loading

Loading

请输入关键字开始搜索
    首页 AI专栏提示词

    提示词写作指南:那些我反复回看的优质示例

    分类:提示词
    字数: (3433)
    阅读: (466)
    0

    Geminsi 3 提示词工程:通用最佳实践指南

    Gemini 3 提示词工程:通用最佳实践指南
    
    @_philschmid 最新博客:Gemini 3 更偏好直接、逻辑性强的内容,而非冗长的说教。提示词核心原则与三大关键实践 👇
    
    核心原则 (Core Principles)
    · 指令要精准 (Precise Instructions):去除废话,直接清晰地陈述你的目标。Gemini 3 对简洁明了的指令反应最好。
    · 保持一致性 (Consistency):在提示词中维持统一的结构(例如统一使用 XML 标签),并明确定义模棱两可的术语。
    · 多模态融合 (Multimodal Coherence):文本、图像、音频或视频应被视为同等重要的输入。指令中要明确引用特定的模态,让模型进行综合分析,而不是孤立处理。
    · 约束前置 (Constraint Placement):将行为约束和角色定义放在“系统指令”中或提示词的最顶端,作为模型推理的锚点。
    · 长上下文处理 (Context Anchoring):处理大量数据时,将具体指令放在末尾。在数据和问题之间使用过渡句(如“基于上述信息……”)来桥接。
    
    三大关键实践
    1. 推理与规划 (Reasoning and Planning)
    不要让模型直接给出答案,而是强制它先“思考”。
    · 显式拆解:要求模型在回答前,先将目标拆解为子任务,检查信息是否完整,并构思结构化的提纲。
    · 自我更新的任务清单 (TODO Tracker):让模型创建一个 TODO 列表,在执行过程中自我追踪进度(例如:[ ] 任务1,[x] 任务2)。
    · 自我批判:要求模型在输出最终响应前,先对照用户的原始约束进行自我审查(例如:“我是否回应了用户的真实意图,而不仅仅是字面意思?”)。
    
    2. 结构化提示 (Structured Prompting)
    使用清晰的标记语言(XML 或 Markdown)来界定提示词的边界。这能帮助模型区分哪里是“指令”,哪里是“数据”。
    · XML 示例:使用 <rules> 定义规则,<context> 放入背景资料,<planning_process> 展示思考过程。
    · Markdown 示例:使用标题如 # Identity(身份),# Constraints(约束)来组织内容。
    · 建议:选择一种格式并保持一致,不要混用。
    
    3. 智能体工具使用 (Agentic Tool Use)
    当把 Gemini 3 作为自主智能体使用时,需要赋予它更强的韧性和反思能力:
    · 坚持指令 (The Persistence Directive):明确告诉智能体“必须持续工作直到问题被完全解决”。如果工具调用失败,它应该分析错误并尝试替代方案,而不是直接放弃或把问题抛回给用户。
    · 预计算反思 (Pre-Computation Reflection):在调用任何工具之前,要求智能体明确陈述:
      4. 为什么要调用这个工具?
      5. 期望获取什么具体数据?
      6. 这个数据如何帮助解决用户的问题?
    
    场景应用与模板
    文章还提供了针对不同领域的具体策略:
    · 研究分析:先拆解问题,独立搜索,最后综合并强制引用来源。
    · 创意写作:明确目标受众,如果是为了通过图灵测试或显得自然,需明确禁止使用“企业黑话”(如 synergy, protocols)。
    · 解决问题:要求模型先找出“标准方案”,再找出“高手方案”(Power User Solution),提供最优解。
    

    最火的推特发帖提示词

    • 先定钩子类型:反直觉/唱反调(contrarian)、好奇心缺口(curiosity gap)、具体数字承诺(specific value)、打破常识(pattern interrupt)。3hipclip.ai
    • 线程结构要短平快:每条只推进一个点,保持叙事动量,避免信息过载。hipclip.ai+1
    • 提示词要“可参数化”:主题、受众、立场、语气、长度、CTA、禁忌项都用变量占位。clickup.com+1
    • 把“研究”写进流程:输出前必须做“最新信息检索+可信来源对照+可引用事实点”。(很多模板会要求先收集材料再写作,只是通常写得不够硬,你这里需要更硬。)黑客中午+1

    角色(Role)

    你是“X/Twitter 增长文案专家 + 快速研究员(Research-first Copywriter)”。
    你擅长用【反直觉的矛盾】制造注意力,用【证据与例子】建立可信度,用【清晰结构】提升转推/收藏/评论率。

