Auto-sync: update nexus workspace

wiki/sources/如何写出完美的prompt-提示词.md

@@ -1,61 +1,65 @@
----
-title: "如何写出完美的Prompt（提示词）？"
-type: source
-tags: []
-date: 2025-12-18
----
-
-## Source File
-- [[AI/如何写出完美的Prompt（提示词）？]]
-
-## Summary（用中文描述）
-- 核心主题：系统阐述如何通过结构化思维与精准表达提升 Prompt 能力，实现人与 AI 的高效协作
-- 问题域：职场人在使用 LLM 时普遍面临的"AI 输出不达预期"困境，根源在于需求传递失效和 Prompt 构建能力不足
-- 方法/机制：提出 Prompt 构建的底层逻辑（角色+需求+场景+目标）、基础方法（需求拆解/上下文补全/格式定义/示例引导）、进阶策略（思维链/任务拆分/角色赋能/预填回复/不确定性管理）、高阶技巧（跨模态联动/领域知识注入/反馈循环嵌入），并给出四大业务场景实战模板和六大避坑指南
-- 结论/价值：Prompt 能力的本质是有对问题清晰界定的能力 + 结构化的思维逻辑和表达能力，这两项底层能力决定了人能否用好 AI
-
-## Key Claims（用中文描述）
-- Prompt 是一套人与 AI 的协作协议，本质是将人的模糊需求转化为 AI 可理解、可执行的结构化任务
-- Prompt 的核心价值在于消除双重信息差：人类需求与 AI 理解之间的信息差，以及任务目标与执行标准之间的信息差
-- 专业性不在于复杂程度，而在于精准匹配——现代 LLM（如 Claude 4、GPT-4）已具备强大的自然语言理解能力，无需 XML 标签或术语堆砌
-- LLM 没有默认的行业常识和设定，隐性需求（受众/场景/目标）不明确，AI 只能盲猜
-- Prompt 优化过程本质是需求逐步清晰化的过程，不仅是让 AI 更懂你，也是让你自己更明确核心诉求
-- Prompt 能力的底层逻辑：结构化思维 + 精准表达；核心本质：需求拆解能力 + 结构化表达能力 + 场景共情能力 + 迭代优化能力
-- 能清晰给下属指令的领导，才可能用好 AI——Prompt 质量终究取决于使用者的思维深度与表达精度
-
-## Key Quotes
-> "很多人期望一次输入就能得到完美结果，一旦输出不符合预期就会认定是 AI 不行，也不愿花时间优化 Prompt。实际上，Prompt 的优化过程，本质是需求逐步清晰化的过程，不仅是让 AI 更懂你，也是让你自己更明确核心诉求。" — 迭代优化的核心理念
-
-> "Prompt 的核心价值在于消除信息差（既消除人类需求与 AI 理解之间的信息差，也消除任务目标与执行标准之间的信息差）。" — LLM 提示词的本质
-
-> "Prompt 能力的本质是要求使用者具备：需求拆解能力、结构化表达能力、场景共情能力、迭代优化能力。" — Prompt 能力底层模型
-
-> "这也解释了为什么连给下属指令都讲不清的领导，是很难用好 AI 的，因为 Prompt 的质量，终究取决于使用者的思维深度与表达精度。" — 领导力与 AI 能力的关联
-
-## Key Concepts
-- [[Large Language Model]]：大语言模型（LLM），如 Claude 4、GPT-4，是 Prompt 的执行主体
-- [[结构化思维]]：将模糊需求拆解为具体、可执行子任务的能力，Prompt 能力的基础
-- [[精准表达]]：用清晰的逻辑组织信息，让 AI 快速抓取核心指令的能力，Prompt 能力的另一基础
-- [[思维链引导]]：通过明确"推理步骤"让 AI 按逻辑逐步分析，避免输出片面或跳跃的结论的进阶策略
-- [[任务拆分法]]：将复杂任务拆解为信息收集→分析→输出→优化多个子环节的进阶策略
-- [[角色赋能法]]：给 AI 设定"具体角色+行业经验+核心能力"引导其从专业视角思考问题的进阶策略
-- [[少量样本提示]]（Few-shot）：通过 1-3 个示例引导 AI 理解格式/风格要求的技巧
