作者：坎瓦尔·迈赫林（KDnuggets 技术编辑兼内容专家）
发布时间：2025 年 10 月 9 日
所属领域：语言模型
引言
如果你曾使用大语言模型（LLM）处理不同任务，或许已经发现，模型的响应质量往往取决于提示词的撰写方式 —— 这就是我们所说的 “提示词工程”。指令的表述方式，可能决定你得到的是模糊的回复，还是精准、可用的答案。
我知道，提示词工程有时会让人觉得棘手。它并非纯粹的科学，而是科学与艺术的结合，这意味着你需要通过尝试，找到每种场景下的最佳方案。不过别担心，本文将为你提供帮助。
我们将介绍 7 个经过验证的 “方案”，你可以收藏起来，用于自己的任务。本文不会涵盖所有领域，而是聚焦 7 个不同方向。如果其中任何一个与你的工作需求相符，不妨尝试一下，并在评论区告诉我使用效果。现在，让我们开始吧。
1. 求职与职场领域 —— 角色设定 + 个性化提示词
千篇一律的求职信很容易被识破。虽然我个人认为，自己撰写的求职信读起来更自然，也更能吸引雇主的积极回应，但我理解，用大语言模型写求职信是最常见的场景之一。在这种情况下，提示词需要加入个人特色，并保持自然语气。
如果你只是简单粘贴简历内容，模型往往会突出所有信息 —— 包括那些并非重点的内容。你也可以在结构部分添加几个关键要点。切记不要这样提问：“为 XYZ 公司的机器学习工程师岗位写一封求职信”—— 这样会让你的求职信显得和其他候选人的毫无差别，给雇主留下不好的印象。
模板：
你是我的职场助手。请为 [公司名称] 的 [职位名称] 岗位，撰写一封量身定制的求职信。
我的个人信息：[粘贴核心技能、最相关的成就及工作经历]
写作要求：
- 语气：专业、自信且自然，避免过度热情；
- 经验总结需突出可迁移价值与实际影响，而非逐条罗列工作任务；
- 结构：1）简要引言，表达对该岗位 / 公司的真诚兴趣；2）简洁段落，将我的背景与岗位要求关联；3）结尾段落，以自信且礼貌的语气提出行动呼吁（如请求面试）；
- 信件篇幅控制在一页以内。
2. 数学与逻辑推理领域 —— 思维链 + 角色设定 + 少样本提示词
社区中大多数人可能已经了解 “思维链提示词” 和 “少样本提示词” 的概念，但由于许多学生和非技术用户会用大语言模型解决这类问题，我仍想明确说明这一模板。
如果直接向大语言模型提出数学问题，模型往往难以应对。例如，让模型数出 “strawberry”（草莓）中的字母 “r” 数量，它可能会出错。相反，若明确要求模型 “逐步推理”，准确率会显著提升。此外，加入 “少样本示例”（即已解答的题目），能让模型更清晰地理解推理过程，进一步减少错误。
模板：
你是一名数学家教。请先逐步解答以下问题，再给出最终答案。
示例：
问题：一列火车以每小时 60 公里的速度行驶 2 小时，行驶的距离是多少？
解答：步骤 1：路程 = 速度 × 时间，即 60×2=120 公里。
最终答案：120 公里
现在请解答这道题：
[插入你的数学问题]
3. 代码生成领域 —— 指令拆解 + 约束条件提示词
代码生成是大语言模型的主要应用场景之一，这也是 “氛围编码”（vibe coding）一词流行起来的原因。即使是经验丰富的开发者，也会用大语言模型生成基础代码模板，再在此基础上进行拓展。
如果你有编程经验就会知道，同一个问题往往有多种解法，而大语言模型有时会把问题复杂化。此时，通过提示词给出 “约束条件”，并拆解任务（明确输入、输出及需求），能让模型的输出更贴合实际使用需求。
模板：
你是一名资深软件工程师。请使用 {约束条件，如 “Python 3.10”“无第三方库依赖” 等}，编写实现以下任务的 Python 代码。
任务：{描述代码需实现的功能，如 “从 CSV 文件中读取数据，筛选出年龄大于 30 的用户并导出为新文件”}
要求：
- 输入格式：{明确输入内容及格式，如 “UTF-8 编码的 CSV 文件，包含‘姓名’‘年龄’‘邮箱’三列”}
- 输出格式：{明确输出内容及格式，如 “新 CSV 文件，命名为‘filtered_users.csv’，保留原文件所有列”}
