模式 3 边界样例 | 分类边界漂移,人工返工多 |
| 执行层 | 控制长任务质量 | 模式 4 两段式、模式 8 路由 | 长文塌缩,复杂任务互相干扰 |
| 保障层 | 降低错误外溢 | 模式 5 独立校验、模式 6 拒答 | 错误很自信地流到用户面前 |
| 运维层 | 让改动可衡量 | 模式 7 模板化 + 评测集 | 每次调整都靠感觉,无法回滚 |
一个最小可用组合是 1 + 2 + 6 + 7:定义清楚、格式固定、允许拒答、有评测集。这四件做到,稳定性通常已经能覆盖大部分业务场景。3、4、5、8 是在此基础上的增益,按任务复杂度逐步加。
十一、怎么证明”改了之后更稳”
这是最容易被跳过、也最能区分”玩提示词”和”做工程”的一步。
三个可操作的指标:
- 结构一致率:同一输入跑 5 次,输出结构(字段、层级、段落数)完全一致的比例。这个指标对温度参数很敏感,先把温度调低再测,否则测的是随机性不是模板质量。
- 边界命中率:拿 20 条”贴边界”的输入跑,看判断是否落在你认可的区间。这个指标反映的是模式 3 的质量。
- 拒答正确率:故意给 10 条材料里没有答案的问题,看它是否老实说没有。同时给 10 条有答案的,看它是否过度拒答。两个方向都要测,只测一边会诱导模型走极端。
评测集怎么建:不要自己编。从真实日志里抽样,尤其要包含那些”当时答错了”的案例。这类案例的价值远高于随机样本,因为它们是真实分布的尾部。
十二、反模式清单
以下这些写法,我见过太多次,基本都属于”看起来很努力但没效果”:
- 堆形容词:”请非常仔细、极其认真地分析”——没有可执行含义,只增加 token。
- 威胁式措辞:”如果答错会有严重后果”——对输出质量没有稳定影响,反而可能诱发过度保守。
- 万能模板:一份提示词试图覆盖写作、分析、翻译、编程——每类都做不好。
- 样例堆砌:给十几个例子但不标注”为什么这个例子是这样判的”,模型只能学到表面句式。
- 自审代替校验:在同一个上下文里让模型”再检查一遍”,效果接近于零。
- 无评测迭代:改完感觉好了就上线,两周后没人说得清哪次改动引入了回归。
- 把提示词当机密:模板不进版本库、不写注释,接手的人只能靠猜。
十三、上线前检查清单
可以直接拿去当 review checklist:
- 任务是否用一个动词说清了交付物?
- 输出格式是否有明确骨架,且能被程序解析?
- 枚举值、空值、边界情况的约定是否写死?
- 是否给了 3–6 条贴边界的样例,而不是显而易见的样例?
- 长任务是否拆成了骨架 + 逐节展开?
- 是否有独立上下文的校验环节,且校验只挑错不改写?
- 信息不足时是否有结构化的拒答出口?
- 模板变量是否抽离,日期等易变信息是否走注入?
- 是否有 20 条以上的评测集,且包含历史错误案例?
- 模板是否进了版本库,改动是否有记录?
结语
提示词工程真正难的部分,从来不是”想出一句更聪明的话”,而是把模糊的期望翻译成可判定的规格。上面 8 个模式,本质上都在做同一件事:把”我希望它好一点”变成”什么算好、怎么验证好、不好时怎么办”。
一旦你这么做了,提示词就不再是玄学,而是一份可以被 review、被测试、被回滚的工程资产。
如果你正在把某个内部流程搬上模型,却卡在”输出不稳定、不敢上线”这一步,欢迎 联系我们 聊聊具体场景。