提示词工程入门：从写提示词到构建AI协作能力

同样一个AI，有人只能让它写小学生作文，有人却能让它产出专业行业报告。差别不在模型本身，而在输入的指令。B站一档系统讲解提示词工程的课程，从最基础的认知讲起，试图把"给AI发消息"这件事拆解成一门可学习、可复用的方法。

提示词不只是"发消息"

课程给出的定义很朴素：提示词就是我们给AI的任何指令，无论是问题还是描述。但它的比喻更值得琢磨——提示词像发给AI的"神经元信号"，你发什么信号，AI就往哪个方向思考。它是控制AI最直接的手段。

这个定义背后有个关键区分：脑子里想的是模糊的，AI只能理解明确的。提示词的作用就是把模糊需求翻译成AI能听懂的话。翻译这一步没做好，后面输出大概率不对。

具体来说，提示词承担四类职能：

• 沟通桥梁：把"给我来份吃的"翻译成"要什么菜、辣度、加不加饭"。
• 任务导航：说"帮我处理这份文件"，AI不知道是统计分析还是写总结，只会随便选一个。好的提示词给出明确目标和边界，像导航输入准确目的地。
• 风格控制：商务邮件和朋友圈文案风格不同，提示词可以让AI用鲁迅的笔法写评论，或用严谨学术语言写论文，减少后期修改成本。
• 边界约束：解决AI"胡说八道"最有效的方法之一。分析行业数据时限定"只看某季度财报、不扯宏观政策"，输出会更聚焦。

课程用"写春天"做了对比：基础提示词只说"写一篇关于春天的文章"，AI只能猜地域、文体、长度、风格，结果千篇一律；优化版给出身份（散文作家）、字数（800字）、场景（江南春天）、风格（语言优美、着重写烟雨朦胧的水乡意趣），模糊要求就变成了可执行规则。

提示词与提示词工程的分界线

很多人把这两个概念混为一谈。课程强调：提示词是单次的，写一行执行一次，换个问题可能就不好用；所谓"万能提示词"并不存在，只有适合特定场景的提示词。提示词工程则是一套流程——不修改模型代码和参数，只通过设计输入指令，让通用模型稳定输出想要的结果。

这套流程被拆成六步：需求拆解（把大问题拆成AI能解决的小问题）、设计方案（对应提示词与角色）、执行测试、评估效果（用具体标准判断好坏）、策略迭代、沉淀复用。课程把它类比为软件开发，只不过写的是自然语言。它解决的不是一个问题，而是一类问题。

衡量这套流程是否成功，课程给出四个目标：提升准确率、减少幻觉、增强稳定性（谁用、什么时候用结果都差不多）、降低成本（用最少token得到最好效果）。

Token 是理解成本约束的关键概念。大模型处理文本时并非按“字”或“词”计数，而是把输入输出切分成 token——英文中一个 token 大约对应 0.75 个单词，中文里一个汉字通常占 1 到 2 个 token。API 按输入 token 和输出 token 分别计费，输出通常更贵。这意味着提示词越长、附带的示例和背景资料越多，单次调用成本就越高；高频调用场景下，这部分开销会被放大。同时 token 也直接对应上下文窗口的容量，超出上限的内容会被截断或需要额外处理，这正是“提示词太长 AI 会忘事”的技术根源。

为什么现在要学，以及它的商业价值

课程提到一个数据：超过90%的用户只用AI做基础问答，相当于买了跑车只挂一档。提示词工程的门槛很低——不需要编程，不需要懂算法，能把事情说清楚就能学。

直接收益是效率：原来一天的事可能一小时做完，还能处理专业报告、复杂数据分析等原来AI做不了的任务。商业层面，课程列举了几条路径：帮企业和自媒体优化提示词或生成内容做副业；一个人干原来一个团队的活，降低试错成本、快速验证想法；自媒体产出量从每月十篇提升到几十篇，加速粉丝积累和变现。

提示词不是万能钥匙：三层局限

课程最后一部分最值得重视——提示词的局限性。首先是无法突破模型能力上限：训练数据截止到某个时间点，之后的事它不知道；复杂数学题算不出来，再怎么优化提示词也没用。其次是输出不稳定：改一个字结果可能完全不同，提示词太长AI会"忘事"。第三是幻觉只能减少、不能消除，重要事项必须人工核实。

技术层面还有三个硬约束：上下文长度受限，像手机运行内存，开多了会自动清后台；复杂多步任务不稳定，容易跳步骤断逻辑，必须先拆成小任务；没有真正的长期记忆，每次对话都是全新的，记不住偏好和背景，只能靠外部数据库弥补。

落地层面同样有三个坑：安全与对齐限制导致合法需求也可能被误判拦截；纯提示词无法工程化，个人用没问题，做成产品给成百上千人用时，版本管理、问题回溯、批量任务都扛不住，企业级应用一定是提示词加代码结合；成本陷阱，AI按token收费，提示词越长越贵，且成本非线性增长，高频调用时隐性成本惊人。

课程的结论很克制：提示词是好用的工具，但不是万能钥匙，该人工做的还得人工做。对初学者而言，这一章的价值不在于教你写出某个"神级提示词"，而在于建立一个判断框架——知道提示词能做什么、不能做什么，以及什么时候该把提示词升级成一套工程方法。

幻觉（Hallucination） 指模型生成看似合理、实则与事实不符或凭空捏造的内容，比如编造不存在的文献、数据或引用。它的成因在于模型本质上是根据上下文预测下一个 token，追求的是“像真的”，而非“是真的”，因此在训练数据稀疏或问题超出其知识范围时，就容易用流畅的语言填补空白。提示词工程中的边界约束、要求引用来源、限定“不知道就说不知道”等手段可以降低幻觉概率，但无法从机制上根除。这也是课程强调重要事项必须人工核实的原因——尤其在法律、医疗、财务等高风险场景，模型输出只能作为初稿而非最终依据。