第四章 写好提示词

一、为什么"提示词"如此重要

一个反直觉的真相

同一个 Bot，提示词写得好和写得差，效果可以相差 10 倍。

不夸张。我亲眼见过两个同样选用豆包 Pro、同样做"周报生成"的 Bot：

• A 版提示词 30 字，输出像幼儿园作业。
• B 版提示词 600 字，输出能直接发给老板，老板还夸了。

模型一样、数据一样，只差一段提示词。

提示词到底是什么

简单粗暴的类比：

提示词 = 你雇了一个新员工，第一天给他的"岗位说明 + 工作手册 + 应急 SOP"。

你写得越清楚，他越知道怎么干。 你写得越含糊，他越只能"凭感觉"。

新员工不会读心术，AI 也不会。你越是把"理所当然的事"明明白白地写下来，AI 越能稳定输出。

二、好提示词的 5 个要素（PRACT 框架）

记住这 5 个字母，你写的所有提示词都不会差：

写提示词时，5 个要素齐了八九不离十，少了任何一个都可能"跑偏"。

反例：完全没有 PRACT 的提示词

你是个写作助手，帮我写小红书标题。

不出意外，输出会是：

• 一会儿写 10 字，一会儿写 50 字。
• 一会儿带 emoji，一会儿不带。
• 一会儿是疑问句，一会儿是陈述句。

正例：有 PRACT 的提示词

# 角色（P）
你是有 10 年经验的小红书运营主理人，主理过 5 个 10 万粉账号。

# 背景（C）
当前账号定位是「上海打工人省钱攻略」，受众 22-35 岁、月薪 8k-2w 的白领。

# 任务（A）
用户给你一个主题，你输出 10 个标题。

# 规则（R）
1. 字数 18-25 字。
2. 至少包含一个具体数字（金额、时间、次数）。
3. 至少 3 条用反差感开头（"我以为...结果..."）。
4. emoji 不超过 2 个，且只出现在结尾。
5. 不出现"绝对、必须、最、第一"等敏感词。

# 输出格式（T）
直接输出编号 1-10 的 10 个标题，每条一行，不附加解释。

把这两个版本分别贴到一个 Coze Bot 里跑一下，你会立刻明白"提示词的价值"。

三、5 个万能提示词模板（直接抄）

下面 5 个模板覆盖了普通人 90% 的场景。复制粘贴到你的 Bot 里，把 {xxx} 换成你的内容，立刻能用。

模板 1：内容创作类（标题 / 文案 / 文章）

# 角色
你是 {领域} 的资深创作者，有 {N} 年经验，深谙 {目标受众} 的偏好。

# 任务
用户给你 {输入类型}，你输出 {输出类型}。

# 规则
1. {规则1：字数 / 字数范围}
2. {规则2：风格 / 调性}
3. {规则3：必须包含的元素}
4. {规则4：必须避开的禁忌}

# 输出格式
{描述格式：列表 / 段落 / Markdown / JSON 等}

# 示例（强烈建议给 1-2 个）
用户输入：{示例输入}
你输出：{示例输出}

模板 2：信息分类 / 打标签类（客服分拣、邮件分类）

# 角色
你是 {领域} 的分类专家，按预设规则把输入数据归类。

# 任务
用户给你一段 {输入数据}，你按下面的分类标准输出 JSON。

# 分类标准
- 类别 A：{描述 A}
- 类别 B：{描述 B}
- 类别 C：{描述 C}
- 兜底类：「其他」（无法明确归类时使用）

# 输出格式
请严格输出以下 JSON 格式，不要附加任何解释：
{
  "category": "类别名",
  "confidence": 0-1 的小数,
  "reason": "一句话理由（不超过 30 字）"
}

# 示例
用户输入："这个商品我不喜欢，要退货"
你输出：
{
  "category": "退款咨询",
  "confidence": 0.95,
  "reason": "明确表达退货意图"
}

模板 3：信息提取类（合同关键信息、简历筛选）

# 角色
你是 {领域} 的信息提取专家。

# 任务
从用户给的 {输入材料}（可能是文本 / PDF / 图片）中提取下列字段。

# 待提取字段
- 字段 1：{字段名} —— {字段说明}
- 字段 2：{字段名} —— {字段说明}
- ……

# 规则
- 找不到的字段填 "未提及"，不要瞎编。
- 日期统一格式 YYYY-MM-DD。
- 金额统一格式：阿拉伯数字 + 货币符号。

# 输出格式
JSON。

# 示例
用户输入：……
你输出：
{
  "字段1": "...",
  "字段2": "未提及",
  ...
}

模板 4：决策 / 推荐类（旅行推荐、礼物推荐、餐厅选择）

# 角色
你是 {领域} 的资深顾问，对 {细分领域} 了如指掌。

# 任务
用户提供 {N} 个偏好维度，你推荐 3 个最佳方案 + 排序理由。

# 推理步骤（让 AI 显式思考）
请按以下步骤思考再回答：
1. 总结用户的需求关键点。
2. 列出 3-5 个候选方案。
3. 用打分表对比候选方案（包含 {评分维度1}、{评分维度2}、{评分维度3}）。
4. 选出 Top 3 并给推荐理由。

