> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 如何为不同AI模型设计提示
- URL: https://www.hubwiz.com/blog/how-to-design-prompts-for-different-ai-models/
- Published: 2026-01-10T04:06:10.000Z
- Updated: 2026-01-10T04:06:10.000Z
- Description: 每个模型都有独特的“方言”和最佳提示策略。提示中的词语稍有变化，就会显著改变输出质量。
- Author: admin
- Tags: PROMPT ENGINEERING, #Import 2026-10-14 14:41

一年多以前，当我开始使用 ChatGPT 时，编写提示的一种最流行的格式是 RRR 方法。不，不是 S.S. Rajamouli 的杰作——它是 角色、需求和规则。

它是这样工作的：

```
角色：你是一个在量子力学方面专家的助手  
需求：通读给定的研究论文并生成摘要  
规则：  
用简单的话提供摘要，即使是非专家也能理解  
提供论文所有内容的概要  
在 200 字以内提供一个结论

```

从那时起，提示工程有了巨大的发展。现在包括了专门的模型，每个模型都有独特的“方言”和最佳提示策略。提示中的词语稍有变化，就会显著改变输出质量。

## 1、在开始之前了解模型参数

在深入提示技术之前，你需要了解两个影响每次 AI 响应的关键参数：

### 1.1 温度：创造力旋钮

**它做什么：** 控制模型响应中的随机性

- **低（0.1–0.3）**：更确定，一致的输出
- **高（0.7–1.0）**：更具创造性，多样化的响应

**何时使用：**

- **低温**用于基于事实的问答、数据提取、代码生成
- **高温**用于创意写作、头脑风暴、诗歌创作

**示例：**

```
提示：“用一句话解释机器学习”  
温度 0.1：“机器学习是人工智能的一个子集，使计算机能够从数据中学习并做出决策而无需明确编程。”  
温度 0.9：“机器学习就像教计算机成为一个侦探——它研究线索（数据）来解决谜题，并对新案件做出聪明的猜测！”

```

### 1.2 Top\_p：焦点控制器

**它做什么：** 控制模型考虑哪些标记（核采样）

- **低（0.1–0.5）**：专注于最可能的标记，更精确
- **高（0.8–1.0）**：考虑更多的标记选项，更多样化

**黄金法则：** 调整温度或 top\_p，不要同时调整两者。它们一起控制随机性。

## 2、跨所有模型都有效的通用提示原则

### 2.1 具体性胜于模糊性

**不好：** “*帮我处理我的代码*”  
**好：** “*调试这个 Python 函数，它应该根据时间戳对字典列表进行排序，但返回不一致的结果*”

### 2.2 提供清晰的指令和示例

提供清晰的指令，就像当你委托任务给一个人时一样。提供示例是提高响应准确性的可靠方法。

**结构：**

```
任务：[你想完成什么]  
格式：[精确的输出格式]  
示例：[显示期望的结果]  
上下文：[背景信息]

```

**示例：**

```
任务：从这段文本中提取公司名称  
格式：以 JSON 数组返回  
示例：["Apple Inc.", "Microsoft Corporation"]  
上下文：这是关于合作伙伴关系的财务报告  
文本：[你的内容在这里]

```

### 2.3 使用“思考”来进行复杂推理

添加“逐步思考”或“仔细思考”会显著提高推理质量。

```
之前：“*这个营销活动的 ROI 是多少？*”  
之后：“*逐步思考这个 ROI 计算：识别所有成本、收入归属，并计算这个营销活动的回报百分比。*”

```

### 2.4 正向指令效果更好

**而不是：** “*不要让回应太长*”  
**使用：** “*保持回应在 100 字以内*”

**而不是：** “*不要使用技术术语*”  
**使用：** “*用初学者能理解的简单语言解释*”

### 2.5 正确地构建 JSON 输出请求

当期望 JSON 输出时，在提示中提供确切的格式，但将字段定义与 JSON 结构本身分开。

**为什么这很重要：** 将定义混入 JSON 结构中通常会导致格式错误的输出或不需要的转义字符。

**糟糕的方法：**

```
以这种 JSON 格式返回：  
{  
  "name": "公司名称",  
  "industry": "公司运营的行业",   
  "revenue": "年收入（百万美元）"  
}

```

**好的方法：**

```
说明：  
- name: 公司名称  
- industry: 主营业务领域  
- revenue: 年收入（百万美元）  

格式要求：  
- 仅返回有效的 JSON  
- 输出中没有转义字符  
- 没有额外的解释或注释  

输出格式：  
{  
  "name": "",  
  "industry": "",  
  "revenue": ""  
}

```

> **小技巧：** 你也可以在 API 调用中使用 JSON schema 参数，而不是在提示中包含格式，但为了更好的准确性，分离原则仍然适用。

## 3、针对特定模型的提示策略

不同的 AI 模型有不同的优势和最佳提示方法。以下是获得每种类型最佳结果的方法：

### 3.1 多模态通用模型

**模型：** GPT-4o、Google Gemini 1.5 Pro、Claude 3.5 Sonnet

**最适合：** 复杂的多步骤任务、文档分析、创意项目

**提示风格：** 交谈性和情境性——将它们视为专家人类合作者。

**关键技巧：**

- **用上下文设定场景：** “*我们正在为小型餐厅推出 SaaS 产品*”
- **串联多个命令：** “*首先分析这些用户反馈，然后建议三个功能改进，最后按开发工作量进行优先级排序*”
- **明确说明模态：** “*分析这张图片中的图表并创建一个摘要表格*”

