分享了日常使用 LLM 工具的经验与方法，指出 Prompt Engineering 的发展趋势及定位。文章强调 LLM 应作为辅助工具而非替代者，提出了降低预期、独立判断、提供参考等使用原则。通过拆解写作任务流程，介绍了如何利用 JD 式思维编写 Prompt 模板，并结合苹果电动汽车案例演示了选题、调研、大纲构建及内容填充的具体步骤。此外，还补充了 COT、Few Shot 等专业技巧及通用 Prompt 模板结构，旨在帮助用户建立理性的 AI 协作认知，提升工作效率。
我对 Prompt（提示词）的认知经历了两个阶段：
第一阶段：去年 3 月至 11 月，我认为 Prompt 最终会灭亡。
第二阶段：去年 12 月至今，我有两个理解：
公众的认知基于数据来看：
套用被历史多次验证的 Gartner 技术曲线，Prompt Engineering 的发展正趋于稳定，但无论如何不会超过 2023 年的最高峰。所以不要过高估计 Prompt Engineering 的未来发展，也不建议大家把它作为职业生涯的长期规划。类比来说，20 年前有个工种叫办公自动化，主要就是操作 Office 套件，现在人人都能用 Office。
也正是这样一个趋于稳定的时间点，加上最近的一些实践，会让我自己更理性地看待 Prompt Engineering。今天就和大家一起聊聊 Prompt Engineering 的话题，按照我目前的认知分为两个话题：
直至今日，我身边的大多数人对 LLM 工具的使用是跟着舆论热点走的，比如最近 Claude 3 出来了，大家可能就赶紧再去使用一下，过了几天就凉了。我自己的使用频率稍有不同，是'隔三差五'的频率。
这其中有两个原因：
接下来我会以写文章为例来说明我是如何使用 LLM 工具的，在这之前声明几个重要的原则。
接下来说说在使用 LLM 工具前要做的准备工作：拆解任务。
在写文章的例子中，我把这个任务拆成几个步骤：选题 → 调研 → 构思大纲 → 把内容填充到大纲中 → 配图 → 排版。我把每一步 LLM 参与的比例、所花费时间进行分析。
可以看出：
拆解步骤后，就是针对这些步骤写 Prompt 模板了。我的每一步会有一个或几个 Prompt 模板，我推荐每个人都慢慢积累一套自己的模板。
如何撰写 Prompt 模板，我用一句话概括就是：用招聘任务助理的方式来写 Prompt。
想象你在招聘个人助理时，需要你撰写招聘文案，俗称 JD（Job Description）。你的 JD 怎么写，Prompt 就怎么写（这个比喻便于大家记忆，也是我根据网上的各种资源做的一个总结，通俗地覆盖了 80% 的 OpenAI Prompt 策略）。
这是我随意从招聘网站上找到的 JD 和我日常使用的一个 Prompt 模板的对照，你会发现他们的结构是一样的，但在具体内容上，Prompt 会执行更细、更具体的 Task。
| 招聘 JD 要素 | Prompt 对应要素 |
|---|---|
| 职位名称 | 角色设定 (Role) |
| 岗位职责 | 任务描述 (Task) |
| 任职要求 | 技能要求 (Skills) |
| 工作流程 | 步骤说明 (Steps) |
| 输出格式 | 响应规范 (Output Format) |
接下来详细说明每一步。
前几天我想写一篇关于'苹果取消电动汽车项目'的文章，我按照上述的步骤一步步来看：
在这个例子中选题不用我想了。如果你不确定选题，我也不太建议你寻求 LLM 的帮助（因为 LLM 的信息不是实时的），而是通过一些大数据平台、Google Trends、Exploding Topics 等寻找合适选题。
在这之前，我对苹果电动汽车项目其实并不了解。我首先通过 Google 搜索、Perplexity.ai、知乎等地略读了大约 15-30 篇文章。
根据某种思维框架构思出文章思路，这些框架我已深深印刻在脑海中（比如 5W2H 框架、总分总框架、What+Why+How 框架、MECE 框架、Timeline 的框架、四象限框架等等），这些框架也会在一篇文章中混合、嵌套使用。一般在调研之后，我自己就能选出合适的框架来构思。如果不熟悉如何选择这些框架，你可以借助 LLM 来帮助你完成这一工作，在提示词中指定：
<苹果取消电动汽车项目>，我给你的思维框架是：<5W2H>。多试几个框架，选出你认为最合适的就好。
大纲构建出来之后，再看你调研的内容是否足以填充到相应的内容中，如果没有相应的内容，则：寻找更多的资料或者调整大纲。然后将对应内容填入大纲。这一部分大模型的参与最多，牢记两点：
在这篇文章中我针对大纲的第二个标题 When 中有一项是'概述苹果电动汽车项目的时间线'，我就会去用我的模板：'给出参考文章和主题总结 Timeline'，只需要把最后提到的参考文章链接和主题更改一下就可以，注意这些参考文章是根据之前的人工调研得到你认可的文章。
当然我还有其他模板，例如：
填充大纲内容后，接下来的两个工作就是：插图和排版。
有些创意性的图片会在 MidJourney 社区中寻找或直接生成，博客文章中的图要加上具体的标记还是推荐在传统做图软件中实现。
我用 MD 格式撰写，Notion、飞书等工具已经做得很好了。在公众号文章中我用的是特定的模板，MD 放进去基本不用修改。
这样，一篇文章基本就写完了。当然，LLM 工具还有很多其他使用场景，比如算数学题，可能会使用完全不同的任务拆解方法和提示词结构，有的还会涉及到一些 Prompt 的专业技巧名词，比如：
这些技巧就像 Office 套件中的高级功能，大家可以了解一下，需要的时候搜索使用即可。
为了让大家更好地掌握 Prompt 工程，这里提供一个通用的 Prompt 模板结构，适用于大多数文本生成任务：
# Role
你是一名 [角色名称]，擅长 [核心技能]。
# Context
当前背景是 [背景描述]，目标是 [目标描述]。
# Task
请完成以下任务：[具体任务描述]。
# Constraints
1. [约束条件 1]
2. [约束条件 2]
# Workflow
1. 第一步：[步骤 1]
2. 第二步：[步骤 2]
# Output Format
请以 [格式要求] 输出结果。
# Reference Text
[在此处粘贴参考文章内容]
在实际使用中，建议将 Reference Text 替换为你人工筛选过的权威资料，这能显著减少幻觉（Hallucination）的发生。同时，对于复杂任务，务必采用'分步执行'的策略，让模型先输出大纲，确认无误后再逐段生成正文。
在使用 LLM 工具的过程中，我发现以下几个常见误区，值得注意：
今天和大家讲了一点朴素的提示词工程能力，供大家日常使用，不必焦虑天天要用。即使是今天这篇文章，LLM 的参与度也不算特别高，大概 30% 左右。
Prompt Engineering 的核心不在于记住多少专业术语，而在于理解人机协作的逻辑。将 LLM 视为一个需要明确指令、提供充足上下文、并接受审核的智能助手，而非全知全能的神谕，这样才能真正发挥其价值。随着技术的演进，虽然直接的 Prompt 交互可能会逐渐隐入后台，但理解如何向机器表达意图的能力，将成为数字时代的基础素养。
希望这篇文章能帮助大家更理性地使用 LLM 工具，将其转化为实际的生产力，而不是追逐热点的工具。在未来的工作中，继续探索适合自身业务场景的 AI 工作流，才是长久之计。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML转Markdown在线工具，online