“咒语式 prompt”是一种被过度神化的东西。真正能长期复用、跨模型通用的方法只有一个：把提示写清楚。这篇给出 3 个万能结构、6 类场景模板，以及最常见的 5 个错误。可以直接抄。
结论先行
- 别背”魔法词”，那是低效的经验主义。
- 结构清晰的提示 = 说清楚角色、任务、输出格式、约束这四件事。
- 三个万能结构覆盖 90% 的日常场景：角色 + 任务 + 约束、示例 + 要求、分步拆解。
一、为什么”咒语”不靠谱
网络上流传的”咒语”有几个共同问题：
- 不可迁移：在某个模型上有效的写法，换一个模型可能完全失效，模型一更新也可能失效。
- 无法解释：你不知道为什么它有效，也就无法在效果不好时调整。
- 消耗注意力：记住几十条咒语的成本，远高于记住一个清晰的表达框架。
- 掩盖了真正的问题：大多数”AI 输出不好”的情况，根本原因是你没把需求说清楚，而不是缺了某个魔法词。
把提示当成”写给一个刚入职、能力很强但完全不了解背景的同事的任务说明”，几乎所有问题都会自然解决。
二、三个万能结构
结构一：角色 + 任务 + 约束（通用）
最基础也最常用。适合绝大多数”帮我做一件事”的场景。
你是一名【角色】。 请帮我完成【具体任务】。 要求： - 【约束一，比如字数、语气、面向人群】 - 【约束二，比如不要出现的内容】 - 【输出格式，比如分点列出 / 表格 / 直接给代码】
关键在于约束要具体到可执行。”写得专业一点”是无效约束；”不要使用’赋能”闭环”抓手’这类词”才是有效约束。
结构二：示例 + 要求（少样本）
当你想要的输出风格很难描述时，给例子比讲道理有效得多。
下面是一个示例： 输入：【示例输入】 输出：【示例输出】 请按照同样的风格，处理： 输入：【你的实际输入】
经验做法：给 2 到 3 个示例效果最好。一个太少，模型抓不住规律；太多则浪费上下文，收益递减。
结构三：分步拆解（复杂任务）
任务越复杂，越应该让模型先想清楚再动手。
我要完成【目标】。 请按以下步骤进行： 1. 先复述你对我需求的理解，并列出你不确定的地方； 2. 给出整体方案，说明每一步做什么； 3. 等我确认后再逐步执行。 如果过程中发现我的需求有矛盾，先指出来，不要直接猜。
这一步的价值在于把返工提前。让模型先暴露它的理解，你一眼就能看出方向对不对，比等它写完整篇再推翻重来省时间得多。
三、6 类场景模板
1. 写作
写一篇【类型】文章，主题是【主题】，面向【读者】。 结构要求：【开头怎么切入 + 中间分几个部分 + 结尾怎么收】 字数：【范围】 风格：【口语 / 书面 / 专业】；不要使用【禁用词】。 事实性内容如果不确定，请明确标注"需核实"。
2. 代码
用【语言/框架】实现【功能】。 环境：【版本、运行环境】 要求： - 给出完整可运行的代码，不要省略中间部分； - 处理空数据、网络失败等异常情况； - 关键逻辑加注释说明为什么这样写； - 最后列出这段代码的局限和可能的改进方向。
3. 翻译
把下面的内容从【源语言】翻译成【目标语言】。 场景：【正式文件 / 日常对话 / 技术文档】 风格：【直译 / 意译 / 本地化】 保留【术语表 / 人名 / 代码】不翻译。 如果原文有歧义，请给出两种译法并说明区别。
4. 总结提炼
阅读下面的内容，输出： 1. 三条核心结论（每条不超过 30 字）； 2. 支撑结论的关键数据或事实； 3. 作者没有明说但可以推断出的观点； 4. 文中存在的不确定或存疑之处。 不要在总结中加入原文没有的信息。
5. 数据分析
这是一份【数据说明】。 请： 1. 先描述数据的基本情况（维度、量级、有无缺失）； 2. 指出最值得注意的三个现象； 3. 对每个现象给出可能的原因假设； 4. 说明还需要哪些数据才能验证这些假设。 不要编造数据中没有的数字。
6. 头脑风暴
围绕【主题】，给我 10 个【方向】。 要求： - 至少 3 个是"大多数人不会想到"的角度； - 每个用一句话说明，再说一条最主要的落地难点； - 不要给明显凑数的选项。
四、最常见的 5 个错误
- 一次提太多无关需求。模型注意力会被分散，结果每件事都做得平庸。拆成多轮更好。
- 只说”要什么”不说”不要什么”。负面约束（禁用词、禁用格式）往往比正面要求更有效。
- 不给输出格式。不说清楚要分点、要表格还是要段落，就只能碰运气。
- 上下文缺失。”帮我改一下这段”——改成什么样？给谁看？没有背景，再强的模型也只能瞎猜。
- 不验证就使用。模型会自信地给出错误信息，尤其是数字、日期、引用。凡是事实性内容，都要自己核一遍。
五、结论
Prompt 工程没有那么玄。它更像是一种把需求讲清楚的能力——这种能力在 AI 出现之前就存在，只是现在有了一个立刻给你反馈的对象。
如果你只想记住一句话：角色 + 任务 + 约束 + 输出格式，四件事说全，效果就已经超过 90% 的人了。