Prompt 工程基础：如何写出有效的指令 · Lesson 1 of 6

第 01 课：什么是 Prompt，为什么重要

本课目标：

  • 理解 prompt 的本质和作用
  • 识别模糊 prompt 和清晰 prompt 的差异
  • 认识 prompt 质量对 AI 输出的影响

前置知识：使用过 AI 对话工具 | 下一课 02 >>

你已经在用 prompt，但可能用得不够好

当你打开 ChatGPT 或 Claude，在输入框输入"帮我写一份报告"，然后得到一份泛泛而谈、跟你实际需求对不上的内容——这不是 AI 的问题，而是你的 prompt 太模糊了。AI 看到的只是五个字，它不知道报告是给谁看的、要解决什么问题、应该用什么语气、包含哪些内容。

Prompt 就是你给 AI 的指令1。它决定了 AI 能理解多少你的意图，以及输出质量的上限。同样的问题，模糊指令得到泛泛的答案，清晰指令得到精准的结果。本课教你识别两者的差别，为后续学习打基础。

什么是 Prompt

Prompt（提示词、指令）是你输入给大语言模型（LLM）的文本，用来告诉它你想要什么1。可以是一个问题、一段描述、一个任务要求，或者这些的组合。

大语言模型（LLM）是一种 AI 系统，通过学习海量文本训练出来，能够理解自然语言并生成回答2。ChatGPT、Claude、文心一言都属于这一类。它们不是搜索引擎——不是去网上找现成答案，而是根据训练时学到的模式，生成一段新的、符合你指令的文本。

关键在于：LLM 只能根据你的 prompt 来理解任务。你没说的信息，它只能猜；你说得越清楚，它的输出就越符合预期。

对比：模糊 prompt vs 清晰 prompt

看两个真实例子的差异。

场景 1：请 AI 解释一个技术概念

❌ 模糊 prompt：

什么是 API

AI 可能给你：

  • 一段教科书式的定义（"API 是应用程序编程接口的缩写……"）
  • 过于技术化的解释（假设你懂编程）
  • 或者太浅显（只说"让程序之间交流"）

✅ 清晰 prompt：

我是产品经理，不懂编程。请用日常生活的例子解释什么是 API，让我能跟开发团队讨论需求时听懂他们在说什么。

AI 会给你：

  • 贴近产品经理视角的解释
  • 日常生活类比（比如"餐厅的菜单就是一种 API"）
  • 跟实际工作场景相关的例子

差别在哪？清晰 prompt 明确了三件事：你是谁（产品经理）、你的背景（不懂编程）、你要用这个知识做什么（跟开发讨论需求）。

场景 2：请 AI 写一段代码

❌ 模糊 prompt：

写一个 Python 函数处理数据

AI 只能瞎猜：

  • 什么数据？列表、字典、文件、数据库？
  • 怎么处理？排序、过滤、转换、统计？
  • 输入输出是什么格式？

✅ 清晰 prompt：

写一个 Python 函数，输入是包含用户评分的列表（1-5分），过滤掉低于3分的评分，返回剩余评分的平均值，保留一位小数。包含类型注解和文档字符串。

AI 能给出：

  • 明确的函数签名
  • 符合要求的过滤和计算逻辑
  • 清晰的文档和类型标注

差别在哪？清晰 prompt 指明了输入格式、处理逻辑、输出要求、代码风格。

Prompt 质量决定输出质量

研究表明，在复杂任务上，写清楚 prompt 能让 AI 完成任务的效率提升 11 倍以上3。但反过来，模糊的 prompt 会导致：

  • 来回修改次数增加：你得到一个不符合预期的回答，补充说明，再得到一个偏了的回答，再补充……多次往返才能接近你要的结果
  • 输出不一致：同样的模糊问题，每次得到的答案风格、详细程度、侧重点都不同
  • 浪费 token 和时间：模糊 prompt 让 AI 生成一堆你用不上的内容，消耗 token 配额（如果你用的是付费 API）或等待时间

关键发现：微软开发者工具研究组发现，在代码生成任务中，明确写清需求细节的 prompt 能减少 68% 的来回修改4。这意味着你第一次就更可能拿到能用的代码，而不是在第三、四轮对话后才接近目标。

清晰 prompt 的回报是立竿见影的：更少的试错、更高的首次成功率、更可控的输出。

Prompt 工程是一项技能

Prompt 工程（Prompt Engineering）是设计、优化 prompt 的系统化方法1。它不是"找到一个魔法咒语"，而是理解 AI 的工作方式，学会用它听得懂的方式表达需求。

2026 年的现状是：AI 模型的指令遵循能力已经很强，能理解复杂指令、处理长文本、完成多步骤任务5。但它们仍然依赖你的 prompt 来确定任务边界。模型不会读心——你不说，它就不知道。

Prompt 工程包括：

  • 写清楚指令的基本结构（第 02 课）
  • 用示例引导 AI 理解模式（第 03 课）
  • 让 AI 展示推理过程（第 04 课）
  • 系统化地调试和改进（第 05 课）
  • 针对不同任务选择策略（第 06 课）

这门课程教的是可复用的方法，不是一次性的技巧。掌握这些方法后，你能更高效地使用任何大语言模型工具。

小结

Prompt 是你给 AI 的指令，决定了 AI 能理解多少你的意图。模糊的 prompt 让 AI 猜测，清晰的 prompt 明确任务边界、输出格式和背景信息。研究显示，清晰的 prompt 能显著减少来回修改次数、提升任务完成效率。

下一课学习 prompt 的基本结构——如何把一个模糊需求拆解为清晰的四部分：角色、任务、格式、约束。

下一课 Prompt 的基本结构 >>

Footnotes

  1. Prompt - Wikipedia — https://en.wikipedia.org/wiki/Prompt_engineering ↩ ↩2 ↩3

  2. Large Language Model - Wikipedia — https://en.wikipedia.org/wiki/Large_language_model ↩

  3. Prompt Engineering Best Practices 2026 — https://thomas-wiegold.com/blog/prompt-engineering-best-practices-2026/ ↩

  4. Prompt Engineering for Code Generation — https://graphite.com/guides/better-prompts-ai-code ↩

  5. IBM Prompt Engineering Guide 2026 — https://www.ibm.com/think/prompt-engineering ↩

Exercises

01

你的同事写了一个 prompt："帮我优化这段代码"。请指出这个 prompt 的三个主要问题，并改写为一个清晰的版本。

Level 1：识别和改写模糊 prompt
Done criteria · checked locally
02

选择你最近使用 AI 工具时遇到的一个场景（或使用以下场景）：让 AI 帮你写一封给客户的邮件，说明产品延期交付的原因并致歉。

Level 2：为真实场景设计 prompt

设计一个清晰的 prompt，确保 AI 能生成符合你需求的邮件。

Done criteria · checked locally

My note

Jot down thoughts, sticking points, things you didn't get. Written to this course's appendix only — the lesson file is never touched.