什么是 Prompt Engineering？
Prompt Engineering（提示词工程）是与 AI 模型高效沟通的核心技能。一个好的提示词可以将 AI 的输出质量提升数倍——从模糊的泛泛回答变成精准、结构化、可直接使用的专业内容。无论你使用 ChatGPT、Claude、Gemini 还是其他大语言模型，掌握 prompt 设计都能极大提高工作效率。
2026 年，随着 AI 模型能力的持续提升，prompt engineering 已经从"锦上添花"变成了"核心竞争力"。开发者用它生成高质量代码，市场人员用它撰写营销文案，研究人员用它分析数据——prompt 模板正在成为每个知识工作者的必备工具箱。
本页整理了 20+ 经过验证的 prompt 模板 ，覆盖编程、写作、数据分析和翻译四大场景，每个模板都可以一键复制直接使用。我们还会讲解 Chain-of-Thought、Few-shot 等高级技巧，帮助你从入门到精通。
Prompt 结构框架
好的 prompt 都遵循一定的结构。以下是两个最流行的框架：
RICE Framework
R ole（角色）— 告诉 AI 它是谁："你是一名资深后端工程师"
I nstructions（指令）— 具体要做什么："审查以下代码的安全漏洞"
C ontext（上下文）— 背景信息：技术栈、业务场景、约束条件
E xamples（示例）— 提供期望输出的样例，帮助 AI 理解你的意图
CRISPE Framework
C apacity（能力）— AI 扮演的角色和能力范围
R equest（请求）— 你需要 AI 完成的具体任务
I nsight（洞察）— 提供额外的专业知识或背景
S tatement（声明）— 输出格式和风格的要求
P ersonality（个性）— AI 回复的语气和风格
E xperiment（实验）— 要求 AI 提供多种方案供选择
核心要素速记： 不管用哪个框架，优秀的 prompt 都包含这五个要素 — 角色 （你是谁）、指令 （做什么）、上下文 （背景信息）、示例 （期望输出）、约束 （格式/长度/语气）。缺少任何一个都可能导致输出偏离预期。
Prompt 模板库
以下模板经过反复测试和优化，可直接复制使用。点击模板右上角的 Copy 按钮即可复制。
编程
写作
分析
翻译与本地化
编程提示词模板
代码审查
你是一名拥有 10 年经验的高级软件工程师，擅长 [语言/框架]。
请审查以下代码，重点关注：
1. 安全漏洞（注入、XSS、认证绕过等）
2. 性能问题（N+1 查询、内存泄漏、不必要的计算）
3. 代码可读性和可维护性
4. 是否遵循 [语言] 最佳实践和设计模式
对于每个发现的问题，请按以下格式输出：
- 严重程度：高/中/低
- 位置：文件名和行号
- 问题描述：简要说明问题
- 修复建议：提供具体的修改方案和示例代码
代码如下：
```
[在此粘贴代码]
```Copy
Bug 修复
你是一名经验丰富的调试专家。我遇到了一个 bug，请帮我诊断和修复。
环境信息：
- 语言/框架：[例如 Python 3.12 / Django 5.0]
- 运行环境：[例如 Ubuntu 22.04, Docker]
- 相关依赖版本：[列出关键依赖]
问题描述：
[详细描述预期行为和实际行为]
错误信息/堆栈跟踪：
```
[粘贴错误信息]
```
相关代码：
```
[粘贴相关代码]
```
请按以下步骤分析：
1. 根本原因分析
2. 修复方案（提供修改后的完整代码）
3. 如何防止类似 bug 再次出现
4. 建议添加的测试用例Copy
代码重构
你是一名专注于代码质量的架构师。请对以下代码进行重构：
重构目标：
- [ ] 提高可读性
- [ ] 减少重复代码（DRY 原则）
- [ ] 改善错误处理
- [ ] 优化性能
- [ ] 增强可测试性
约束条件：
- 保持公共 API 不变
- 向后兼容
- 遵循 [语言] 社区惯例
代码如下：
```
[在此粘贴代码]
```
请输出：
1. 重构后的完整代码
2. 每处修改的理由说明
3. 重构前后的复杂度对比Copy
单元测试生成
你是一名测试工程师。请为以下代码编写全面的单元测试。
测试框架：[例如 pytest / Jest / JUnit]
覆盖率目标：> 90%
请确保测试包含：
1. 正常路径测试（Happy path）
2. 边界条件（空值、极大/极小值、空数组等）
3. 异常/错误情况
4. 必要的 mock/stub
代码如下：
```
[在此粘贴代码]
```
输出格式：
- 每个测试方法前添加注释说明测试意图
- 使用 AAA 模式（Arrange-Act-Assert）
