下面的情景是不是有些似曾相識？
當(dāng)滿懷期待地給AI大模型下達(dá)指令，比如“幫我分析一下這周的股價走勢”。
等待數(shù)十秒后，得到了一份空洞無物，只有數(shù)據(jù)羅列的通用模板，令人大失所望。
轉(zhuǎn)念一想，不應(yīng)該啊，之前看過的短視頻里介紹AI都和點(diǎn)石成金一樣：
有的人能用AI在朋友圈、小紅書和微博上追逐時尚潮流生成爆款文案；
有的人能用AI生成勝過資深程序員編寫的高質(zhì)量代碼；
有的人能讓AI充當(dāng)各領(lǐng)域內(nèi)的行業(yè)專家，隨隨便便來一份分析報告都不在話下；
同樣是AI，天差地別的結(jié)果。
不同的AI大模型之間能力存在差距，這是事實(shí)。
但造成這一差異的更為主要的原因在于，使用AI的方法，也就是提問的方式。
我們注意到，為了降低使用門檻，加速AI大模型應(yīng)用普及，各大廠也在“提示詞工程”上下大心思。PromptPilot，便是字節(jié)系的大模型提示詞解決方案平臺。
以其為樣本，本文將就“提示詞工程”與字節(jié)系的“提示詞工廠”，一探究竟。
01
提示詞的演進(jìn)過程
人與AI溝通的媒介，即為提示詞（Prompt）。
有人會問：“寫Prompt不就是打字提問嗎？”
非也，這是一門學(xué)問。
這門學(xué)問在AI誕生至今的短短幾年內(nèi)，已經(jīng)經(jīng)歷了從“遠(yuǎn)古時代”到“現(xiàn)代”的飛速進(jìn)化。
簡單了解一下提示詞的發(fā)展路徑，或許能夠幫助理解為什么我們需要更“工程化”的思維。
Stage.1 “魔法咒語”時代
這是最早期的階段，但也是大多數(shù)人目前所處的階段。
使用AI大模型和使用搜索引擎的方法并無兩樣，就像最初大家在使用GPT3.5時，只需要隨意拋出問題，就可以把AI當(dāng)作百科全書使用。
這個階段的提示詞特點(diǎn)也很鮮明，“一問一答，簡單直接”。
當(dāng)然，使用效果也有些靠運(yùn)氣。對于一些需要思考、推理或創(chuàng)意的任務(wù)，AI的回答時而驚艷，時而平庸。
Stage.2 “啟蒙與引導(dǎo)”時代
此后，AI的發(fā)展速度遠(yuǎn)超人們的想象。
研究者和“高級玩家”們發(fā)現(xiàn)，AI就像一個孩子，直接下命令，它有時根本聽不懂。
但如果給AI一些適當(dāng)?shù)奶崾竞鸵龑?dǎo)，有助于孩子的成長，最終得到更好的結(jié)果。
在這一階段，誕生了兩種里程碑式的AI使用方式：
一是示例學(xué)習(xí)：在向AI正式發(fā)文之前，先給出范例，讓AI進(jìn)行模仿；
二是思維鏈路：不是直接生成最終答案，而是像做中學(xué)數(shù)學(xué)題一樣，必須把過程寫清楚，最后給出解答。思維鏈路的出現(xiàn)，使AI在計算、推理和邏輯類任務(wù)中取得了巨大的飛躍。
因此，這時的AI ，雖然本質(zhì)上只是一段早已編寫好的程序，但它也可以被視為一個可以教導(dǎo)和啟發(fā)的學(xué)生。
Stage.3 “系統(tǒng)化工程”時代
這是我們現(xiàn)在所處的時代。AI產(chǎn)品五花八門，其能力已經(jīng)達(dá)到“逆天”的水平。
簡單的小技巧已經(jīng)無法有效駕馭AI，是時候設(shè)計出一套系統(tǒng)化、規(guī)范化且可復(fù)用的方法來更加有效地利用AI了。
