很多人抱怨大语言模型（LLM）“听不懂人话”，写出来的东西车轱辘话来回说，或者逻辑断层。其实问题往往不在模型本身，而在我们丢给它的指令太模糊。
这就好比你去餐厅点菜，只说“来份好吃的”，厨师只能猜。想要输出精准，得学会提示词工程 (Prompt Engineering) 的基本逻辑。这不是什么高深技术，而是沟通艺术。
别上来就直接问问题。先告诉 LLM 它是谁。
如果你需要一篇行业分析，不要只说“写一篇关于新能源汽车的文章”。试试这样设定：“你是一名拥有10年经验的汽车产业分析师，擅长从供应链和电池技术角度解读市场趋势。”
身份一旦确立，模型的用词风格、关注重点甚至思维深度都会随之调整。它会自动屏蔽掉那些泛泛而谈的科普内容，转而提供更具专业颗粒度的信息。这种预设，能省去后期大量修改语气的工作量。
人类处理复杂任务时知道分步走，但 LLM 有时会试图“一步到位”，结果就是逻辑混乱或遗漏细节。
面对复杂需求，明确列出执行步骤。比如你要让它整理一份会议纪要并提取待办事项，可以这样写：
清晰的步骤指引，比单纯的“请总结”有效得多。
这样做不仅降低了模型出错的概率，也让你更容易检查哪一步出了问题。如果第二步提取不准，你可以单独优化这一步的指令，而不必推翻重来。
这是最容易被忽视，却最有效的一招。与其花几百字描述你想要什么格式，不如直接给它看一个例子。
假设你需要从非结构化文本中提取姓名和电话，存为 JSON 格式。光说“提取信息转 JSON”很容易出错。不如加上：
DCCCODEBLOCK0_
看到示例后，大语言模型 (LLM) 会迅速模仿这个模式。这种“照猫画虎”的能力，是模型最强的天赋之一。在提示词工程中，这被称为 Few-Shot Prompting，能极大提升输出的稳定性。
写提示词本质上是在消除歧义。你越吝啬笔墨，模型就越容易自由发挥——而那种发挥，通常不是你想要的。多花一分钟把背景、步骤和示例写清楚，后面节省的是半小时的调试时间。