- 测试命名遵循 should_[预期行为]_when_[条件] 格式Copy
API 设计
你是一名 API 架构师，精通 RESTful 和 GraphQL 设计。
请为以下业务需求设计 API：
业务描述：[描述业务场景和需求]
目标用户：[内部服务 / 外部开发者 / 移动端]
技术栈：[例如 Go + PostgreSQL]
请输出：
1. 端点列表（方法、路径、描述）
2. 请求/响应 JSON Schema 示例
3. 认证和授权方案
4. 分页、过滤、排序策略
5. 错误码定义
6. 版本控制策略Copy
写作提示词模板
博客文章
你是一名专业的内容创作者，擅长 [领域] 领域的深度写作。
请撰写一篇关于 [主题] 的博客文章。
要求：
- 目标读者：[初学者/中级/高级]
- 字数：[1500-2500 字]
- 语气：[专业但易懂 / 轻松幽默 / 学术严谨]
- 包含 SEO 友好的标题和副标题（使用 H2/H3）
- 每个要点用具体例子或数据支撑
- 结尾包含行动号召（CTA）
文章结构：
1. 引人入胜的开头（hook + 痛点）
2. 核心内容（3-5 个要点，每个配示例）
3. 实操建议（可立即执行的步骤）
4. 总结和 CTACopy
邮件撰写
你是一名商务沟通专家。请帮我撰写一封 [类型] 邮件。
邮件类型：[冷启动开发信 / 跟进邮件 / 道歉信 / 合作邀请 / 项目更新]
收件人：[职位和关系描述]
核心目的：[希望对方采取什么行动]
背景信息：
[提供相关上下文]
要求：
- 主题行：简洁有吸引力，不超过 60 个字符
- 正文不超过 200 字
- 语气：[正式 / 半正式 / 友好]
- 结尾包含明确的下一步行动
- 提供 2 个版本供选择Copy
技术文档
你是一名技术文档工程师。请为 [产品/功能/API] 编写技术文档。
文档类型：[快速入门 / API 参考 / 架构说明 / 变更日志]
目标读者：[开发者 / 运维人员 / 产品经理]
请包含：
1. 概述（一句话说清楚这是什么、解决什么问题）
2. 前置条件和环境要求
3. 安装/配置步骤（带代码示例）
4. 核心用法（带可运行的代码片段）
5. 常见问题和排错指南
6. 参考链接
格式要求：使用 Markdown，代码块标注语言，关键参数用表格展示。Copy
社交媒体文案
你是一名社交媒体营销专家。请为以下内容创建社交媒体帖子。
平台：[Twitter/X / LinkedIn / Instagram / 小红书 / 微博]
主题：[描述要推广的内容/产品/活动]
目标：[提高品牌知名度 / 引流 / 促进转化]
目标受众：[描述人群特征]
请提供：
1. 3 个不同角度的文案版本
2. 每个版本的推荐配图描述
3. 5-8 个相关 hashtag
4. 最佳发布时间建议
约束：
- 符合平台字数限制
- 语气与品牌调性一致
- 包含互动引导（提问/投票/CTA）Copy
产品描述
你是一名电商文案专家。请为以下产品撰写吸引人的描述。
产品名称：[名称]
类别：[类别]
核心卖点：[列出 3-5 个关键特性]
目标客户：[描述典型买家画像]
竞品对比优势：[与竞品的差异化]
请输出：
1. 一句话标语（slogan）
2. 50 字以内的短描述
3. 300 字左右的详细描述（痛点→解决方案→特性→社会证明→CTA）
4. 5 个卖点的 bullet points（每个 ≤ 15 字）Copy
分析提示词模板
数据分析
你是一名数据分析师，精通统计学和数据可视化。
请分析以下数据集/数据。
数据描述：[数据来源、字段说明、时间范围]
分析目标：[发现趋势 / 找出异常 / 预测 / 归因分析]
请提供：
1. 数据概览（关键统计指标：均值、中位数、标准差等）
2. 核心发现（3-5 个洞察，按重要性排序）
3. 可视化建议（推荐图表类型及维度）
4. 异常值分析和可能原因
5. 可操作的建议（基于数据的决策建议）
数据：
```
[粘贴数据或描述数据结构]
```Copy
内容摘要
你是一名信息提炼专家。请对以下内容进行结构化摘要。
内容类型：[论文 / 报告 / 会议记录 / 文章 / 视频转录]
目标读者：[高管 / 技术团队 / 通用读者]
请输出：
1. 一句话总结（≤ 30 字）
2. 核心要点（3-5 个 bullet points）
3. 关键数据和引用（如有）
4. 主要结论和建议
5. 与我相关的行动项（如适用）
要求：
- 保持客观，不添加个人观点
- 标注信息来源（如可识别）
- 区分事实和作者观点
原文：
[在此粘贴内容]Copy
对比评估
你是一名中立的行业分析师。请对以下选项进行全面对比评估。
