Prompt Guidance
怎么写出真正好用的 AI Prompt
好的 prompt 不是一句神奇咒语，而是一份清楚的任务说明。它要告诉 AI：你要完成什么、基于哪些材料、输出给谁看、格式是什么、哪些内容不能乱编，以及什么样的结果才算合格。
很多提示词教程会围绕某个具体模型展开，比如视频模型的 prompt 会强调主体、动作、镜头、风格和时长；图像模型会强调构图、光线、材质和画面比例。通用型 prompt 的重点不同：它不绑定某个模型，而是帮助你把研究、写作、总结、分析、改写、策划这类知识工作说清楚。
如果你在 Ottermind 里处理网页、PDF、笔记、会议纪要或研究资料，也可以用这套写法。先把任务说明写清楚，再让 AI 基于材料回答、整理、比较或生成结果，输出质量会稳定很多。
通用 prompt 的核心公式
一个稳定的通用 prompt，可以按这个公式写：
角色 / 任务目标 / 背景上下文 / 输入材料 / 输出格式 / 限制条件 / 验收标准不一定每次都要写满七项，但只要任务稍微复杂，就不要只写一句“帮我总结一下”。你给的信息越像一份工作说明，AI 越容易给出可用结果。
最简版本可以这样写：
你是一名 [角色]。请基于 [输入材料]，完成 [任务目标]。
背景：
[说明为什么要做这件事、给谁看、使用场景是什么]
请输出：
- [结果 1]
- [结果 2]
- [结果 3]
要求：
- [格式要求]
- [语气或风格要求]
- [事实、隐私、版权或安全限制]
- [什么样的结果算好]这个结构适合大多数文本任务：研究摘要、会议总结、竞品分析、邮件改写、内容大纲、学习笔记、产品需求、招聘 JD、销售话术和报告初稿。
第一步：先写清楚任务目标
Prompt 最常见的问题，是目标太模糊。
弱 prompt 通常长这样：
帮我分析这篇文章。AI 不知道你要分析什么。是提炼观点、判断可信度、找商业机会、改写成社媒内容，还是总结给老板看？
更好的写法是：
请基于这篇文章，帮我提炼 5 个对产品团队有价值的洞察。每个洞察需要包含：原文依据、可能影响、可以采取的下一步行动。目标越具体，输出越容易落地。写 prompt 前可以先问自己三个问题：
- 我希望 AI 完成什么动作：总结、比较、分类、改写、生成、检查，还是推理？
- 结果要给谁看：自己、团队、客户、老板、用户，还是公开发布？
- 这个结果下一步要被怎么使用：决策、汇报、发布、执行，还是继续讨论？
第二步：补足上下文
上下文不是越长越好，而是要让 AI 知道判断标准。
比如你让 AI 写一封销售邮件，如果不说明产品、客户、关系阶段和目标，它只能写出很普通的模板。但如果你补充背景，结果会明显更像真实工作。
你是一名 B2B SaaS 销售顾问。请帮我写一封跟进邮件。
背景：
- 客户是一家 80 人左右的跨境电商公司
- 上周看过一次产品演示
- 他们最关心客服知识库维护成本和团队协作效率
- 这封邮件的目标不是强行成交，而是约下一次 30 分钟方案讨论上下文可以包括：
- 用户或读者是谁
- 当前阶段是什么
- 已经发生过什么
- 业务目标是什么
- 语气应该正式、克制、友好，还是更有行动感
- 哪些信息是确定事实，哪些只是你的假设
在 Ottermind 里处理资料时，也可以先把网页、PDF 或笔记作为上下文，再让 AI 基于这些材料完成任务。重点是让模型知道“应该看什么”和“为什么要看”。
第三步：明确输入材料
AI 很容易在材料边界不清楚时自由发挥。为了减少幻觉，最好明确告诉它只能基于哪些信息回答。
请只基于 <materials> 中的内容回答，不要引入外部信息。如果材料不足，请明确写出“材料中没有足够信息判断”。
<materials>
粘贴网页、PDF 摘要、会议纪要、访谈记录或研究笔记
</materials>这类写法特别适合研究、总结、审稿和资料问答。它能把模型从“凭常识回答”拉回到“基于材料回答”。
如果材料很多，可以先要求 AI 做结构化提取：
请先从材料中提取事实，不要急着给建议。
请输出：
- 关键事实
- 数据或数字
- 明确引用到的人、公司、产品或时间
- 不确定或需要继续验证的信息