因此，不論是LLM應(yīng)用開發(fā)平臺，還是各家廠商最新版本的AI大模型，如果讓它們自動生成提示詞，都已經(jīng)不再是零散的指令，而是采用一個包含角色、背景、任務(wù)、規(guī)則、輸出格式和限制等元素的結(jié)構(gòu)化框架。
其目的也很簡單，讓AI的輸出穩(wěn)定、可控、易于復(fù)制。
02
提示詞工程
“提示詞工程”是什么？
AI給出的回答是：“一門設(shè)計和優(yōu)化提示詞的科學(xué)，旨在更有效地與大型語言模型進(jìn)行溝通，從而引導(dǎo)它們生成更準(zhǔn)確、更相關(guān)、更高質(zhì)量的輸出結(jié)果。”
如前文所述，提示詞的重要性源于”Garbage In, Garbage Out”原則，AI模型的輸出質(zhì)量直接取決于輸入提示詞的質(zhì)量。
優(yōu)質(zhì)的提示詞，最重要的功能在于有效減少AI出現(xiàn)“幻覺”的概率，使其回答更加貼近現(xiàn)實(shí)和用戶意圖。
同時，提示詞有助于發(fā)掘AI的“潛力”。相比簡單的指令，提示詞工程可以讓AI實(shí)現(xiàn)更多功能，比如編寫代碼、市場分析、創(chuàng)意生成等更加復(fù)雜、更加抽象的任務(wù)。
此外，用戶還可以對AI的回答添加格式、語氣、長度等約束條件，靈活地調(diào)整答案的展現(xiàn)形式，同時節(jié)約調(diào)試時間。
對于編寫提示詞的方法，Gemini 2.5 Pro給出了名為R.O.L.E.S.的法則，這里選擇構(gòu)建工作流時使用的實(shí)例：
R - Role（角色）：你希望AI是誰？
這是AI使用者在編寫提示詞時最容易忽略的一步，因?yàn)槲覀兂３Ｉ蟻砭椭苯影褑栴}拋給AI。通過賦予AI一個具體且專業(yè)的角色，能夠激活它在該領(lǐng)域的知識庫，使其回答更具深度和專業(yè)性。
例如：
# 角色
你是一個頂級的金融數(shù)據(jù)分析師，能夠解析用戶的請求，并為后續(xù)的數(shù)據(jù)庫檢索程序準(zhǔn)備一份精確的數(shù)據(jù)需求清單。
O - Objective（目標(biāo)）：你想完成什么核心任務(wù)？
用戶需要清楚地告訴AI最終目的是什么。不要擔(dān)心語言過于繁瑣，AI“聽不懂”的是短句，而不是長難句。任務(wù)越明確，AI的行動路徑就越清晰。
例如：
# 核心任務(wù)
你的任務(wù)是分析用戶關(guān)于“谷歌”（別稱：Google）的指令"{{query}}"。你的最終輸出不是直接回答用戶的問題，而是列出為了回答這個問題，必須從我們的財務(wù)知識庫中檢索的**所有基礎(chǔ)數(shù)據(jù)字段**。
L - Limit&Constraint（限制與約束）：有哪些規(guī)則必須遵守？
AI作為一個自由創(chuàng)作的作家，輸出方式向來是不拘一格。要想獲得準(zhǔn)確的結(jié)果，就必須對其加以限制和約束，包括但不僅限于風(fēng)格、語氣、字?jǐn)?shù)、禁止事項(xiàng)等等。
例如：
# 輸出要求
- **嚴(yán)格遵循格式**: 嚴(yán)格輸出由`鍵:值`對、逗號`,`和分號`;`組成的字符串。
- **純凈輸出**: 不要包含任何前綴、解釋、引號、空格或任何其他多余的文字。
- **空處理**: 如果指令與谷歌的財務(wù)或市場數(shù)據(jù)完全無關(guān)，輸出NO_QUERY`。
E - Examples（示例）：有沒有可以參考的例子？
如果用戶的要求比較復(fù)雜或獨(dú)特（比如某一個細(xì)分領(lǐng)域），那么提供給AI一個具體的例子會是比較高效的溝通方式，這有助于讓AI迅速理解用戶期望的格式和風(fēng)格，而不是通過多輪對話讓AI不斷去嘗試。
