GPT-4提示工程实战

去年有段时间，我特别沉迷于研究各种提示词框架。

CRAFT、COSTAR、CRISP，还有什么"角色+任务+约束+格式"四要素法……我收藏了一堆，还专门建了个备忘录存模板。那段时间我觉得自己已经掌握了某种"正确方法"，每次打开ChatGPT都先套框架，写得工工整整。

后来有一天，我让GPT-4帮我写一段给客户的邮件。我花了五分钟精心构造了一个结构化提示词，结果出来的东西还不如我随手说一句"帮我写封邮件，语气客气点，说我们方案已经更新了，让他看看"来得自然。

那一刻我有点懵。

后来想明白了：提示词框架是拐杖，不是目的。 真正决定输出质量的，从来不是你用了哪个框架，而是你有没有把问题想清楚。

这篇文章不讲框架，讲我真正用GPT-4这段时间摸出来的东西。有些是踩坑踩出来的，有些是跟朋友聊天时突然想通的。

先说一个我花了很久才搞明白的事

很多人觉得提示词的核心是"怎么说"。

不是。核心是"你脑子里有没有想清楚"。

我见过太多人，包括以前的我，写提示词的时候其实自己都没想明白要什么。"帮我写个方案"——什么方案？给谁看？要解决什么问题？写到什么程度算好？这些东西自己都没答案，就指望GPT-4替你想明白，那出来的东西当然泛泛的。

反过来，当你真的把一个问题想透了，你会发现提示词怎么写都差不到哪去。因为你在想清楚的过程中，已经自然地把背景、目标、限制、受众这些东西理了一遍——而这些东西，恰好就是好提示词需要的所有要素。

所以我的第一个建议可能有点反直觉：在打开ChatGPT之前，先花两分钟想清楚你到底要什么。 这两分钟比你研究任何提示词技巧都值。

我真正觉得有用的几个习惯

不是什么系统方法论，就是几个我养成之后确实省了很多事的习惯。

习惯一：先告诉它"不要做什么"

这个是我踩坑最多的地方。

有一次让GPT-4帮我写一个产品介绍。我没说限制，它给我写了一堆"行业领先的解决方案""赋能企业数字化转型"之类的套话。从语法上看没毛病，但完全没法用——我要的是给真实客户看的东西，不是官网首页的标语。

后来我在提示词里加了一句："不要写任何'赋能''解决方案''生态'这类词，用大白话说清楚这个产品能帮人做什么具体的事。"

出来的东西立刻就不一样了。

GPT-4有个特点：你不设限制，它倾向于给你"最安全"的答案。而"最安全"的答案，往往就是最无聊、最通用的答案。你告诉它什么不能写，反而能逼出更有用的东西。

我现在写提示词，几乎都会加一个"不要"的部分。不用很长，一两句就行，但确实管用。

习惯二：给它看例子，而不是给它讲规则

这一点我反复说，因为它真的太重要了。

你想让GPT-4按某种风格写东西，不要描述风格。"语气轻松一点""不要太正式""要有网感"——这些描述它理解起来是有偏差的。每个人对"轻松"的定义不一样，它不知道你的标准是什么。

直接给它看三段你觉得写得好的东西，说"按这个感觉来"。

我之前帮一个做烘焙的朋友写小红书文案。我试过描述风格，出来的东西总差点意思。后来我直接把她以前发的、数据最好的三篇文案贴进去，说"就按这个调性写"。她看了之后说"就是这个味"。

AI在模仿具体样本上的能力，远比你描述抽象规则要强。这条规律，在我用过的所有模型上都成立。

习惯三：让它先别急着给答案

这个习惯是有一次偶然发现的。

我在做一个项目的市场分析，直接问GPT-4"这个市场怎么样"，它给了一个看起来挺全面的回答。但我总觉得哪里不对——它什么都说到了，但什么都没说透。

后来我换了一种方式："在回答之前，先告诉我你对这个问题有哪些不确定的地方，以及你需要什么信息才能给出更好的分析。"

它列出了五六个问题，其中两个是我根本没想到的。我补充了信息之后，再让它分析，质量明显高了一个档次。

这个做法的好处是：它帮你发现了你自己思维里的盲区。 你以为你已经想清楚了，但当你看到它问的问题时，才发现自己漏掉了关键信息。

我现在遇到比较复杂的问题，都会先让它提问。不是每次都管用，但确实有好几次帮我省了返工的工夫。

关于"一步一步想"这件事

你一定见过这个技巧：在提示词里加一句"Let's think step by step"或者"请一步一步思考"。

我一开始觉得这就是个心理安慰——它又不是真的在"思考"，写出来有什么用？

后来有一次让我改变了看法。

我在做一个比较复杂的定价策略分析，涉及好几个变量。直接问GPT-4给建议，它给了一个结论，但那个结论的逻辑链条我总觉得哪里跳了一步。

我加了一句："请把你的分析过程完整写出来，每一步都要说清楚依据是什么，不要跳步。"

