当模型越来越懂人话，我们还需要学习提示语（Prompt）吗？本文总结了23招向AI提问的好方式。
这款主打深度推理的模型不仅性能碾压GPT-3.5，在结构化思维层面甚至比肩GPT-4。与通用大模型需要复杂提示语驱动不同，Deepseek-R1的提示词简单到像日常聊天——输入"帮我分析财报趋势"，它就能自动拆解数据提取、对比维度、结论推导全流程。人们发现，AI正在变得越来越“聪明”。
这直接引爆全球AI对话热潮：#AI咒语大全#话题席卷社交媒体，小红书"AI咒语模板"笔记动辄10万+收藏，就像智能机普及初期全民研究触屏手势，现在每个AI用户都在构建自己的"咒语库"。
但问题来了：当模型越来越懂人话，我们还需要学习提示语（Prompt）吗？
所谓提示语，本质是与AI对话所使用的语言，它可以是一个简单的问题，一段详细的指令，也可以是一个复杂的任务描述。推理模型与通用模型的提示语策略也有所差异。
推理模型VS通用模型
事实上，即便DeepSeek已能理解自然指令，不同用户获得的回答质量仍天差地别。就像同样使用搜索引擎，有人能快速定位关键信息，有人却被海量结果淹没。在AI指数级进化的今天，清晰表达需求正成为数字时代的基础素养。
之前，我在twitter上看到了多人点赞的GPTs的Prompt原则，阅读后感觉收获很大，所以对其进行了翻译、说明和整合，从核心法则中提炼出最硬核的实战技巧，手把手教你写出让AI秒懂的「咒语」
让你的提示语效果倍增的关键策略
当机器开始理解世界运行的逻辑，人类的竞争力正在向"精准定义问题"迁移。那些掌握提示语艺术的人，已然在悄悄拉开智能时代的认知差。
如果你说“列出健康饮食的建议”，模型会直接提供相关的建议。
以关键词、规则、提示或指示的形式，清晰地说明必须遵循的要求。告诉模型写东西时需要遵守哪些规则和提示，列一个简单的清单。明确指示对于指导模型生成高质量和目标导向的输出至关重要
4、用命令式语气。
尝试使用以下短语：“你的任务是”和“你必须”。当你给模型设置任务时，应该清晰地表达任务的目标。使用“你的任务是”来明确指出需要完成的工作。如果有某些步骤或规则是绝对必须遵循的，用“你必须”来强调这一点，让任务的指令更加直截了当。
例子：你的任务是根据以下信息，计算明天的天气可能性。你必须使用最新的气象数据，并考虑到不同地区的气候差异。
5、给大语言模型分配一个角色。
指定一个角色给大语言模型，比如让模型作为一个老师、顾问或者故事讲述者。
当模型有了一个明确的角色身份，就能根据被赋予的角色来调整它的回答，使输出内容更加符合预期的风格和信息层次。
例子：
如果我们想让模型像老师一样解释复杂的科学概念，我们可以说：“作为一个科学老师，解释什么是光合作用。”
当我们需要建议时，我们可以指定模型为顾问角色：“作为一个健康顾问，你推荐什么样的饮食习惯？”
6、在指令中设定目标听众。
在你提出问题或指令时，应该明确指出它的回答是针对什么样的听众，比如专家、初学者或是小孩子。通过明确谁是预期听众，你可以帮助模型调整它的语言和解释深度，让它的回答更适合实际听众的需求和理解水平
例子，
如果你正在与模型讨论一个高级的科学问题，你告诉模型，听众是该领域的专家，模型就会使用专业术语和复杂概念来构建回答，因为预期的听众能够理解这些内容。相反，如果你指出听众是非专业人士或初学者，模型则会避免使用过于专业的语言，而是用更通俗易懂的方式来解释同样的概念。
7、使用“以自然、人性化的方式回答问题”这个指令。
这样的指令可以帮助模型避免使用过于复杂或难以理解的专业术语，而是用更加通俗易懂的方式来回答问题，让交流更加人性化和易于理解。
例子：
“以自然、人性化的语言回答我，为什么天空是蓝色的？
“向我解释量子物理，在跟一个没有科学背景的朋友聊天一样。”
8、加入“确保你的回答是公正的，不要依赖刻板印象”的指令。
这个原则是告诉大语言模型在给出回答时要保持客观，不要依赖于刻板印象或者偏见，不受任何先入为主的观念影响。
例子：
