每天在多个 AI 工具之间切换，prompt 写得好不好直接决定工作效率是翻倍还是翻车。同一个任务 prompt 换个写法，输出质量可以从「堪用」变成「直接发布」。这篇从零开始讲提示词工程：如果已经会用 AI、但总觉得它「不太听话」，大概率是 prompt 的问题。
提示词（Prompt）到底是什么
提示词就是给 AI 的命令文字。但「命令」这个词太窄。更准确地说，prompt 是与 AI 之间的沟通界面。每一段给它的文字，包含角色设置、背景信息、任务描述、输出格式、限制条件，全部都算 prompt 的一部分。
举个例子。「请写一篇文章」，AI 会给一篇四平八稳、像维基百科的东西。换成「你是一个科技部落客，用聊天的语气写一篇 1500 字的文章，主题是提示词入门，读者是完全没接触过 AI 的上班族，不要用条列式」，出来的东西完全不同。
差别在哪？提供的上下文（context）更多更完整了。说到底，AI 不管如何都写得出来，问题在于它本来就不知道用户要什么。
为什么 2026 年了还要学这个
有两个原因：
一是 AI 模型越来越强，但「越强」反而代表它能做的事太多。没给方向，它就自己选一个方向走。ChatGPT 的创意能力很猛，但不限制它的话，一千字的任务它能给三千字加小标题加 emoji。最新的 Claude Opus 在命令遵守上依然是业界最稳，但前提是命令本身写得清楚。
二是现在的 prompt 已经不只是「一句话命令」了。现在的主流趋势叫上下文工程（Context Engineering）。要管理的是 AI 的整个工作环境：它的角色、记忆、可以用的工具、多步骤的任务流程。prompt 只是其中一个零件，但是最基础的零件。
学提示词工程，就像学开车。可以不懂引擎原理，但得会踩油门和转方向盘。
基础结构：四个元素
写 prompt 有一个固定框架，四个元素排列组合就能覆盖大部分场景。
Who - 角色（Role）：告诉 AI 它是谁。「你是一个有十年经验的 SEO 顾问」跟「你是一个大学生」，输出的深度和用词完全不一样。
What - 任务（Task）：要它做什么，越具体越好。「分析这份数据」太模糊，「从这份 CSV 中找出月营收下降超过 10% 的月份，列出可能原因」就清楚多了。
How - 格式（Format）：指定输出长什么样。表格、条列、段落、JSON、Markdown，不指定的话 AI 会自己决定，而它的决定通常不是要的。
Not - 限制（Constraint）：告诉它什么不能做。「不要超过 500 字」「不要用条列式」「不要编造数据」。限制条件是质量控制的关键，少了这一层，AI 很容易自由发挥。
这四个元素不一定每次都要全用。写一个简单的翻译任务，角色和限制可能就够了。写一篇长文的 prompt 可能四个都要，而且每个都很长。看场景调整。
五组可复制的 prompt 示例
理论不如直接上示例。这五组是 pen-pings 系列里使用频率最高的模板，可以直接复制去改。
示例一：内容摘要
你是一个专业的内容编辑。
请阅读以下文章，用 3 句话摘要重点。
第一句讲主题，第二句讲核心发现，第三句讲对读者的影响。
不要超过 150 字。不要用「本文」开头。
[贴上文章内容]示例二：会议记录整理
你是一个熟悉科技业的项目经理。
以下是一场产品会议的转录稿。请整理成会议记录，格式如下：
- 决议事项（每项一行，标记负责人和截止日）
- 待讨论事项（下次会议跟进）
- 关键数字（会议中提到的任何数据）
不要加你自己的意见。只整理转录稿里有的内容。
[贴上转录稿]示例三：代码 Review
你是一个资深全端工程师。
请 review 以下代码，只指出三类问题：
1. 会造成 bug 的逻辑错误
2. 性能瓶颈
3. 安全漏洞
每个问题附上修改建议和修改后的代码片段。
不需要夸奖写得好的部分。
[贴上代码]示例四：文章风格改写
你是一个台湾的科技部落客，擅长用聊天的语气写文章。