-- [[上下文补全]]：在 Prompt 中提供业务背景、约束条件、参考信息以消除信息差的基础方法
-- [[AI Agent]]：能够感知→规划→执行→反思的循环控制，实现真正自主性的 AI 系统，Prompt 能力是 Agent 能力的基础
-
-## Key Entities
-- [[粒粒]]：微信公众号作者，原创本文，2025年12月2日发布
-
-## Connections
-- [[清华出的DeepSeek使用手册]] ← 与本文互补 ← [[如何写出完美的Prompt（提示词）？]]（前者侧重 DeepSeek 特定实践，本篇侧重通用 Prompt 方法论）
-- [[Nano Banana 提示词框架]] ← 与本文同属提示词工程领域 ← [[如何写出完美的Prompt（提示词）？]]（前者侧重 AI 图像生成提示词，本篇侧重职场文本场景）
-- [[Claude Prompt Library 汇总表]] ← 与本文同属提示词工程领域 ← [[如何写出完美的Prompt（提示词）？]]（前者提供现成提示词模板，本篇提供方法论和构建原则）
-- [[系统提示词构建原则]] ← 关联 ← [[如何写出完美的prompt-提示词]]（前者侧重 AI Agent 系统级指令规范，本篇侧重用户级 Prompt 构建）
-- [[Never Write Another Prompt]] ← 与本文互补 ← [[如何写出完美的prompt-提示词]]（前者展示自动生成提示词工具，本篇阐述手动构建方法论）
-
-## Contradictions
-- 与 [[系统提示词构建原则]] 存在视角差异：
-  - 冲突点：Anthropic 系统提示词强调"遵守项目约定优先、技术准确性优先"，面向 Agent 开发者；本篇强调"受众对齐、场景对齐、目标对齐"，面向终端用户（职场人）
-  - 当前观点：本篇方法论是用户层面提升 Prompt 质量的实用框架，适用于任何 LLM
-  - 对方观点：系统提示词的核心在于给 AI 明确定义身份、行为准则和执行规范，是 AI 一侧的指令工程
-  - 说明：两者并不矛盾，而是互补——[[系统提示词构建原则]] 是 Agent 设计层的最佳实践，本篇是用户使用层的操作指南
+---
+title: "如何写出完美的Prompt（提示词）？"
+type: source
+tags: [AI, Prompt工程, 结构化表达]
+date: 2025-12-18
+---
+
+## Source File
+- [[raw/AI/如何写出完美的Prompt（提示词）？.md]]
+
+## Summary（用中文描述）
+
+- **核心主题：** 系统阐述如何撰写高效 Prompt 的完整方法论，涵盖基础技巧、进阶策略、高阶技巧与四大业务场景实战模板。
+- **问题域：** 职场人在使用 AI 时因 Prompt 能力不足导致输出质量低下的问题；企业对员工 Prompt 能力建设的组织化需求。
+- **方法/机制：** 提出"角色+需求+场景+目标"四要素框架；分层介绍基础方法（需求拆解、上下文补全、格式定义、示例引导）、进阶策略（思维链、任务拆分、角色赋能、预填回复、不确定性管理）、高阶技巧（跨模态联动、领域知识注入、反馈循环嵌入）；配套四大业务场景（内容创作、数据分析、方案策划、客户服务）实战模版。
+- **结论/价值：** Prompt 能力本质是"结构化思维+精准表达"，是 AI 时代职场人的底层能力；企业应通过模板库建设、培训竞赛、反馈机制实现团队 AI 能力的规模化提升。
+
+## Key Claims（用中文描述）
+
+- **Prompt 能力** → 本质是需求清晰界定能力 + 结构化逻辑表达能力 → 直接决定 AI 输出质量。
+- **Prompt 不是简单指令** → 而是人机协作协议，需明确"做什么、为什么做、给谁做、怎么做、做到什么标准"。
+- **Prompt 专业性** → 不在于术语堆砌和格式复杂程度，而在于精准匹配使用场景和受众需求。