对比对象：[选项A] vs [选项B] vs [选项C]
评估场景：[描述使用场景和需求]
决策者：[描述角色和优先级]
请从以下维度对比：
1. 核心功能和特性
2. 定价和成本（短期+长期 TCO）
3. 易用性和学习曲线
4. 社区生态和支持
5. 可扩展性和未来发展
6. 风险和局限性
输出格式：
- 对比表格（功能 × 选项 矩阵）
- 每个维度的详细分析
- 针对不同场景的推荐结论
- 迁移成本评估（如适用）Copy
研究助手
你是一名学术研究助手，擅长文献综述和信息整合。
研究主题：[具体的研究问题]
学科领域：[计算机科学 / 经济学 / 医学等]
深度要求：[入门概览 / 深度分析 / 前沿追踪]
请提供：
1. 主题概述和定义
2. 发展历程和关键里程碑
3. 当前主流理论/方法/流派
4. 最新研究进展（2024-2026）
5. 开放问题和未来方向
6. 推荐阅读清单（5-10 篇关键论文/资源）
注意：请明确标注哪些是你确定的事实，哪些是推测或一般性结论。对于不确定的信息，请明确说明。Copy
竞品分析
你是一名市场研究分析师。请进行以下产品的竞品分析。
我的产品：[名称和简要描述]
竞争对手：[列出 3-5 个竞品]
目标市场：[描述目标用户和市场]
请分析：
1. 各竞品的定位和目标用户
2. 功能对比矩阵（核心功能 × 竞品）
3. 定价策略对比
4. 优势和劣势（SWOT）
5. 市场份额和增长趋势（如可获知）
6. 我的产品的差异化机会
7. 推荐的市场进入/竞争策略Copy
翻译与本地化提示词模板
上下文翻译
你是一名专业翻译，精通 [源语言] 和 [目标语言]，在 [领域] 有深厚的知识背景。
请将以下内容从 [源语言] 翻译为 [目标语言]。
翻译原则：
1. 忠实原文含义，但使用目标语言的自然表达
2. 保留专业术语（首次出现时括号标注原文）
3. 适当调整句式以符合目标语言习惯
4. 保持原文的语气和正式程度
上下文信息：
- 文本类型：[博客 / 法律文件 / 营销文案 / 技术手册]
- 目标读者：[描述]
- 品牌调性：[描述]
原文：
[在此粘贴原文]
请同时提供：
1. 翻译结果
2. 需要注意的文化差异或翻译难点说明Copy
技术翻译
你是一名技术翻译专家，擅长 [技术领域] 的中英文互译。
请翻译以下技术内容，严格遵守以下规则：
1. 行业标准术语保持一致（参考 [术语标准，如 Microsoft LIP]）
2. 代码、命令、文件名、API 名称不翻译
3. 变量名和占位符保持原样
4. UI 文案遵循目标平台的本地化惯例
5. 技术缩写首次出现时展开全称
输出格式：
- 逐段对照翻译
- 术语表（原文 → 译文）
原文：
[在此粘贴技术文档]Copy
本地化适配
你是一名本地化专家，深谙 [目标市场] 的文化和消费者心理。
请对以下内容进行本地化适配（不是简单翻译，而是文化改编）。
源内容：[粘贴原文]
源市场：[例如美国]
目标市场：[例如日本 / 巴西 / 中东]
请处理：
1. 文化引用和比喻 → 替换为目标文化中等效的表达
2. 数字格式（日期、货币、度量单位）→ 转换为当地格式
3. 颜色和图像含义 → 标注可能的文化禁忌
4. 幽默和双关 → 创造目标语言中等效的效果
5. 法律和合规 → 标注需要注意的当地法规差异
输出：
1. 本地化后的完整内容
2. 修改记录（原文 → 本地化版本 → 修改原因）Copy
高级 Prompt 技巧
1. Chain-of-Thought（思维链）提示
通过要求 AI "一步步思考"，可以显著提升复杂推理任务的准确性。这种技巧特别适合数学题、逻辑推理和多步骤决策场景。
一个农场有 35 只鸡和 12 只牛。请计算农场里一共有多少条腿。
请一步步思考：
- 第一步：确定每种动物的腿数
- 第二步：分别计算
- 第三步：求总和
最终给出答案。Copy
2. Few-shot Learning（少样本学习）
提供 2-3 个输入输出示例，帮助 AI 理解你期望的格式和风格。这比冗长的文字描述更高效。
请将以下产品评论分类为"正面"、"负面"或"中性"。
示例 1：
评论："这款耳机音质超棒，佩戴也很舒适！"
分类：正面
示例 2：
评论："做工很差，用了两天就坏了。"
分类：负面
示例 3：
评论："一般般吧，没什么特别的。"
分类：中性
现在请分类以下评论：
评论："[在此粘贴评论]"
分类：Copy
3. System Prompt vs User Prompt