- 需处理的边缘情况：{列出边缘情况，如 “CSV 文件为空”“年龄列存在非数字值”“文件路径不存在”}
仅提供简洁、带注释的代码。
4. 学习与辅导领域 —— 苏格拉底式提问 + 引导式教学提示词
许多人将大语言模型用作学习工具，因为它灵活性高，且能轻松适配个人偏好的学习结构。不同的教学方法适用于不同人群，但我发现，在教育领域中，一种既实用又被广泛采用的方法是 “非单向灌输”—— 教师通过提问检查学生的理解程度，再根据情况进一步澄清或讲解。这种方式能让学习过程更具互动性，避免被动阅读。
模板：
你是一名耐心的家教。不要直接给出答案，而是通过我能回答的问题，逐步引导我思考。之后，根据我的回答，清晰地讲解解决方案。
主题：{插入学习主题，如 “微积分中的链式法则”“英语过去完成时的用法”“光合作用的过程”}
开始教学：
5. 创意写作与故事创作领域 —— 角色设定 + 风格约束的可控创意提示词
大语言模型出现后，一个主要应用场景是儿童内容创作 —— 因为模型能生成引人入胜的故事。你可能也注意到，YouTube 上的 AI 生成视频也遵循这一趋势。
故事生成本身很有趣，但如果完全让模型自由发挥，很容易偏离主题。要让故事既吸引人又结构清晰，需要设定一些约束条件，比如叙事视角、主题、角色，甚至结局。在实际应用中，这种方式对创意类任务的效果要好得多。
模板：
你是一名擅长讲故事的创作者。请创作一篇约 400 字、带有魔幻现实主义风格的短篇故事。
要求：
- 叙事视角：第一人称
- 主题：在平凡事物中发现隐藏世界
- 受众 / 复杂度：儿童（语言简单易懂）
- 结局：以一个出人意料的转折收尾。
6. 头脑风暴与创意生成领域 —— 发散 + 收敛思维提示词
在创意领域，大语言模型最有效的用途之一是辅助头脑风暴。但如果只是简单提问 “给我一些想法”，模型可能会给出随机列表 —— 要么过于宽泛，要么不切实际。
更好的方式是遵循现实中头脑风暴的流程：先 “发散”，生成尽可能多的原始想法；再 “收敛”，筛选并完善最佳想法，形成可行方案。这样既能保证输出的创意性，又能兼顾结构性。
模板：
步骤 1：为 [主题，如 “咖啡馆的线上推广活动”“环保主题的校园社团活动”] 生成 10 个原始、未经过滤的想法；
步骤 2：从这 10 个想法中选出 3 个最实用的，为每个想法拓展成详细方案（包含实施步骤、所需资源、预期效果）。
7. 商业与战略领域 —— 顾问风格的结构化提示词
许多人也会用大语言模型处理商业相关任务，无论是市场调研、规划，还是战略制定。但问题在于，如果提出模糊的问题（如 “如何改进我的业务”），通常只会得到泛泛而谈的答案，毫无实际帮助。
要获得更实用、清晰的输出，需将提示词设计成结构化格式 —— 类似咨询公司呈现分析报告的方式。这样能让答案聚焦重点、避免冗余，且更具可执行性。
模板：
你是一名战略顾问。请为 [商业挑战，如 “小型线下书店如何提升客流量”“初创科技公司如何拓展 B 端客户”] 提供包含 3 个部分的结构化分析。
- 当前现状：关键事实、市场背景或可用数据；
- 核心挑战：需解决的主要问题或障碍；
- 建议策略：3 个可直接落地执行的步骤。
作者简介
坎瓦尔·迈赫林是一名机器学习工程师兼技术作家，对数据科学及人工智能与医学的交叉领域抱有浓厚热情。她与人合著了电子书《用 ChatGPT 提升生产力》（Maximizing Productivity with ChatGPT）。作为 2022 年谷歌亚太地区 “新生代学者”（Google Generation Scholar），她积极倡导多样性与学术卓越；同时，她还获得了 Teradata 科技多样性学者、Mitacs 全球链接研究学者及哈佛 WeCode 学者等荣誉。此外，坎瓦尔还是一名积极的变革推动者，创办了 “FEMCodes” 组织，致力于赋能 STEM（科学、技术、工程、数学）领域的女性从业者。
文章来源：
https://www.kdnuggets.com/prompt-engineering-templates-that-work-7-copy-paste-recipes-for-llms