它写出来的分析过程里，有一步的逻辑明显有问题——它做了一个假设，但这个假设在我的场景里根本不成立。如果它直接给结论，我可能就信了。但因为它把过程摊开来了，我一眼就看出了问题。

从那以后我就理解了：思维链的价值不在于让AI"更聪明"，而在于让你能检查它的推理过程。 一个黑盒给出的答案，你只能选择信或不信。但一个把推理过程展示出来的答案，你可以判断它哪一步有问题。

这个习惯我现在几乎每次处理复杂问题都会用。不是因为它每次都让答案更准确，而是因为它让我知道这个答案到底靠不靠谱。

角色设定这件被说烂了的事

"你是一个有20年经验的营销专家"——这种提示词你大概见过无数次。

这种角色设定基本没用。因为GPT-4不知道你心目中的"营销专家"具体是什么样的人。它只能按训练数据里的"营销专家"来演，那个形象可能跟你要的完全不一样。

真正有用的角色设定，要说清楚三件事：

第一，这个人知道什么、不知道什么。 比如"你是一个写科技内容的编辑，跟踪AI行业有几年了，但对底层技术细节不太深"——这比"你是一个科技专家"具体得多。

第二，这个人的立场和偏好。 比如"你倾向于质疑那些过度宣传的产品，更关注实际使用体验"。这会影响它分析问题的角度。

第三，这个人说话的对象是谁。 给同行看的分析和给老板看的分析，深度和写法完全不同。

三个加起来，才算一个真正有意义的角色。缺一个，它就会用默认值补上，而默认值往往不是你想要的。

我自己的做法是：在长对话的开头花一两分钟把角色定好，然后这个对话里所有的问题都沿用这个角色。不要每次重新设定——每次重新设定，它就重新猜一次你想要什么。

一个让我省了很多时间的流程

说了这么多零散的习惯，讲一个我实际用GPT-4写东西的完整流程。

我最近在写一篇关于AI工具对比的文章，大概走了这几步：

第一步，新对话，定角色。 "你是一个经常测评AI工具的博主，你的读者是普通上班族，不是技术人员。"

第二步，说清楚我要什么。 不是"帮我写一篇对比文章"，而是"我要对比三款AI写作工具，重点看它们在日常办公场景下的实际表现，不要跑分，要真实使用感受。"

第三步，给参考。 把我之前写的一两篇类似风格的文章片段贴进去，让它知道我要什么调性。

第四步，第一版出来之后，先不急着改内容。 我先让它自己评价："你觉得这版最大的问题是什么？" 它通常会指出一些我没注意到的点，比如某个部分太长了、某个地方的逻辑接不上。

第五步，针对它指出的问题修改。 然后再通读一遍，加进我自己的经历和判断。GPT-4写出来的东西结构好、逻辑通，但没有"人味"。我自己的东西加上去，才算是我写的文章。

这个流程的核心思路是：不是让GPT-4替你写，而是让它帮你把从零到一最难的那一步走过去。 后面的打磨，还是得自己来。

最后说一个很多人不愿意面对的事实

GPT-4还是会瞎说。

不是以前GPT-3.5那种明显的胡说八道——它编起来更逼真了。逻辑自洽，引经据典，看着特别像那么回事。但就是不对。

我现在对于GPT-4给出的具体数据、引用、人名、链接，都默认不信，除非我能验证。不是不信任它，这是用它的正确方式：拿它来做框架和建议，拿你自己的判断来核实事实。

有一次它引用了一篇"研究"来支撑一个观点，说得头头是道。我去找那篇论文，发现根本不存在。如果我当时直接用了那个引用，发出去就尴尬了。

所以不管它说得多自信，凡是涉及到你要对外发布的内容，自己查一遍。这个习惯能帮你避免很多麻烦。

写到最后，回头看了看，发现最重要的一点其实特别朴素：多用，多改，多对比。

上面说的那些习惯，光看了没用，试了才知道哪条对你真的有效。每个人的场景不同，GPT-4的"脾气"也可能不一样。别太信别人的方法论，包括我的——自己试过才知道。

从今天开始，拿一个你手头的真实任务，试着用上面聊到的方式去跟GPT-4合作。不用追求完美，先跑起来，在用的过程中慢慢调整。

工具这种东西，不是学出来的，是用出来的。