+- **迭代优化是核心** → 初次 Prompt 不可能完美，需通过"测试-反馈-优化"闭环逐步逼近最优结果。
+- **技巧按需匹配** → 简单任务用基础技巧，复杂任务用进阶策略，避免过度设计。
+
+## Key Quotes
+
+> "很多人认为 Prompt=给 AI 的指令，其实忽略了 Prompt 是一套人与 AI 的协作协议。它不仅要明确'做什么'，更要定义'为什么做''给谁做''怎么做''做到什么标准'，本质是将人的模糊需求转化为 AI 可理解、可执行的结构化任务。" — Prompt 的本质定义
+
+> "Prompt 能力的底层逻辑：结构化思维 + 精准表达。" — 全文核心论断
+
+> "Prompt 的专业性不在于复杂程度，而在于精准匹配。" — 反驳过度堆砌术语的误区
+
+> "即使是客户方案、行业报告，本身就需要反复打磨，AI 只是你加速打磨的工具。" — 迭代优化的必要性
+
+> "能清晰界定核心诉求 + 建立与 AI 能力匹配的沟通逻辑" — Prompt 能力的两个核心维度
+
+## Key Concepts
+
+- [[Prompt工程]]：将人的模糊需求转化为 AI 可理解、可执行任务的系统性方法论，本文系统阐述了从基础到高阶的完整方法体系。
+- [[结构化思维]]：将模糊目标拆解为具体、可执行子任务，用清晰逻辑组织信息让 AI 快速抓取核心的能力，是 Prompt 能力的底层基础。
+- [[思维链提示]]（Chain of Thought）：通过明确推理步骤让 AI 按逻辑逐步分析，避免输出片面或跳跃结论的进阶 Prompt 策略，适用于竞品分析、复杂决策等场景。
+- [[少样本提示]]（Few-shot）：用 1-3 个与目标任务场景一致的示例引导 AI，比单纯描述格式更高效，适用于格式复杂或有特定风格要求的任务。
+- [[角色赋能法]]：给 AI 设定"具体角色+行业经验+核心能力"，引导其从专业视角思考问题，输出更贴合场景内容的方法。
+- [[任务拆分法]]：将复杂任务拆解为"信息收集→分析→输出→优化"多个子环节，每个环节聚焦单一目标，提升整体输出质量的方法。
+- [[预填回复法]]：预填部分内容框架让 AI 直接填充关键信息，避免冗余表述，可直接导入系统使用的策略。
+- [[不确定性管理]]：明确告知 AI"不知道就标注，不编造信息"，提升数据类和事实类任务输出的可信度。
+- [[迭代优化]]：通过"初稿测试→问题定位→精准优化→版本对比"的闭环持续调整 Prompt，逼近最优结果的思维模式。
+
+## Key Entities
+
+- [[粒粒]]：微信公众号"粒粒"作者，本文原创发布者（2025-12-02），专注于职场与 AI 应用内容创作。
+
+## Connections
+
+- [[系统提示词构建原则]] ← 互补 ← 本文：前者聚焦 AI Coding Agent 的系统级提示词设计，本文聚焦职场通用 Prompt 方法论；两者可组合使用——用本文的结构化思维撰写任务 Prompt，配合前者的系统提示词框架。
+- [[Vibe Coding]] ← 关联 ← 本文：Vibe Coding 的高效实施依赖本文所阐述的 Prompt 方法论，尤其角色赋能法和场景贴合技巧。
+- [[Claude Code 调用方法总结]] ← 关联 ← 本文：Claude Code 作为 AI 编程工具，其使用效果直接取决于用户的 Prompt 能力；本文的方法论可提升 Claude Code 的任务输出质量。
+
+## Contradictions
+
+- 与 [[系统提示词构建原则]] 在"角色设定"维度存在视角差异：
+  - **本文观点：** 角色设定应精准（如"5年制造业MES售前经验顾问"），避免"世界顶级专家"等模糊表述，核心关注点决定语言风格。
+  - **对方观点：** 系统提示词强调 Agent 的行为准则和边界约束（如"遵守项目约定、优先技术准确性"），更偏向技术准确性和安全性。
+  - **协调方向：** 本文的方法论（角色赋能）适用于任务级 Prompt，对话系统或编码 Agent 的系统级提示词则需遵循对方的安全和准确性约束，两者互补而非冲突。