- 可以支持后续分析的证据先提取，再分析，通常比一步到位更稳。
第四步：规定输出格式
很多 prompt 失败，不是因为 AI 不懂任务，而是因为输出形式没法直接用。
弱 prompt：
帮我总结一下这个会议。更好的 prompt：
请把这份会议纪要整理成下面格式：
1. 会议结论：3 条以内
2. 待办事项：按负责人分组
3. 风险和阻塞：只列需要管理层关注的事项
4. 下次会议前需要确认的问题：不超过 5 个
要求：语言简洁，避免复述全部过程。输出格式可以是：
- 列表：适合摘要、待办、结论
- 表格：适合对比、评分、信息抽取
- 邮件：适合销售、客服、招聘、跟进
- 大纲：适合文章、报告、演讲稿
- JSON：适合程序读取或自动化流程
- 分步骤方案：适合复杂任务规划
如果你希望结果能直接复制到文档、邮件或幻灯片里，格式一定要提前写清楚。
第五步：加限制条件
限制条件可以减少跑题、幻觉和不合适的风格。
常见限制包括：
- 不要编造材料中没有的信息
- 不要使用夸张营销语
- 不要超过指定字数
- 不要输出敏感个人信息
- 不要把单个案例当成普遍规律
- 不要使用未经验证的数据作为结论
- 保留不确定性，明确哪些地方需要人工确认
比如：
要求：
- 只基于我提供的材料回答
- 不要补充材料之外的公司数据
- 如果判断依赖假设，请单独列出假设
- 语气保持专业，不要使用“颠覆”“革命性”“遥遥领先”等夸张词限制不是为了让 prompt 变复杂，而是为了告诉 AI 哪些路不能走。
第六步：写验收标准
大多数人写 prompt 时会忘记告诉 AI：什么样的结果算好。
验收标准可以很简单：
一个合格结果应该满足：
- 读者能在 2 分钟内理解核心结论
- 每个结论都有材料依据
- 建议可以被产品团队执行
- 不确定的信息被明确标注
- 输出不超过 800 字有了验收标准，AI 更容易自我校准。你也可以让它先生成，再按标准检查自己：
生成结果后，请再用上面的验收标准检查一遍。如果有不满足的地方，请直接修改，不要只解释问题。这一步对报告、PRD、对外邮件、长文大纲和策略建议尤其有用。
通用 prompt 示例：研究资料总结
下面是一条可以直接改用的研究类 prompt。
你是一名研究分析师。请基于 <materials> 中的资料，整理一份面向产品团队的研究摘要。
背景：
我们正在评估一个新功能方向，需要快速了解用户问题、市场信号和潜在风险。
<materials>
粘贴网页、PDF 摘要、用户访谈、Reddit 讨论、竞品页面或行业报告摘录
</materials>
请输出：
1. 核心结论：最多 5 条
2. 用户痛点：按重要性排序
3. 支持证据：每条痛点对应材料依据
4. 产品机会：可以尝试的方向
5. 风险和不确定性：哪些信息还需要验证
6. 下一步问题：建议继续研究的 5 个问题
要求：
- 只基于材料回答
- 不要编造数据
- 如果证据不足，请明确说明
- 语言简洁，适合产品团队内部讨论这类 prompt 适合在 Ottermind 里处理多份资料。先把材料放进同一个任务或知识上下文里，再让 AI 按固定结构提炼，结果会比一句“总结一下”更稳定。
通用 prompt 示例：会议纪要变成行动清单
会议总结不应该只是复述会议，而应该帮助团队知道下一步做什么。
你是一名项目经理。请把下面的会议纪要整理成可执行行动清单。
<meeting_notes>
粘贴会议纪要
</meeting_notes>
请输出：
- 会议结论：不超过 3 条
- 行动项：包含任务、负责人、截止时间、依赖条件
- 风险：只列会影响进度或决策的风险
- 待确认问题：需要会后继续确认的信息
- 可以忽略的信息：会议中提到但暂时不影响执行的内容
要求：
- 如果负责人或截止时间没有出现在材料里，请标注“未明确”
- 不要替团队擅自决定优先级
- 输出要适合直接发到团队群里关键是把“总结会议”改成“形成行动清单”。同样的材料，任务目标不同，prompt 写法也应该不同。
通用 prompt 示例：改写内容但保留事实
改写类任务最容易出现“语气变好了，但事实被改坏了”。所以要强调保留事实边界。
你是一名内容编辑。请把下面这段文字改写得更清楚、更适合公开发布，但不要改变事实含义。