例如：
# 示例
* *用戶說*: "谷歌的收入和市值是多少？"
* *你的思考*: 用戶直接要“營業(yè)收入”和“市值”。這是基礎(chǔ)指標(biāo)。
* *最終輸出*: 營業(yè)收入,市值
S - Steps（步驟）：完成任務(wù)需要分幾步？
對于較為復(fù)雜的任務(wù)，就輪到之前提過的“思維鏈路”出場了。一次把任務(wù)灌輸給AI通常得不到理想的結(jié)果，但如果能引導(dǎo)AI按照步驟思考和執(zhí)行，就可以大幅提升輸出結(jié)果的邏輯性和準(zhǔn)確性。
例如：
# 步驟
首先判斷用戶指定的財務(wù)指標(biāo)是否能夠從給定的財報中直接獲取；若不能獲取，再根據(jù)計算公式獲取相關(guān)指標(biāo)；最后分析該指標(biāo)的含義。
對于上面這套法則，還有一些需要注意的細(xì)節(jié)：
第一，提示詞的編寫并沒有嚴(yán)格的規(guī)定，上面的五個部分可以按需修改；
第二，給出的例子中可能包含{}、**、<>等符號，這些符號也是提示詞工程中的小技巧，每種符號都具有特定的功能，可以把一個純自然語言的段落轉(zhuǎn)變成一個類似于“程序”的指令集。
03
字節(jié)的“提示詞工廠”
在明確提示詞的編寫流程后，就該思考這套方法的實(shí)用性了。
很明顯，如果按部就班地完成每個步驟，工作量已經(jīng)接近于寫一篇作文。
換個角度來看，我們需要使用提示詞讓AI完成任務(wù)，而寫提示詞恰好就是一項(xiàng)任務(wù)。
因此，我們可以再偷個懶，干脆讓AI把提示詞也幫著寫完得了。
字節(jié)在6月推出了一款名為PromptPilot的產(chǎn)品，是面向大模型應(yīng)用的全鏈路優(yōu)化平臺。
平臺介紹中提到，該產(chǎn)品不僅可以提供精準(zhǔn)、專業(yè)、可持續(xù)迭代的提示詞，還可以覆蓋大模型開發(fā)從構(gòu)想、開發(fā)部署到迭代優(yōu)化的全過程。
該產(chǎn)品免費(fèi)試用至2025年9月11日，鏈接：https://promptpilot.volcengine.com/home
眼見為實(shí)，下面我們來試用一下看看效果如何。
主界面UI看上去很簡潔，功能主要有三個：Prompt生成、Prompt優(yōu)化和視覺理解Solution。
由于本篇文章主要討論提示詞相關(guān)內(nèi)容，因此只介紹前兩個功能。
圖：PromptPilot使用流程圖
對于沒有提示詞編寫經(jīng)驗(yàn)的用戶，可以直接在平臺上生成結(jié)構(gòu)化的提示詞：
圖：生成提示詞界面
任務(wù)描述并不需要太復(fù)雜，只要表達(dá)清楚就好，也不必?fù)?dān)心描述不夠精細(xì)，后面還可以進(jìn)行調(diào)整。
這是平臺生成的初版提示詞，雖然尚不完備，可能與用戶的詳細(xì)需求仍然存在差異，但其效果已經(jīng)遠(yuǎn)比使用短句給AI下達(dá)命令要好。
接下來，需要驗(yàn)證這份提示詞的效果究竟如何。點(diǎn)擊“驗(yàn)證Prompt”進(jìn)入調(diào)優(yōu)環(huán)節(jié)：
圖：選擇調(diào)優(yōu)模式
PromptPilot提供了兩種調(diào)優(yōu)模式，評分模式類似于“簡答題”，需要用戶填寫分?jǐn)?shù)、評價意見（可選）和理想回答（可選），GSB比較模式則類似于“選擇題”，需要用戶對答案進(jìn)行比較，并給出Good、Same和Bad的判斷。