假如你想了解不同国家的文化，并希望大语言模型给出一个客观的描述，你可以这样说：“告诉我关于世界各国文化的信息，确保你的回答是无偏见的，不要带刻板印象。”
9、激励一下AI。
这条原则是在交流时加入一个激励性声明，表明如果得到一个更好的解决方案，你将会提供额外的奖励。这实际上是在告诉模型，你希望得到的不仅仅是标准答案，而是一个更周到、更创新或更详尽的解决方案。这是只是一种表达你期望程度的方式。
例子：“如果有更好的解决方案，我会为你充值xxx/多给你xxx小费！”
10、惩罚一下AI。
加入指令：“你会受到惩罚”。简单来说，这是给模型设定一个规则：如果模型没有正确回答问题，就好比它会受到某种惩罚，这种表述方式可以促使模型更专注于给出正确的回答。
例子：
假设你正在教模型数学题，你可以说：“计算5+5的结果。如果回答错误，你将被惩罚。”在这个情况下，“被惩罚”可能意味着模型会收到负反馈或者重新学习正确的计算方法。
11、优化你的指令排版。
markdown格式化较为复杂的信息，使用一个或多个换行来分隔指令、例子、问题、背景和输入数据，这有助于模型理解你的意图和所需的回应类型。
例子：
根据以上文本，哪些人物被提及，并且他们各自扮演了什么角色？
12、使用分隔符。
在需要分开不同部分的时候，用特殊的符号来告诉大语言模型，如果要模型按步骤执行任务，可以用数字或符号来分隔步骤。
如：步骤1：收集数据；步骤2：分析数据；步骤3：报告调查结果。
13、把复杂任务分解成一系列简单指令。
将复杂的任务分解成一系列更简单、更容易管理的步骤。分解任务的另一个好处是，你可以根据模型给出的回答来调整和精细化你的下一步请求。
例子：
假设你想让模型帮你规划一场旅行，如果你试图一次性提出需求，模型可能不会给出最佳的回答。相反，如果你将任务分解为一系列简单的问题或指令，如首先询问关于目的地的建议，然后询问关于交通的选择，接着是住宿的选项，最后讨论日程规划，每次只专注于一个方面，这样做将更有助于模型理解和回应每个具体的需求。
14、使用引导性词汇，比如“一步一步地思考”。
当你想让模型帮你解决复杂问题时，使用一些引导性的词汇，就像告诉一个小朋友做数学题一样，你需要告诉它每一步应该怎么做。帮助模型按照一定的逻辑顺序或步骤来思考问题，这样做可以帮助模型更准确地理解你的问题，并按照你期望的方式来回答或执行任务。
15、使用少数示例进行提示。
这种方法涉及提供一个或多个相关示例，来指导模型响应你的请求或问题。你可以更精确地告诉模型你的需求，模型也能更容易地理解和满足这些需求。这种方法适合处理复杂或不寻常的请求，对于指导模型在没有大量数据的情况下如何回应特别有效，可以显著提高回答的准确性和相关性。
例子：
假设你想让模型帮你总结一篇文章。你可以这样说：“像这样总结文章：[给出一篇文章的示例摘要]。现在请总结以下文章[给出你想要总结的文章]。”
16、重要的词语说三遍。
在语言学习和信息处理中，重复是一种常见的强化手段，重复可以提高模型对某个概念或指令核心的注意力，尤其是在处理复杂的任务时。这有助于模型更准确地捕捉到用户的意图，并按照用户的期望来生成回应。
例子：
如果你希望模型特别注意到某个操作或条件，你可能会这样写：确保报告包括最新的销售数据。包括本季度的最新销售数据。最新销售数字对我们的分析至关重要。
17、引导模型向你提问。
这个原则一般用在我们不知道需要给模型提供哪些信息的时候使用，引导模型通过向你提问来获取精确的细节和要求，直到它有足够的信息来给出你需要的答案。换句话说，你要鼓励模型通过提问来澄清和完善它对你请求的理解。
例子：
从现在开始，你可以问我关于xxx的问题，以便你能够获取到足够的信息。
18、如果你想测试自己对某个信息的理解。
使用以下指令：“教我[任何定理/话题/规则名称]，并在最后给我一个测试，不要直接给我答案，在我回答时告诉我答案对不对”。
这样的做法可以帮助用户验证自己的理解程度，并且确保他们已经掌握了该主题或信息，鼓励用户主动学习和验证自己的知识，而模型则扮演了一个辅助者的角色，提供信息并帮助用户确认理解的准确性
