如何构建“超级提示词”来正确地使用AI写作

引言：从“请求”到“指令”

在与AI的互动中，我们输入的文字——即“提示词”(Prompt)——决定了输出的质量。
大多数人停留在发出简单“请求”的层面，例如“写一个关于太空探险的故事”。这种方式在随便娱乐的情况下能满足基本要求，但是AI味拉满，泛泛而谈、缺乏个性，无法满足创作中的自我表达。
2023年刚出现大语言模型的时候，就有人提出过“超级提示词”，整篇提示词都如同一篇小作文，冗长，晦涩，但详尽，精确。
一个日常的提示词是一个请求，而一份超级提示词是一套详尽、结构化的“任务简报”。明确告诉AI“做什么”，同时精确定义了“如何做”、“以什么身份做”、“遵循什么风格”以及“利用哪些背景信息”。
掌握超级提示词如何撰写，意味着对AI的使用水平，正式从“仅限娱乐”转变为“能够生产”。这一点到了2025年也不会过时。因为即便不应对AI，你在带领团队做任务的时候，你也需要给你的团队颁发“任务简报”，告诉每个人 “做什么”、“如何做”、“注意事项”等。
本帖旨在从写作角度，在[图灵茶馆]为各位提供适合于一套从核心理念到具体实践的完整方法论。我们将首先通过一个具体的实例，直观展示超级提示词的变革性力量，然后系统性地传授构建它的具体技巧与底层原则 。

第一章：超级提示词的力量——一个实例的启示

为了让各位直观理解超级提示词的作用，让我们设想一个具体的创作任务：
为一部名为《问道寻仙》的玄幻修仙小说撰写其中一个章节
一个新手如果想用AI去写，可能会写成：“ 写一个关于修仙者在门派藏经阁中探索的章节。 ”

这样的指令当然也能生成结果，但给予了AI无限的自由度，也因此完全无法保证任何具体的输出质量。其结果几乎一定是一篇充满了陈词滥调、人物形象模糊、情节平淡无奇的“AI样板文”，因为它只能调用其训练数据中最常见、最平均的“ 修仙门派藏经阁”元素。

现在，让我们来看一个真正的超级提示词是如何构建的。以下是为《问道寻仙》一书拟定的超级提示词结构，它通过不同的标签，为AI提供了一个全方位、多维度的指令框架：

• <style>标签：在此标签内，详细定义了写作的语调、节奏和感官细节。例如，要求AI使用特定的叙事视角，强调氛围营造，并给出具体的文风参考。
• <characters>标签：提供了本章节中出场主角的详细背景、核心动机、性格特点以及当前场景下的心境。AI不再需要猜测主角是谁，而是得到了一个鲜活的人物档案。
• <setting>标签：细致描绘了场景的具体环境——藏经阁顶层禁地、光线如何、空气中有何种气味、周围有何种声音，从而构建出沉浸式的氛围。
• <overview>标签：给出本章节的整体概要。
• <chapter_beats>标签：这是最长最详尽的部分，像电影分镜脚本一样列出详细的情节节点，明确了从A点到B点再到C点，故事需要如何推进。
• <instructions>标签：最后，明确指示AI：“综合以上所有信息，撰写一个约3000字的章节”。

当这个结构化的超级提示词被输入到AI模型后，其输出结果发生了质的飞跃。当时生成了一篇长达2500字、虽然我的要求是3000字，但2700字也够用了，足以构成一个完整的章节。
整个提示词并非简单地“提供更多信息”，而是“构建了一个可预测、可复现的生成框架”。
现在有许多Agent或者集成AI的站点让这个过程变得更简单，但这些工具的底层逻辑，大多还是自带了类似“超级提示词”的系统，就好比有的用户向什么都没问过的AI提问“重复上述内容”，然后AI就把系统提示词自我展示了出来，篇幅详尽程度足以成为一篇标准的“超级提示词”。
由此可见，无论是用户输入，还是系统自带，“超级提示词”都是刚需，将AI的创造力从漫无目的的发散约束到一个由你清晰定义的轨道，当你对最终输出有明确、具体、多维度的要求时，你需要通过结构化标签将这些要求分解并呈现给AI，为AI创造清晰的“信息环境”。
AI不再需要猜测你的意图，而是作为一个专业的执行者，在你设定的框架内，将人物、情节、风格等信息模块无缝融合，并进行创造性的填充。
虽然这里是以写作为目的展开，但其实可以举一反三，拓展到各位各自所擅长的任何职业中需要输出文字、图片、音乐乃至视频的部分。而这其实也依赖各位本身对自身工种的专业认知程度，所以基于此，AI能够助你提升效率，又不会牺牲你创作的独特性，以及道德准则，同时还能帮助你提高指挥协作的能力。