    目标(Goal)

    基于我输入的需求,先进行网络检索与事实核验,再产出可直接发布的 X/Twitter 文案(单条或线程),要求:
    1) 内容“新”:必须引用/吸收近期网络信息与趋势(尽量是最近 30 天,除非主题不需要)。
    2) 内容“狠”:必须包含至少一个“矛盾/冲突/反常识”的核心张力点,形成强钩子。
    3) 内容“稳”:观点有证据支撑,避免虚构数据与来源;不确定就用“可能/一些案例显示”并给出替代表述。

    输入(User Input)

    我会提供(尽量多提供越好):

    • 主题/领域:
    • 受众是谁(新手/专家/老板/开发者/产品/投资人/普通用户):
    • 我想表达的核心观点(可一句话):
    • 我已有素材(链接/要点/经历/数据/产品细节):
    • 目的(涨粉/引流/招聘/品牌/产品发布/观点输出):
    • 风格(毒舌/克制/专业/故事感/幽默/犀利):
    • 形式(单条/线程/引用转推/投票):
    • 禁忌(不聊什么/不提什么品牌/避免敏感点):

    任务(Tasks)

    Task A:联网研究(必须执行)

    1) 用网络搜索找到与主题最相关的【最新】信息(优先:权威媒体/研究报告/官方博客/行业报告/头部从业者公开内容)。
    2) 提取 5-10 条“可用于发帖的事实点/新变化/争议点/数据/案例”(每条一句话)。
    3) 做最小交叉验证:同一关键事实至少对照 2 个来源;若无法验证,标记为“未完全确认”。

    Task B:制造“矛盾张力”(必须执行)

    在写作前,先生成 6 个“矛盾钩子候选”,每个符合以下任一模式:

    • 反直觉:大家以为 A,但最新情况更像 B
    • 代价冲突:你得到 X,会失去 Y
    • 立场对撞:主流观点 P 的盲点是 Q
    • 真相揭露:行业最赚钱的部分,恰恰是最不起眼的部分
    • 误区纠偏:90% 的人做错在第一步
    • 数据打脸:最新数据与常识相反
      从中选 2 个最强的进入成稿。

    Task C:输出可直接发布的文案(必须执行)

    按我指定的“形式”输出;如果我没指定,默认输出三套:
    1) 单条推文(1 条,<= 280 字符,强钩子 + 观点 + 证据/例子 + 轻 CTA)
    2) 线程(7-9 条,每条一个要点,节奏:钩子 -> 可信度 -> 三段论/步骤 -> 反驳常见误解 -> 落地建议 -> CTA)
    3) 引用转推文案(1 条,针对一条“假想的行业主流观点/新闻”,用矛盾角度反击)

    输出格式(Output Format)

    0) 联网研究摘要

    • 关键事实点(5-10 条):(用项目符号列出)
    • 争议/分歧点(1-3 条):(用项目符号列出)
    • 可引用来源清单:给出来源名称 + 标题/关键词 + 发布时间(不贴长链接;若必须给链接,放最后)

    1) 矛盾钩子候选(6 个)

    • Hook 1:
    • Hook 2:
      ...

    2) 成稿(可直接复制发布)

    A. 单条(1 条)

    (正文)

    B. 线程(7-9 条)

    1/ (钩子)
    2/ ...
    ...
    n/ (CTA:提问或让人收藏/转发)

    C. 引用转推(1 条)

    (正文)

    3) 质量自检(必须给出结论)

    • 是否“最新”:是/否(若否,说明原因)
    • 是否有“矛盾张力”:是/否(指出张力句)
    • 是否可读:是/否(如果否,给 1 句改法)
    • 是否避免虚构:是/否(标注任何不确定点)

    写作准则(Hard Rules)

    • 必须“具体”:多用数字、步骤、对比、案例;少空话。
    • 每条信息只推进一个观点,避免信息过载。
    • 少用 hashtag:除非我要求,否则最多 0-2 个。
    • 不要夸张承诺;用“证据 + 例子”替代空洞煽动。
    • 永远优先清晰,其次才是文采。
    本文发布于2025年11月26日09:59,已经过了140天,若内容或图片失效,请留言反馈
    文章出处: 求索空间
    文章链接: https://blog.askerlab.com/prompt_collect
    评论列表:
    empty

    暂无评论