提示詞的重要性我們已經(jīng)提過很多次，因此更推薦選擇評分模式。
圖：調(diào)優(yōu)界面
選擇評分模式進(jìn)入調(diào)優(yōu)界面后，需要進(jìn)行幾項(xiàng)設(shè)置：
首先，如果用戶覺得提示詞無法滿足需求，可以使用“一鍵改寫Prompt”。
然后，在提示詞中可以看到熟悉的標(biāo)識{{AI_NEWS}}，表示這里需要填入相關(guān)領(lǐng)域的AI新聞。點(diǎn)擊“填寫變量”，將新聞內(nèi)容粘貼進(jìn)去即可。
PromptPilot還提供了一項(xiàng)很貼心的服務(wù)：AI生成變量內(nèi)容。
也就是說，如果我們并沒有足夠的新聞，就可以讓AI現(xiàn)編一條。這個功能在不需要信息真實(shí)性的情況下能幫上大忙，快速構(gòu)造數(shù)據(jù)集就靠它了。
不過，我們需要真實(shí)新聞才能發(fā)布文章，而有些聰明的模型可以識別出虛假的新聞，因此這里還是不要使用AI生成變量內(nèi)容。
最后，在模型回答窗口中可以自由選擇大模型版本，其中DeepSeek和豆包的部分版本免費(fèi)。
這里，考慮嘗試一下豆包的新模型：Doubao-Seed-1.6-Thinking，開啟深度思考功能。
完成上述設(shè)置后，點(diǎn)擊“保存并生成模型回答”，平臺會調(diào)用選擇的模型，按照給定的提示詞開始編寫文章。生成文章后，需要點(diǎn)擊“添加至評測集”。
只靠一篇文章是無法衡量提示詞質(zhì)量的優(yōu)劣的，因此我們需要更多的數(shù)據(jù)來進(jìn)行評判。
圖：評測數(shù)據(jù)集界面
與前面的操作相同，我們需要把新聞?wù)迟N至評測數(shù)據(jù)集中的AI_NEWS一列。
點(diǎn)擊“生成全部回答”，模型開始編寫對應(yīng)的文章。
評分同樣可以由AI完成，點(diǎn)擊“智能評分”-“AI評分標(biāo)準(zhǔn)”-“生成評分標(biāo)準(zhǔn)”即可獲得一套較為詳細(xì)的評分標(biāo)準(zhǔn)，用戶可以在此基礎(chǔ)上進(jìn)行修改或是直接使用。
開啟智能評分功能后，AI在文章編寫文章后會自動生成評分及理由。需要注意的是，智能評分功能并不完善，經(jīng)常出現(xiàn)全是滿分的情況，而這樣的評分對于調(diào)優(yōu)Prompt沒有意義。
當(dāng)然，這個環(huán)節(jié)也可以由我們手動完成，主觀的評閱意見能夠使文章的風(fēng)格更接近于理想中的狀態(tài)。但新聞數(shù)量較多時，人工評閱的工作量還是有些過大。
這個時候，就又輪到“老朋友”工作流登場了。
既然PromptPilot是火山引擎的工具，而大模型我們又選擇了豆包，因此工作流我們也選擇字節(jié)系的Coze進(jìn)行開發(fā)。
圖：AI生成文章評分工作流
工作流的結(jié)構(gòu)很簡單，開始節(jié)點(diǎn)接收兩個參數(shù)：news（原始新聞）和article（AI生成的文章）。
大模型節(jié)點(diǎn)用來進(jìn)行評分，同樣將上面兩個參數(shù)作為輸入，并開始編寫提示詞。
既然研究AI，當(dāng)然提示詞也要讓AI來生成。需要注意的是，適當(dāng)提高文章評分的區(qū)分度，有助于提示詞的優(yōu)化。