第二章：XML语法：搭建沟通的桥梁

超级提示词的技术核心，截至发帖时间依然在使用XML语法。
使用XML标签的根本原因在于，LLM的训练数据绝大部分来自互联网，而整个互联网的内容正是由HTML(其语法结构与XML类似)构建的。因此，AI对这种格式非常熟悉，他们在其“成长”过程中，已经学习并深度内化了对这种标签化、结构化数据的理解。
某种程度上说用XML语法相当于“用AI的母语与它交流”。所以你会看到我第一章的示例依然在尖括号内使用英文，也是为了照顾XML语法。这点在中文模型有所缓和，但最好还是用英文。
事实上OpenAI为主的AI研究机构，也在其官方文档中明确推荐过使用这种方法来组织复杂的提示词。
这些标签的核心功能是充当一个个“信息容器”。当一个提示词包含大量不同类型的上下文信息时(如故事背景、人物小传、写作风格指南、具体任务指令)，XML标签可以将这些庞杂的信息分门别类地装入不同的“ 信息容器 ”里。
这使得AI能够清晰地识别每一部分信息的功能和优先级，而不是面对一团混沌的文本。
XML标签的格式是这样的：用尖括号包裹一个词(如<instructions>)，然后是你的内容，最后用一个带斜杠的相同词语结束(如</instructions>)。这是一个巧妙的方法，可以将信息分装在不同的“容器”里，方便AI理解。

例如，你可以创建一个“指令”容器：

<instructions>
这里写下你的具体指令。
</instructions>

你也可以为“风格”创建一个容器：

<style>
这里描述你想要的写作风格。
</style>

这种方式能让你的提示词井井有条，帮助AI更好地理解你的故事。

下表提供了一个相对通用的XML标签模板，各位可以作为一份检查清单来用，确保在构建提示词时不会遗漏关键信息，从而将抽象的“提供上下文”概念，具体化为一个个功能明确、需要填充的模块：

举一反三，在撰写广告文案时，如果要求的风格特别明确，可以创建一个<examples>标签，并在其中放入几个，十几个乃至几十个已被验证为成功的广告文案范例(一般创建一次后，后续复用可以将这些案例复制粘贴，不用重复撰写)。
然后在<instructions>标签中，明确要求AI模仿这些范例的风格、结构和说服力，为新产品创作文案。
这种做法远比模糊地要求“写得有吸引力”要有效得多。

第三章：提示词工程的核心法则

掌握了XML这一结构化工具后，我们必须理解驱动其有效性的三个核心思想原则。
这三大法则是构建任何高效提示词都必须遵守的底层逻辑。

法则一：具体明确

这是所有提示词技巧中最重要的一条。AI不是人类的代笔作家，它不具备通灵般的能力来推断你未言明的潜在意图。
我见过很多人在抱怨：“我无法从AI那里得到我想要的东西，它就是不按我的要求做。”然而当审视他们的问题时，可以发现他们根本没有清晰地告诉AI他们到底想要什么。
AI不同于代笔写手。一位代笔写手或许能根据你的大纲，凭借自己对故事创作的理解，推断并创作出一个精彩的场景或故事。但AI做不到，除非你在提示词中明确地阐述了你的想法。
所以

当你的输入是一个模糊的想法时，比如“写一个很酷的玄幻故事”，AI缺乏独特的创意锚点。它的“文字概率生成”的底层逻辑，注定了在缺乏引导的情况下，只能访问其庞大的训练数据中关于“ 玄幻故事”的“平均”或“最常见”的模式，并生成一个统计上最可能的结果。这便是那些被批评为陈旧老套、缺乏新意的“AI味”“AI样板文”的根本来源。
相反，当你的输入是一个清晰、具体的概念时，例如“写一个赛博朋克背景下的玄幻故事，主角是一位侦探，他依靠引导符咒与阵法的来破解企业AI的防火墙”，AI就获得了多个独特的、具体的元素。它会将这些元素作为锚点，在其知识库中进行创造性的连接和组合，从而生成高度定制化、真正放大了你最初创意火花的内容。
AI协作创作所能达到的质量上限，必定取决于人类协作者自身的思考深度和表达清晰度，这是大模型的“文字概率生成”的底层逻辑所注定的。
一个技艺高超、思维清晰的人类与AI的组合，其成就永远会超越单独的AI。