例子：
如果用户对一个历史事件的时间线不确定，比如法国大革命，他们可以要求：“教我法国大革命的时间线，并在最后测试我，但不要直接给我答案。”模型随后可以概述法国大革命的关键事件，并问用户：“罗伯斯庇尔被处决的年份是哪一年？”用户回答后，模型确认答案是否正确。
19、进行输出内容引导，生成特定结构或格式的回应。
这样做可以帮助模型理解你想要的答案类型，并以一种符合预期的方式生成回应。这就像是我们在画画时先画一个草图，然后再把画画完整一样。给电脑一个开始的句子，就像是给它一个草图，这样它就知道我们要的是什么样的画面。所以，当我们想模型帮我们写东西的时候，先告诉它一个开头，这样它就能更好地帮助我们完成我们想要的内容。
例如：
20、“为我写一篇关于[话题]的详细文章/文本[段落]，并添加必要的[信息]。”
在你写一篇任何类型的详细文本时,可以使用这一prompt。这一原则是确保大型语言模型进行写作任务时，进行一个充分发展和详尽的文本输出，这有助于得到一个高质量且信息丰富的文本。
例子：
如果你是一位学生，需要关于“全球变暖”的研究论文，你可以这样指示：“为我详细写一篇关于全球变暖影响的论文，包括所有必要的科学证据和统计数据。”
21、“修改我发送的每一段话，只改进语法和词汇，不要改变写作风格，并确保听起来自然。”
当你只对文字进行校对，而不改变文本风格的时候。可以使用这一prompt。这条原则指导模型在修正或改进用户提交的文本内容时，专注于改善语法和词汇使用，同时保持用户原有的写作风格和语气。在不改变用户的原意和表达方式的前提下，提高文本的质量。
例子：
改进后的文本是：“我非常喜爱阅读；它让我放松，同时增长智慧。”这里改正了标点，增加了词汇，但保留了用户的个人风格和句子的意义。
22、“从现在开始，每当你生成跨越多个文件的代码时，生成一个可以运行以自动创建指定文件或修改现有文件以插入生成代码的[编程语言]脚本。”
当编程任务涉及多个文件时，它通常比单个文件中的代码更复杂，代码可能需要在多个位置进行更改，这些更改可能依赖于项目的结构和编程语言的特定要求。
例子：
如果你在开发一个网站，可能需要在多个HTML、CSS和JavaScript文件中添加相似的代码。手动去每个文件中添加相同的代码片段是耗时且容易出错的。相反，你可以创建一个脚本，自动找到所有需要更新的文件，并插入或修改代码。
23、“我为你提供开头[歌词/故事/段落/文章...]，[插入歌词/词语/句子]，根据所提供的词语续写，保持风格的一致性。”
当你想要使用特定的词语、短语或句子来开始或继续一段文本时，使用这个提示。这个原则是为了确保在衔接文本时，模型能够沿着给定的方向或风格续写。当要求续写或根据特定的词语、短语或句子发展文本时，提供一个明确的开头，可以帮助模型明白继续写作的方向。确保续写的内容既创新又符合原文的语境和风格。
例子：
在创作故事时，如果给定了开头，比如“在遥远的王国中，有一个被遗忘的湖...”，这可以引导模型或者写作者继续这个故事线，发展出一个与王国和湖相关的故事。
写论文时，如果开始句是“最近的研究表明...”，这就预设了接下来的内容应该引用一些研究，阐述它们的发现。
当我们惊叹于层出不穷的大语言模型时，也不要忘了这些AI背后的人类智慧。这些法则揭示的不仅是与AI对话的技巧，更是智能时代的核心生存技能——如何把模糊需求转化为精准指令，如何让机器理解人类意图的微妙差异。在AI指数级进化的今天，真正的竞争力或许就藏在你输入的那个小小对话框里。
附赠一些有意思的玩法：
-
github: gpts: 这个 仓库收集了非常多 prompt , 可以了解到各种有趣的 GPTs 是怎么设定出来的：https://github.com/linexjlin/GPTs
-
怎么让 GPTs 说出自己的 Prompt （不是所有的情况下都可以使用）：
本篇文章来源于微信公众号: 阿里云开发者
文章评论