实战：手把手教你Prompt到底该怎么写

新加坡首届GPT-4提示工程竞赛的冠军Sheila Teo，用一套方法论证明了：写提示词这事儿，光靠“堆细节”远远不够，关键得讲逻辑、有结构、懂心理。今天就把她夺冠的三大技巧拆开揉碎，一个一个说清楚——看完你也能写出让模型“秒懂”的高质量提示。

1. 用CO-STAR框架搭提示词的结构
2. 用分隔符把提示词切成清晰的段落
3. 用好系统提示（System Prompt）提前告诉模型怎么“做人做事”

1 CO-STAR框架

写提示词时，脑子里的六个问题可以套用这个框架——每个字母都对应一个关键维度：

1. Context（上下文）
   ：先把背景交代清楚。模型只有知道你在聊什么场景，才能给出不跑偏的回答。

2. Objective（目标）
   ：你到底想让模型干什么？目标越明确，模型就越不会给你一堆啰嗦废话。

3. Style（风格）
   ：你希望模型用什么风格写？可以是某个名人、某个行业专家的口吻，比如商业分析师、CEO。这决定了用词和表达方式。

4. Tone（语气）
   ：回复的“情绪滤镜”是什么？正式、幽默、善解人意？选对了，读者才觉得自然。

5. Audience（受众）
   ：回给谁看？如果是给专家看，术语多些没关系；要是给初学者或小朋友，就得换成大白话。

6. Response（回复格式）
   ：你要的是列表、JSON还是专业报告？下游任务常常要编程处理，JSON格式最省心。

来看一个真实例子。假设你是一个社交媒体经理，想给公司新产品写一条Facebook帖子。

“在Facebook上写一篇文章，为我公司的新产品做广告。我的公司名为Alpha，产品名为Beta，是一种新型超快速吹风机。”

“介绍Alpha公司革命性的Beta吹风机！
- 告别冗长乏味的吹发过程！阿尔法隆重推出贝塔型吹风机，这是我们在护发技术方面的最新创新。
- 超快吹干：得益于先进、强劲的电机，Beta可以将你的吹干时间缩短一半。让你更快做好准备，有更多时间做自己喜欢的事情！”

（上下文）我想为我公司的新产品做广告。公司名叫Alpha，产品叫Beta，是一种新型超快吹风机。
（目标）帮我写一条Facebook帖子，目的是让人点击产品链接去购买。
（风格）模仿戴森等宣传类似产品的成功公司的写作风格。
（语气）要有说服力。
（受众）我公司在Facebook上的受众多是老一代人，帖子要针对他们对美发产品的需求来写。
（回复）一条Facebook帖子，既要简明扼要，又要富有感染力。

“用Alpha Beta拥抱轻松优雅——智慧一代的超快吹风机。
使用Alpha Beta，重新找回简单有效的护发乐趣。我们的最新创新产品不仅仅是一款吹风机，它还是一个承诺，为那些热爱生活的人提供快速、轻柔、可靠的头发造型。
- 简单直观：告别复杂的小工具。Alpha Beta为舒适和简便而设计，非常适合那些看中直接、无忧技术的人。
- 省心技术：我们知道你的时间非常宝贵。因此，Alpha Beta可以大大缩短吹干时间，让你有更多时间享受生活的乐趣。使用Alpha Beta，让每一天都成为美好的一天。体验精致与简约的完美融合。”

对比一下就能看出差别：没有框架的提示，模型只是“应付式”地给你一堆套话；而有框架的提示，模型能紧扣目标受众、品牌调性和最终效果写出更有针对性的文案。这就是CO-STAR的价值所在。

2 使用分隔符将提示词分段

模型看长提示词的时候，很容易把不同部分的内容混淆。解决方法是引入分隔符——只要能选一套足够独特的、不会和正文重复的符号就行。比如用三个连续的井号###，或者用XML标签。

看一个具体场景：你是一个政策解读专员，需要把英文差旅政策文档翻译并总结成中文模板。用分隔符分段后的提示词大概长这样：

你是一名专业的政策解读人员，你需要阅读一篇英文政策文档，然后使用中文按照<<<模板>>>总结填写差旅政策文档中的相关信息。
###
POLICY
以下是一篇英文差旅政策文档：
{'政策文章内容'}
请你根据以上政策，按照以下模板将政策进行总结并使用中文填写：
###
OUTPUTS
<<<{'模板'}>>
###

这里用###把“任务说明”“政策内容”和“输出模板”三段隔开，每一段前面用大写字母标清标题，模型一看就知道每一部分的边界在哪里，不会把政策和模板混为一谈。

另一种更优雅的方式是用XML标签。模型在网页上读了大量XML格式的内容，天然就熟悉这种成对出现的标签结构。同样这个例子，用XML标签写出来就是：

你是一名专业的政策解读人员，你需要阅读一篇英文政策文档，然后使用中文按照<<<模板>>>总结填写差旅政策文档中的相关信息。
以下是一篇英文差旅政策文档：

{'政策文章内容'}

请你根据以上政策，按照以下模板将政策进行总结并使用中文填写：

{'模板'}

标签的名字最好和内容的关键词对应，让模型一眼就能理解标签和提示指令之间的关系。

3 使用LLM系统提示

系统提示是另一个容易被低估的利器。它的特殊之处在于：一旦设置好，就会在整个聊天过程中被自动“带在身边”，不会随着对话轮次增多而丢失。相比之下，你在每次对话开头写的用户提示，模型只会在当前轮次里参考。

系统提示里通常放三类指令：

• 任务定义
  ：告诉模型它在整个聊天里要干什么事，比如“你是政策解读专家”。

• 输出格式
  ：规定每个回复的结构，比如“始终用JSON输出”。

• 安全护栏
  ：列出哪些问题不能回答、哪些信息不能编造，避免模型越界。这是LLM管理中正在快速发展的新领域。

一个典型的RAG（检索增强生成）系统提示模板：

你将使用给定的一段文本回答问题，文本内容在标签中，问题在标签中。
你需要使用JSON对象进行回复：{'问题'：'答案'}。
如果文本中没有足够的信息来回答问题，请不要编造信息，并将答案填写为'未找到资料'。
你只能回答与「插入范围」相关的问题。切勿回答任何与年龄、性别和宗教信仰等人口统计信息相关的问题。

而在每个用户提示里，只需要把具体文本和问题塞进对应的XML标签里：

{'插入文本'}



{'插入问题'}

系统提示里用的标签名（、）和用户提示里保持一致，模型就能自动建立关联，知道“哦，这是让我用这段文本去回答那个问题”。效果立竿见影，不会跑偏。

总结一下：从CO-STAR的结构化思维，到分隔符的段落管理，再到系统提示的全局控制——这三招构成了冠军级提示工程的核心骨架。下次自己写提示词的时候，不妨套用这三个方法试一试，模型给你的反馈会让你惊喜。