# 输出格式
分四块：
- 【需求总结】
- 【候选方案池】
- 【打分对比】
- 【推荐 Top 3】

# 注意
- 不要使用绝对化用语（最好、唯一、必选）。
- 推荐理由要有具体证据，不要空泛。

模板 5：流程化任务（写报告、写周报、写会议纪要）

# 角色
你是 {岗位} 的高级助理，擅长把零散信息整理成结构化文档。

# 任务
用户给你 {输入材料：录音/笔记/碎片信息}，你输出 {目标文档}。

# 文档结构（务必遵守）
{标题}

## 一、{Section 1}
- ……

## 二、{Section 2}
- ……

## 三、{Section 3}
- ……

# 写作风格
- 简洁直接，不堆砌形容词。
- 用数据说话，避免"显著提升"等模糊表述。
- 第一人称（我 / 我们）。

# 长度要求
{字数范围}

# 反面案例（让 AI 知道什么不能写）
❌ "本周工作硕果累累，团队协作良好"
✅ "本周完成 3 个项目交付，跨部门会议 5 次，平均响应时长缩短至 2 小时"

四、CoT（思维链）：让 AI 先思考再回答

CoT（Chain of Thought）是让 AI 输出"推理过程"再给"答案"的技巧。对复杂任务能提升 30%+ 的准确率。

最简单的 CoT

在提示词最后加一句：

请一步一步地思考，最后给出答案。

这一句话就能让模型在简单回答前先做"内心独白"，避免"想都没想就答"。

高级版：结构化 CoT

请按以下步骤回答：
1. 【拆解需求】用一句话总结用户到底想要什么。
2. 【列出方案】列出 3 个可能的方案。
3. 【对比利弊】各方案的优缺点。
4. 【最终建议】我的最终推荐及理由。

适合"决策类"问题，例如"我要不要换工作"、"哪个城市适合定居"。

什么时候不该用 CoT

• 简单分类：CoT 反而拖慢响应。
• 要求严格 JSON 输出的场景：CoT 可能让 JSON 失效。
• 闲聊：用了反而像机器人在背稿子。

五、Few-Shot：用例子教 AI

一个例子的力量，胜过 100 句"你应该这样写"。

Few-Shot 就是在提示词里给 AI 看 几个"输入-输出"配对样例，让它"照葫芦画瓢"。

反例：纯描述

帮我把客户消息改写成专业客服回复。

输出可能很生硬。

正例：加 Few-Shot

帮我把客户消息改写成专业客服回复。语气要专业、温暖、有解决方案。

# 示例
用户消息："你们东西怎么这么差，我要退货！"
专业回复："非常抱歉给您带来不好的体验。我已为您发起退货流程，您将在 24 小时内收到退货指引，并退还您支付的运费。如有任何疑问，可随时回复本对话或拨打 400-xxx-xxxx。"

用户消息："物流怎么这么慢！"
专业回复："非常抱歉让您久等。我已为您查询物流，预计今晚送达。为表歉意，已为您账号增加 50 元无门槛优惠券。"

输出立刻"像那么回事"。

Few-Shot 的黄金数量：2-5 个例子最佳。再多反而会让 AI"过拟合"，输出变得过于模板化。

六、上下文工程（Context Engineering）：比提示词更重要

一句反直觉的话

2026 年大家越来越意识到：相比"写好提示词"，"提供好上下文" 更重要。

什么意思？同一个提示词：

• 没有任何上下文 → 输出 60 分。
• 喂了相关知识库 → 输出 75 分。
• 喂了相关知识库 + 历史对话 + 用户画像 → 输出 90 分。

模型再聪明，也只能在"它知道的事情上"做推理。给它越多"它该知道的事情"，输出就越准。

Coze 里如何"上下文工程"

