如何写出真正有效的 AI 提示词
一套实用框架，把模糊需求变成适用于 ChatGPT、Claude、Gemini 等工具的精确、可验证提示词。
真正的问题是缺少关键决策
提示词效果差，通常不是因为字数太少，而是把太多关键决策留给了模型：受众是谁、什么算成功、哪些事实不能改、哪些内容不能出现、最后应以什么结构交付。
加上“你是一位世界级专家”之类的装饰性句子，并不能补上这些信息。有效提示词的本质是减少歧义：保留模型解决问题的空间，同时明确重要边界。
帮我的 App 写一封上线邮件。
使用 G-C-C-F-Q 框架
一个稳定的工作提示词可以由五部分组成：目标（Goal）、上下文（Context）、约束（Constraints）、格式（Format）和质量检查（Quality check）。不是每次都要写满五项，但按这个顺序检查，可以快速发现缺失信息。
- 目标：描述想获得的结果，而不只是动作。
- 上下文：提供受众、产品、素材和相关情境。
- 约束：说明字数、语气、固定事实、禁用内容和边界。
- 格式：明确答案必须遵循的结构。
- 质量检查：要求模型按可观察标准复核结果。
为一款浏览器端图片压缩工具写上线邮件，受众是自由设计师，目标是获得免费试用点击。重点说明文件不会离开浏览器，禁止使用未经证实的速度数据。输出一个主题行、70–100 字正文、三个利益点和一个 CTA。回答前检查每个产品声明是否都来自已提供事实。
提供事实，而不是虚构头衔
角色设定有时能帮助模型选择词汇和视角，但不能替代证据。“你是一名资深营销专家”提供的信息，远少于真实的客户顾虑、产品卖点、渠道和转化目标。
当准确性重要时，应提供原始材料或说明允许使用的来源。如果信息不足，让模型先提问或标记不确定性，而不是编造细节。
- 列出允许对外表达的产品事实。
- 把假设和已确认信息分开。
- 只有模型能访问可靠来源时才要求引用。
- 编程任务应给出版本、接口、错误和现有规范。
让质量可以被检查
“写得更好”无法验证；“每段不超过三句、包含一个具体例子、不要使用套话”则可以。任务越重要，质量标准越应该在输出中可见。
复杂任务可以要求模型先列一个简短的假设清单，再给答案。这样能尽早发现理解偏差，而不必索取冗长的内部推理。
完成草稿后，检查是否回应了四个客户顾虑、是否没有虚构统计数字，并确保结尾只有一个下一步行动。若某项要求无法完成，明确指出缺少什么输入。
针对失败原因迭代
结果不满意时，先诊断失败点：受众错了、内容太泛、虚构了事实，还是结构不适用？补上缺失边界，比反复重写整段提示词更有效。
保存有效提示词时，也要保存当时的结果和上下文。可复用提示词不是一句魔法咒语，而是一份会随任务变化而更新的小型规格说明。
- 内容太泛 → 补充受众、例子和差异化。
- 事实错误 → 补充来源、版本和不确定性规则。
- 语气不对 → 给一个正面示例和禁用表达。
- 结构不可用 → 指定标题、字段或机器可读格式。