因此，我讓AI生成了一份評分標(biāo)準(zhǔn)，并告知需要嚴(yán)格評判產(chǎn)生區(qū)分度，并生成了對應(yīng)的結(jié)構(gòu)化提示詞。
圖：AI評分提示詞|
提示詞編寫完成后，大模型節(jié)點(diǎn)的模型同樣選擇豆包·1.6·深度思考·多模態(tài)。
現(xiàn)在，只需要運(yùn)行工作流，把新聞原文和AI生成的文章粘貼進(jìn)去就可以得到評分及打分理由，完成后粘貼到PromptPilot中即可。
最終，數(shù)據(jù)集包含36條新聞及對應(yīng)文章，開始進(jìn)行提示詞的智能優(yōu)化。
圖：智能優(yōu)化界面
可以看到，平臺推薦的數(shù)據(jù)是50條以上并給出理想回答，但這并非必須。只有評分是必須項(xiàng)。
智能優(yōu)化環(huán)節(jié)花費(fèi)了約17分鐘，迭代了28次，結(jié)果如下：
圖：智能優(yōu)化結(jié)果
這樣，我們就得到了一份優(yōu)化后的提示詞，相比上一版提示詞增加了更多任務(wù)描述和細(xì)節(jié)。
下拉該頁面還可以看到根據(jù)新的提示詞生成的文章，這里就不一一展示了。
但還請不要忘記，提示詞工程并非到此而止，而是可以繼續(xù)通過添加數(shù)據(jù)、評分和理想回答的方法進(jìn)行下一輪優(yōu)化，直到它能夠完全滿足需求。
至此，我們已經(jīng)掌握了一套標(biāo)準(zhǔn)化的用于優(yōu)化提示詞的方法。
而事實(shí)上，這個過程就是我們常常提到的——強(qiáng)化學(xué)習(xí)。
04
結(jié)語
回到最初的問題：為什么同樣的AI，在不同人手中會產(chǎn)生天壤之別？
答案正是提示詞工程——與AI高效寫作的藝術(shù)與科學(xué)。
它并非計算機(jī)行業(yè)的專利，而是未來人們需要具備的基礎(chǔ)素養(yǎng)。
掌握它，意味著駕馭AI，擁有放大自身價值的能力。
然而，知易行難。“知道”結(jié)構(gòu)化提示詞的重要性，與“做到”在每次向AI提問時熟練運(yùn)用，中間還存在一道不那么容易跨越的鴻溝。
坦誠地說，字節(jié)跳動當(dāng)前版本PromptPilot遠(yuǎn)非完美，也絕非終點(diǎn)。
請不要指望它能一鍵生成滿足所有精細(xì)化需求，同時還擁有絕佳效果的“神級”提示詞。
在面對較為復(fù)雜或創(chuàng)新需求的任務(wù)時，我們會清楚地感受到它提供的框架仍然有所局限。
同時別忘了，它也有一定的使用門檻，需要我們花時間去學(xué)習(xí)、去配置、去適應(yīng)。
但與此同時，這也揭示了PromptPilot的核心價值：它并非“答案機(jī)”，而是“思維矯正器”。
在學(xué)習(xí)和使用PromptPilot的過程中，它強(qiáng)行打破了我們用大白話隨口一問的慣性。
它的結(jié)構(gòu)化編輯器更像是一個“思維腳手架”，也許本身并不美觀，但能保證搭建出的建筑地基穩(wěn)固、結(jié)構(gòu)完整。
而它的存在，能夠幫助那些面對AI聊天框總是無從下手，或是因AI輸出質(zhì)量不佳而苦惱的用戶，完整從0到1的初次躍遷。
它的目標(biāo)用戶，并非那些隨手寫出上百字的復(fù)雜指令的提示詞工程師，而是每一個希望告別低效提問，著手建立系統(tǒng)化和結(jié)構(gòu)化思維的“學(xué)生”。
最終，在熟練掌握思維模式后，我們可能不再使用PromptPilot，但已經(jīng)具備了與AI高效對話的底層能力。
而這，正是AI時代真正的通行證。