以下是一段技术说明文，请改写成博客风格。
要求：
- 用第一人称口吻
- 句子有长有短，像在跟朋友说话
- 专有名词第一次出现时用中文（英文）格式
- 不要用「浅显易懂」「华丽修辞」这类空话
- 保留所有技术细节，只改语气
[贴上原文]示例五：数据分析
你是一个数据分析师，擅长用白话解释数据。
以下是一份 CSV 数据。请完成：
1. 找出前三名和后三名
2. 计算平均值和标准差
3. 用两句话说明这份数据的趋势
输出用简体中文，数字保留到小数点第一位。
[贴上 CSV]进阶技巧
基础结构学会之后，有三个进阶技巧能让输出质量再往上一个档次。
Chain of Thought（思维链）
叫 AI 一步一步想。这个技巧在需要推理的任务上效果很明显。
做法：在 prompt 里加上 请一步一步思考 或者 请先列出你的推理过程，再给出结论。AI 会把中间步骤写出来，可以看到它哪一步想错了，而且光是「要求它慢慢想」这个动作，就能让答案准确度提升一个档次。
数据分析和逻辑判断的任务几乎每次都该加。
Few-shot（少量示例）
直接给 AI 看要的输出长什么样。比花五百字描述格式还有效。
做法：在 prompt 里放两到三组「输入→输出」的示例。AI 会从示例中学到风格、格式、用词偏好。这在翻译、分类、改写这类任务上效果最好。
前期准备示例要花时间，但之后每次用都省时间。
负面 prompt
告诉 AI「不要做什么」，有时候比告诉它「要做什么」还管用。
「不要用条列式」、「不要超过 500 字」、「不要编造没有提到的信息」、「不要在结尾加总结」。这些限制条件能直接砍掉 AI 最常见的坏习惯。
Claude 对负面命令的遵守能力相对好，可以列较多条限制词让它避开。ChatGPT 的话，列太多限制它会开始选择性忽略，建议控制在十条以内。
不同模型的 prompt 差异
主流三家模型的「个性」完全不同，prompt 的写法也要跟着调。
Claude：最听话。长规则、复杂限制条件、角色设置，它都能稳定遵守。写长 system prompt 给它，从头到尾都记得。适合需要精确控制的任务。弱点是有时候太保守，可以在 prompt 里鼓励它「大胆给出你的判断」。
ChatGPT：创意最强，但纪律相对弱。适合给它示例（Few-shot），让它从示例里学。不适合塞太多限制条件，超过十条它会开始自己决定哪些重要哪些不重要。构思、脑力激荡、快速原型最适合用它。
Gemini：最适合搭配搜索任务。它的 context 窗口到一百万 tokens，丢一整本书进去分析也能撑得住。但中文的功能限制比较多，prompt 有时要用英文才能触发某些功能。它的风格偏技术报告，想要轻松语气要在 prompt 里特别强调。
实用法则：Claude 写正式内容、ChatGPT 做构思、Gemini 做大量数据处理。三家可以同时开着轮流用。Claude 跟 ChatGPT 的个性差异另外整理在 Claude vs ChatGPT 比较。
Agent 时代，提示词还重要吗
2026 年的 AI Agent 能自己拆解任务、呼叫工具、管理记忆。有人说 prompt 要过时了。
实际上是相反：prompt 的重要性在上升，但形式在改变。
过去写一个 prompt 丢给 AI，它回一段文字，结束。现在写的是一整套命令系统：AI 的角色是什么、它能用什么工具、记忆架构怎么设计、遇到不确定的状况要怎么处理。这就是上下文工程（Context Engineering）。
OpenClaw 多 agent 系统就是一个活的例子。AI agent 通常设计成多层记忆：底层是每次自动载入的索引、中层是按主题分的知识文件、上层是每天更新的工作记忆。这整套架构的运作，靠的就是写在 prompt 里的规则。Agent 越自主，prompt 设计反而要越严谨，因为人类不会每一步都盯着它。多 agent 架构的细节参考 OpenClaw 多 Agent 架构。