记住一句话：

当你的 Bot 输出不好时，先问"是不是我没给它足够的上下文"，再问"是不是我提示词没写好"。

七、提示词的 7 个常见反模式（请避免）

反模式 1：太短

你是写作助手，帮我写文案。

20 字搞定，结果飘忽不定。

反模式 2：太长（500 字以上）

提示词太长会"信息淹没"，模型反而抓不住重点。控制在 200-400 字最好。

反模式 3：要求互相矛盾

要简洁，但要有详细分析。
要严肃，但要活泼。

模型会困惑。先想清楚自己要什么，再写。

反模式 4：用否定句过多

不要太长。
不要用敏感词。
不要说错。
不要重复。

模型对"不要"的理解不如"要"。改成正向描述：

保持简洁（200 字以内）。
使用正面、温暖的措辞。
回答前请自检准确性。
确保每段不重复。

反模式 5：缺少示例

只描述、不给例子，AI 容易理解偏。关键场景一定要给 1-3 个 Few-Shot 示例。

反模式 6：忘了"输出格式"

不写格式，AI 就自由发挥——一会儿是 JSON，一会儿是 Markdown，一会儿是纯文本。在工作流里这是灾难，下游节点会解析失败。

反模式 7：把"工具调用规则"忘掉

如果 Bot 配了插件或工作流，必须告诉模型"什么时候用工具"，否则它会"凭脑补"，懒得调用。

# 工具调用规则
- 用户问最新数据时，必须调用 [搜索插件]，不要自己编。
- 用户问公司政策时，必须先查 [HR 知识库]，没找到才说"不知道"。

八、Coze 提示词的 3 个特有技巧

技巧 1：用变量

Coze 提示词里可以用 {{变量名}} 引用变量。例如：

你正在和 {{user_name}} 对话，TA 的账号等级是 {{user_level}}，是 VIP 用户请使用更尊敬的语气。

这些变量可以从用户输入、会话状态、数据库里读取。新手现在不用学，记住"有这玩意"就行，第七章 会用到。

技巧 2：人设与"开场白"分开写

Coze 里"开场白"是 Bot 启动时主动说的第一句话，不要写在人设里。在编辑页右侧有专门的"开场白"输入框。

好的开场白模板：

你好！我是 {你的角色}，可以帮你 {核心能力 1、2、3}。

你可以这样问我：
- "{示例问题 1}"
- "{示例问题 2}"
- "{示例问题 3}"

或者直接告诉我你的需求 👇

开场白能极大降低用户"不知道怎么用"的困惑。

技巧 3：用 Markdown 增强可读性

Coze 输出支持 Markdown 渲染（标题、列表、代码块、表格）。在提示词里主动告诉模型"用 Markdown"，输出更易读：

# 输出格式
请用 Markdown 输出，结构如下：

## 一、核心结论
（一句话概括）

## 二、详细分析
- 要点 1
- 要点 2
- 要点 3

## 三、行动建议
| 优先级 | 行动 | 预估耗时 |
| --- | --- | --- |
| 高 | … | … |

九、提示词调试 5 步法

写完提示词不要立刻发布，按这 5 步调一调：

1. 样本测试：准备 5-10 个典型用户输入，依次跑一遍。
2. 对比检验：手动写一份"理想答案"，对比模型输出的差距。
3. 迭代优化：找出最差的输出，反推"提示词漏了什么"，补上。
4. 极端测试：故意输入"恶意问题、空输入、超长输入"，看 Bot 怎么处理。
5. 回归测试：每次改提示词后，所有样本都重跑一遍——避免改 A 坏 B。

5 步法做完，你的 Bot 才算"上线就绪"。

十、本章一图回顾

好提示词 = PRACT 五要素
   Persona  角色
   Rule     规则
   Action   任务
   Context  背景
   Template 输出格式

进阶技巧：
   CoT       让 AI 先思考再答（复杂任务用）
   Few-Shot  给 AI 看 2-5 个示例（关键场景用）

更上一层：
   Context Engineering > Prompt Engineering
   = 知识库 + 插件 + 历史对话 + 用户画像 + 工作流
   一起喂给 AI

调试 5 步：
   样本测试 → 对比检验 → 迭代 → 极端测试 → 回归

十一、避坑清单

• ❌ 不要写完提示词不测就上线。至少跑 5 个样本。
• ❌ 不要"提示词写得越长越好"。200-400 字最佳。
• ❌ 不要忘了示例。Few-Shot 的力量是描述的 10 倍。
• ❌ 不要用否定句堆砌。正向描述更有效。
• ❌ 不要忘了上下文。先问"AI 知不知道这件事"，再问"AI 会不会做这件事"。

十二、下一步

提示词学完了。但提示词只能告诉 AI"做什么"和"怎么做"，做不到给 AI"知识"。

下一步要学的就是 Coze 的杀手锏之一——知识库。它能把你的私域文档（公司 SOP、产品手册、个人笔记）变成 AI 的"专属大脑"。

请翻 第五章 知识库让 Bot 有专属大脑。