写出好提示词不是玄学，而是有规律可循的工程。
当你理解 AI 如何"读懂"你的意图，
你的提示词质量会发生质的飞跃。
当你输入一段提示词，AI 并不是像人那样"理解意图"——它做的是对整个输入进行向量化处理，找到与这段文字在训练数据中最相关的模式，然后生成最符合这些模式的输出。
这听起来很技术，但对你有一个非常实际的含义：AI 对你的提示词的"理解"，取决于训练数据中有多少类似的、高质量的例子。你的提示词越接近那些"高质量问答"的格式和风格，AI 就越容易给出好的回答。
AI 在处理你的提示词时，实际上在提取三层信息：
你说了什么。"帮我写一封感谢信"——字面上很清楚：要写信，是感谢信。这一层是最基础的，AI 肯定能捕捉到。
你为什么要这样说。感谢信是发给客户？领导？朋友？是表示礼节性的谢意还是真心的感激？AI 会从上下文和用词猜测——猜不到时就会取平均。
你没说但有期待的部分。中文？还是英文？多长？什么语气？用第一人称还是第三人称？这些你默认的期待，AI 如果不知道，就会靠猜——而猜错的可能性很大。
优秀提示词的核心任务，是把这三层都说清楚——尤其是第二层和第三层。大多数人只说了第一层，然后对结果感到失望。
当你的提示词有歧义，AI 会怎么做？它会取"训练数据中最常见的那个解释"。这就是为什么"帮我写篇文章"会得到最通用、最平庸的文章——因为训练数据里"最常见的文章"，就是那个样子。消除歧义，就是你提升提示词质量最直接的方法。
下面是一个真实的高质量提示词示例。点击每个高亮区域，查看它属于哪个组成部分以及为什么重要。
这个提示词为什么好？因为它消除了 AI 可能误解的每一个歧义：写给谁（B2B销售场景）、写什么（跟进邮件不是推销邮件）、什么风格（专业但不正式）、什么不能说（价格、催促）、多长（200字）、什么语言（中文）……它把"可以猜的空间"压缩到最小，把"需要 AI 发挥的空间"留给了真正需要的部分：用词和逻辑。
2022 年，Google Brain 的研究人员发表了一项有趣的发现：当你在提示词里加上"让我们一步步来思考"（Let's think step by step），AI 在复杂推理任务上的准确率会显著提升。
这就是 Chain of Thought（思维链）技术。它的逻辑很简单：强迫 AI 把中间推理过程显式写出来，而不是直接跳到答案。因为中间步骤可以被模型自身"引用"，避免了在推理过程中出现逻辑跳跃和错误。
提示词："小明有 12 颗糖，他给了小红的数量是小华的 2 倍，小华得到了 3 颗，小明还剩几颗？"
AI 输出："小明还剩 5 颗糖。"
（过程不透明，容易算错）
提示词："……请一步一步分析。"
AI 输出：
数学应用题、逻辑谜题、多条件判断——任何需要多个步骤才能得出结论的任务。
"我应该选 A 还是 B？"——让 AI 先列出每个选项的利弊，再做判断，比直接给结论更可靠。
复杂案例分析、原因推断、趋势判断——让 AI 展示推理链，你可以审查每一步是否合理。
在提示词末尾加上这些短语，即可激活思维链效果：
• "请一步一步分析"
• "在给出结论前，先列出你的推理过程"
• "请逐步说明你是怎么得到这个答案的"
• "先分析，再结论"
最简单的：直接加一句"Let's think step by step"（即使是中文提示词，这个英文短语也有效）。
在第四章，我们介绍了提示词三要素。但当你的任务越来越复杂，你会发现单纯的提示词已经不够了——你需要对整个"上下文环境"进行精心设计。这就是 Anthropic 在 2024 年底提出的 Context Engineering（上下文工程）的核心思想。
上下文工程把一个完整的 AI 交互分解为四个组成部分：
对普通用户来说，最实用的上下文工程技巧是：在对话开始时，把"记忆层"的内容主动提供给 AI。比如："我是一名 [职业]，正在做 [项目]，我的目标是 [目标]，我已经知道 [背景知识]，现在需要你帮我 [具体任务]。"这一段话，能让 AI 的第一个回答就非常切题，而不是在反复追问中逐渐理解你。
反模式（Anti-pattern）指那些看起来没问题、但会系统性地导致糟糕结果的写法。这六种最常见。
提示词太宽泛，没有说清楚具体需要什么。AI 会按最常见的格式生成，结果往往流于平庸。
只说"不要 XXX"，没有说"应该是 YYY"。AI 要避免 X，但不知道往哪个方向去，可能绕开了 X 却落入了同样不好的 Z。
想要特定格式或风格，但没有给例子。一个具体的示例，胜过一百句描述。
没有提供必要的背景信息，AI 在猜你的意图，猜错概率很高。
把多个独立任务放在一个提示词里，AI 会在任务间分配注意力，每个都做得不够好。
对 AI 说"请"、"谢谢"、"可以的话..."这些礼貌用语不会让它更努力，但会稀释你的指令信号，让有效信息被冲淡。
有一个强大但很多人没想到的技巧：把你的提示词给 AI，让它帮你改进。这就是"元提示法"（Meta-prompting）。
具体做法很简单，把这个模板记下来：
这个方法特别适合你已经有一个"差不多但还不够好"的结果时使用。AI 可以从"什么导致了这个不好的输出"的角度，给你提供比你自己想到的更精准的改进建议。
不要期望第一版提示词就完美。提示词是需要迭代的——运行，查看结果，调整，再运行。大多数专业的提示词，背后都有 10 轮以上的测试和迭代。你写第一版提示词的目标，不是完美，而是有足够的信息让你看到哪里需要改。
你已经掌握了写提示词的认知科学。下一章，我们从"如何写好"转向"如何判断好坏"：AI 输出质量的评估框架。同样一段 AI 输出，专业用户和普通用户看到的是完全不同的东西——你会看到哪一种？