结论很明确：学提示词工程，2026 年依然值得。它是与 AI 沟通的底层能力。不管工具怎么演化，能把意图讲清楚的人永远比不能的人更有效率。
从 Prompt 到 Context Engineering
进阶 prompt 技巧不只是一串咒语。进阶 Prompt 技巧 会把角色堆叠、分段送、反面 prompt、自我检查这些方法拆开讲；这篇 hub 先负责建立地图。
更大的变化是 context engineering。当你开始使用 AI Agent 或 OpenClaw 这类长期系统，问题不再是「这一句 prompt 怎么写」，而是：
- 哪些规则每次都要载入？
- 哪些资料只在特定任务才读？
- 长对话什么时候该摘要、归档、重开？
- 工具权限、记忆、输出格式要如何互相约束？
一百万 token 的甜蜜陷阱 讲的是同一件事：context 变大不代表可以乱塞。真正有用的是把上下文整理成 AI 能稳定使用的形状。
下一步
掌握基础结构和进阶技巧之后，下一篇 进阶 Prompt 技巧 会讲 10 个更实战的方法，包含踩过坑才整理出来的 prompt 方法论。
提示词这门功夫学了就是自己的。工具会换，模型会更新，但把需求讲清楚的能力不会过时。
小企鹅的经验
小企鹅每天轮流使用 Claude Code、Codex、Perplexity、Grok、Gemini、ChatGPT、NotebookLM、OpenClaw 等工具，prompt 在不同模型之间的微调是日常工作的一部分。
OpenClaw 是小企鹅自己用的多 agent 系统，记忆架构分成自动载入、知识文件、每日工作记忆三层。这个架构是长期试错出来的：核心文件越精简，agent 失忆率越低；越想塞所有东西进记忆，反而越容易乱掉。
模型风格的选择上，小企鹅的习惯是：写文章、需要遵守风格规则的场景用 Claude；构思、创意 brainstorm 用 ChatGPT；大量数据整理或长 context 任务会结合用 Gemini。这个分工反映的是各模型的个性适合不同类型的工作，跟谁最强无关。
延伸阅读
常见问题
Q: 提示词是什么？
提示词就是给 AI 的指令。写得好，AI 回得精准；写得模糊，AI 就乱猜。把它想成跟一个聪明但完全不了解你背景的人沟通，说得越清楚，它做得越好。
Q: 提示词工程还重要吗？Agent 时代不是 AI 自己会想了？
更重要了，只是形式在变。2026 年的趋势是从单一 prompt 升级成上下文工程（Context Engineering），管理 AI 的记忆、工具、多步骤规划。底层逻辑一样：把意图讲清楚。
Q: Claude 跟 ChatGPT 的 prompt 写法有差吗？
有。Claude 擅长遵守长规则，给它角色设定跟限制条件效果最好。ChatGPT 适合直接给示例，Few-shot 效果强。Gemini 适合搭配搜索任务，context 窗口最大。
Q: 有没有万能的 prompt 模板？
没有万能模板，但有通用结构：角色 + 任务 + 格式 + 限制。这四个元素组合起来，能覆盖八成以上的使用场景。重点是根据不同模型和任务调整比例。
Q: 不会写程序也能学提示词工程吗？
完全可以。提示词工程的核心是沟通能力，不是程序能力。会打字、能把需求讲清楚就具备基础了。进阶技巧也是逻辑思考，跟写程序无关。
Q: 什么是 context engineering？
Context engineering 是把 prompt、记忆、工具、文件、任务状态一起设计。Agent 时代不是只写一句好 prompt，而是安排 AI 每一步能看到什么、不能看到什么、什么时候该重开干净 context。
Q: 长 context 越大越好吗？
不一定。长 context 能放更多资料，但也更容易混淆、忘掉重点或过度自信。重要任务要分段、摘要、清理上下文，相关细节可看一百万 token context 那篇。
整理：Penna｜小企鹅 Penchan