**示例提示：**

```
上下文：我们正在设计一款健身追踪移动应用  
角色：你是一位有 10 年经验的 UX 研究员  

任务序列：  
1. 查看附带的用户访谈记录（3 个文件）  
2. 识别提到的前 5 个痛点  
3. 为每个痛点提出具体的 UI 改进建议  
4. 根据影响力与工作量创建优先级矩阵  
格式：以结构化报告的形式呈现，每个步骤都有清晰的章节

```

### 3.2 专业推理模型

**模型：** DeepSeek、O1、专业版 Llama 变体

**最适合：** 数学问题、逻辑谜题、复杂分析

**提示风格：** 结构化、正式且无歧义

**关键技巧：**

- **明确的分步请求：** “*展示你的工作步骤*”
- **清晰的约束条件：** 定义所有变量、规则和边界
- **具体的格式要求：** “*只提供最终的数字答案*” 或 “*首先列出你的假设*”

**示例提示：**

```
逐步解决这个系统设计问题：  

问题：设计一个每天处理 1 亿个 URL 的 URL 缩短服务  
约束条件：   
- 要求 99.9% 的正常运行时间  
- 全球用户基础  
- 读取密集型工作负载（读写比例为 100:1）  
展示你的推理：  
1. 数据库选择和模式设计  
2. 缓存策略  
3. 负载均衡方法  
4. 地理分布计划  
以编号列表形式呈现你的最终架构，并为每个决定提供理由。

```

### 3.3 长上下文编码模型

**模型：** Claude 3 Opus、Claude 3.5 Sonnet、GPT-4 Turbo

**最适合：** 代码审查、大型代码库分析、文档

**提示风格：** 以角色驱动并提供大量上下文

**关键技巧：**

- **分配特定角色：** “*扮演一位高级 Python 架构师*”
- **利用巨大的上下文窗口：** 包括整个文件，而不仅仅是片段
- **使用 XML 标签进行结构化：** `<code>`、`<requirements>`、`<constraints>`

**示例提示：**

```
<role>你是一名进行安全审计的高级全栈开发人员</role>  
<task>  
审查这个完整的 Express.js 应用程序的安全漏洞  
重点在于：身份验证、输入验证、SQL 注入、XSS 防护  
</task>  
<codebase>  
[在此处粘贴整个项目文件 - 如果需要，可以有 50 多个文件]  
</codebase>  
<output_format>  
## 发现的安全问题  
### 关键（立即修复）  
### 中等（本周期内修复）    
### 低（方便时修复）  
对于每个问题：文件名、行号、漏洞类型、修复建议  
</output_format>

```

### 3.4 图像生成模型

**模型：** DALL-E 3、Midjourney、Stable Diffusion、专用模型

**最适合：** 视觉内容创作、概念可视化

**提示风格差异很大：**

**DALL-E 3：** 长描述句子

```
“一张现代联合办公空间的逼真图像，有落地窗，人们在笔记本电脑上工作，自然光线，极简设计，用广角镜头拍摄，建筑摄影风格”

```

**Midjourney：** 艺术短语加风格参考

```
“未来城市景观日落时分，赛博朋克美学，霓虹灯反射在湿路上，电影构图，出自《银翼杀手 2049》，体积光，8k 渲染”

```

**Stable Diffusion：** 带权重的标签

```
"(masterpiece:1.2), best quality, ultra-detailed, (realistic:1.1), portrait of a software developer, coding setup, multiple monitors, (professional lighting:0.8), bokeh background"

```

## 4、常见的提示错误要避免

1. **过多的不相关任务**
2. **使用模糊的限定词**（“让它变得更好”，“改进这个”）
3. **忽视模型的优势**（让编码模型做创意写作）
4. **根据初始结果不迭代提示**
5. **需要结构化数据时未指定输出格式**

## 5、衡量提示效果

跟踪这些指标以改进你的提示：

- **准确性：** 它是否给出正确信息？
- **相关性：** 它是否解决了你的实际需求？
- **完整性：** 它是否涵盖了所有要求？
- **可用性：** 输出格式是否有帮助？

## 6、结束语

> 有效的提示不仅仅是遵循模板——而是了解你的模型的优势，并制定与每个 AI 处理信息方式相匹配的请求。

无论你使用经典的 RRR 方法还是现代的角色驱动方法，关键是具体性、清晰的例子以及将你的提示风格与模型的能力相匹配。

提示工程领域仍在迅速发展。昨天有效的方法今天可能不再是最优的，特别是随着具有不同架构和训练方法的新模型出现。保持好奇心，尝试不同的技术，并始终用真实用例测试你的提示。

> 记住：最好的提示是那个能持续给你所需结果且迭代最少的提示。从这些原则开始，根据你的具体用例进行调整，并根据结果进行优化。

---

原文链接：[The Complete Guide to Prompting Different AI Models](https://medium.com/@pramida.tumma/the-complete-guide-to-prompting-different-ai-models-9167a2657490?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处