<draft>
粘贴原文
</draft>
请输出：
1. 改写后的版本
2. 你做了哪些主要修改
3. 哪些事实没有足够信息，不能擅自补充
要求：
- 不要添加原文没有的新数据
- 不要夸大结论
- 保留原文中的专有名词和关键数字
- 语气自然、清楚、可信这条 prompt 适合博客、社媒、产品更新、邮件和公告草稿。
常见错误
只写“帮我”
“帮我总结”“帮我分析”“帮我写一下”都太宽。至少补上目标、读者和输出格式。
给了很多材料，但没说任务
材料越多，越需要明确任务。否则 AI 可能把所有内容平均复述一遍，而不是提炼你真正需要的结论。
没有材料边界
如果你希望基于资料回答，就要明确写“只基于材料”。否则模型可能混入常识、旧知识或不确定信息。
没有输出格式
没有格式，结果就很难直接使用。写 prompt 时先想清楚最终结果要进入哪里：文档、邮件、表格、报告、PPT，还是任务系统。
没有验收标准
如果你自己都没定义什么叫好结果，AI 也只能猜。复杂任务一定要写清楚判断标准。
用 Ottermind 写 prompt 的一个实用流程
在 Ottermind 里处理资料时，可以按这个顺序提问：
- 先让 AI 提取事实：这份资料里有什么确定信息？
- 再让 AI 归纳问题：这些信息说明了什么痛点或机会？
- 然后让 AI 生成结果：把结论整理成摘要、报告、行动清单或内容草稿
- 最后让 AI 自查：哪些地方证据不足、需要人工确认？
也就是说，不要把复杂任务一次性塞进一句 prompt。先拆成“提取事实 → 分析含义 → 生成结果 → 检查风险”，输出会更可靠。
你可以直接从这个通用模板开始：
请基于我提供的资料完成任务。
任务目标：
[写清楚你要得到什么结果]
背景上下文：
[说明使用场景、读者、业务目标]
输入材料：
[粘贴或引用资料]
输出格式：
[列出你想要的结构]
限制条件：
[写清楚不要编造、不要越界、不要使用某种风格]
验收标准：
[说明什么样的结果算可用]FAQ
通用 prompt 和模型专用 prompt 有什么区别？
模型专用 prompt 通常围绕某个能力写，比如视频模型关注镜头、动作、时长和风格，图像模型关注构图、材质和光线。通用 prompt 更关注知识工作本身：目标、上下文、材料、格式、限制和验收标准。
Prompt 越长越好吗？
不是。好的 prompt 不是长，而是信息完整。简单任务可以很短，复杂任务才需要补充背景、材料边界和输出格式。
为什么同一条 prompt 在不同模型上效果不同？
不同模型对指令、上下文长度、格式约束和推理任务的处理能力不同。所以通用 prompt 应该写清楚任务结构，而不是依赖某个模型的习惯。
如何减少 AI 编造？
最有效的方法是明确材料边界：要求 AI 只基于提供的资料回答，并在证据不足时说“不足以判断”。同时让它列出依据和不确定信息。
写 prompt 前最应该想清楚什么？
先想清楚结果要怎么用。是给自己快速理解、给团队决策、给客户发送，还是继续生成下一步内容？使用场景决定 prompt 的目标、语气和输出格式。
Ottermind 适合用来做什么类型的 prompt？
Ottermind 更适合资料型和工作流型任务，比如基于网页、PDF、笔记、会议纪要和研究材料做总结、对比、提问、分析和生成可执行输出。你可以用这篇文章的通用公式，把模糊需求写成更清楚的任务说明。
参考来源
- OpenAI: Best practices for prompt engineering with the OpenAI API
- OpenAI: Prompt engineering best practices for ChatGPT
- Anthropic: Prompt engineering overview
- Anthropic: Effective context engineering for AI agents
- Google AI for Developers: Prompt design strategies
- Microsoft Learn: Prompt engineering techniques