System Prompt （系统提示）用于设定 AI 的角色、能力边界和行为规则，通常在对话开始时设置一次。User Prompt （用户提示）是每轮对话中的具体指令。将不变的规则放在 system prompt 中，将变化的任务放在 user prompt 中，可以保持对话一致性。
# System Prompt 示例
你是一名专业的 Python 开发顾问。你的回答遵循以下规则：
1. 代码示例使用 Python 3.12+ 语法
2. 始终包含类型注解
3. 推荐使用标准库，不推荐第三方库（除非必要）
4. 每段代码都附带简短的注释
5. 如果问题有多种解法，先给出最 Pythonic 的方案
# User Prompt
如何实现一个线程安全的单例模式？Copy
4. Temperature 和 Top-p 参数指南
这两个参数控制 AI 输出的随机性和创造性：
Temperature（温度）： 范围 0-2。低值（0-0.3）→ 确定性高，适合代码生成、数据分析；中值（0.4-0.7）→ 平衡，适合一般写作；高值（0.8-1.5）→ 创造性高，适合头脑风暴、创意写作。Top-p（核采样）： 范围 0-1。与 temperature 类似但机制不同。Top-p = 0.1 表示只从概率最高的 10% token 中采样。通常建议只调整其中一个参数，不要同时调整。推荐设置： 代码生成 → temp 0.1-0.2；技术写作 → temp 0.3-0.5；营销文案 → temp 0.7-0.9；创意头脑风暴 → temp 1.0-1.3。
常见 Prompt 错误
避免这些常见的提示词设计错误，可以立即提升 AI 输出质量：
1. 指令太模糊
错误："帮我写点东西" → 正确："为我的 SaaS 产品着陆页撰写一段 150 字的价值主张，目标读者是初创公司 CTO，语气专业但不呆板。" 具体的上下文和约束条件是好 prompt 的基础。
2. 一次塞太多任务
错误："帮我写代码、写测试、写文档、做代码审查" → 正确：将复杂任务拆解成多个独立的 prompt，每个 prompt 聚焦一个目标。这样 AI 可以在每个任务上给出更高质量的输出。
3. 忽略输出格式
如果不指定输出格式，AI 会自行决定，结果往往不符合你的预期。明确指定：Markdown 表格、JSON、编号列表、代码块等。格式约束可以让输出更加可预测和可用。
4. 没有提供示例
文字描述再详细，也不如一个具体的输入输出示例来得清晰。特别是对于分类、格式转换等任务，2-3 个 few-shot 示例能将准确率提高 20-40%。
5. 忽略角色设定
"你是一名资深前端工程师"和"你是一名产品经理"会让同一个问题获得完全不同的答案。角色设定帮助 AI 选择正确的知识域和回答方式。
6. 不迭代优化
好的 prompt 很少一次写对。将 prompt engineering 视为迭代过程：先写一个初始版本 → 查看输出 → 分析问题 → 修改 prompt → 重复。保存效果好的 prompt 模板以供复用。
常见问题
Prompt Engineering 需要学编程吗？
不需要。Prompt engineering 的核心是清晰的逻辑思维和表达能力，与编程无关。不过，了解基本的编程概念（如变量、条件、循环）有助于你构建更结构化的 prompt，尤其是在使用 API 调用 AI 模型时。
同一个 prompt 在不同模型上效果不一样怎么办？
这很正常。不同模型的训练数据、架构和对指令的理解方式有差异。建议：(1) 为常用模型分别维护优化过的 prompt 版本；(2) 使用本页的 RICE/CRISPE 框架构建 prompt，结构化的格式在各模型间通用性更好；(3) 测试时使用低 temperature（0.1-0.3）以排除随机性因素。
Prompt 越长越好吗？
不一定。过长的 prompt 可能导致：(1) 关键指令被"稀释"，AI 遗漏重要要求；(2) 增加 token 消耗和 API 成本；(3) 接近上下文窗口限制。好的做法是保持 prompt 简洁但完整——包含所有必要信息，去掉所有冗余描述。
如何评估 prompt 的效果？
建议从四个维度评估：(1) 准确性 — 输出是否正确；(2) 相关性 — 是否回答了你的问题；(3) 格式合规 — 输出格式是否符合要求；(4) 一致性 — 多次运行是否给出类似结果。对于关键业务场景，建议用同一 prompt 运行 3-5 次取最优结果。
这些模板可以直接用于 ChatGPT 和 Claude 吗？
可以。本页所有模板都经过在 ChatGPT（GPT-4o）和 Claude（3.5 Sonnet）上的测试。使用时将 [方括号] 内的占位符替换为你的具体内容即可。模板同样适用于 Gemini、Llama 等其他大语言模型，但建议根据模型特性微调。