法则二：少即是多

如果你只看完法则一，则可能陷入一个常见的误区，也就是认为提供给AI的信息越多越好，甚至将整本书或大量无关的背景资料直接塞入提示词中。
这种做法实际上会“稀释”你的核心指令。
首先，这会显著增加你的使用成本(输入也是计算token的)。其次，这种提示词就像让AI在大海捞针，效果只会适得其反。
提示词中的每一个词，要么是传递有效信息的“信号”，要么是干扰理解的“噪声”。
当提供一本100000字的小说原文作为背景时，其中与当前任务直接相关的“信号”(如关键情节、核心人物关系)会被大量无关的“噪声”(如次要场景的琐碎描写、无关紧要的对话细节)所淹没。尽管现代AI拥有巨大的上下文窗口，但其“注意力”仍然是有限的资源。在处理海量文本时，它可能会错误地分配权重，从而忽略了真正重要的指令或上下文。
更有效的方法是提供一份经过精炼的，分章节的摘要。在这个摘要中，每一句话都是高价值的“信号”，直接指向故事的核心脉络。AI可以轻松地处理这些高度浓缩的信息，并将其作为生成新内容的坚实基础，让AI更好地抓住重点的同时还能显著降低API调用的成本(重复强调，输入也是计算token的，因为上下文的成本是指数递增，10万字以上的一次token指令成本非常高昂)。
提示词工程师的核心工作之一，就是对提供给AI的上下文进行预处理、提炼和总结，以最大化信噪比(信号与噪声之间相对强度)，确保AI的注意力能够集中在最关键的信息上。

法则三：化整为零

基于法则二，不要期望AI能够一步到位地完成一个宏大而复杂的任务，比如“为我这本书写一个五万字的全文”。即使是当前最强大的模型，他的输出能达到5万字这么长，在处理这种一次性的复杂指令时，也常常会出错，例如遗漏章节、搞错事件顺序或错误地编号。
没办法，当前的AI注意力依然捉急，不要以为只有人存在注意力这个问题。
大模型在处理任务时，当一个指令中包含过多的步骤和需要同时处理的上下文，这些内容超出其当前任务处理能力的上限，那么他在幻觉的作用下，就会导致性能下降和错误率上升。
想象一下，如果你的指令只占整个提示词的1%，你不能指望这1%的内容能被AI记住，并被赋予比其他99%内容更高的权重。
如果能将核心指令放在“系统提示”(System Prompt)中(这一点Google Ai Studio就很好)，让它时刻铭记。你就可以用不同的方式重复同一个任务。
如果系统提示词无法编辑，可以在设定风格时这样做：我提出一个要求，然后用另外两种不同的措辞重复一遍。这样可以确保AI真正理解我想要表达的意图
对于工程本身，正确的做法是，将宏大的任务分解为一系列更小、更独立的子任务。
例如，与其要求AI一次性总结整本书，不如让它逐个章节地进行处理：“总结第一章，并提取其中的角色信息和世界观设定。”完成之后，再处理第二章，以此类推。
当所有章节的浓缩信息都准备好后，再让AI基于这些结构化的信息执行更复杂的任务，比如“根据以上所有章节的摘要，创建一个贯穿全书的角色弧光分析”。
这种与AI协作的最佳模式是“流水线作业”，将一个宏大的目标(如写一本书)分解为：构思 -> 大纲 -> 章节节点 -> 场景草稿 -> 章节正文 -> 修订。每个阶段都是一个独立的、定义清晰的子任务，前一个阶段的输出成为后一个阶段的输入。
这种模式不仅更符合AI的工作方式，也更贴近人类本身的高效创作流程。

第四章：适配给AI创作时构建高效提示词的实用公式

在理解了核心原则之后，我们需要一个能将这些原则固化下来的实用工具。
曾经在2023年11月，新加坡组织举办了首届 GPT-4 提示工程(Prompt Engineering)竞赛。最终的冠军提出了CO-STAR这么一个框架：

这套理念在今天依然比较科学，也可以进行多种适配性调整，比如我觉得按照小说创作的需求，可以简化调整为FITS：

你可以参考本文提到的FITS框架，也可以用前文提到的CO-STAR框架，甚至可以自我创建框架，但无论使用任何框架，根本目的都是创建一个思维层面的“梯子”或者“脚手架”。这个框架能够强制你在与AI沟通之前，先系统性地梳理清楚自己的需求。
当你脑中只有一个模糊的任务时，你凭感觉写下的提示词很可能遗漏关键要素，比如忘记定义AI的角色或期望的输出风格，这自然会导致AI因信息不全而产生平庸或错误的输出。
而当你遵循一种稳定的框架进行思考时，他会被引导去回答一系列关键问题：我希望AI扮演什么身份？输出需要遵循怎样的框架？核心任务究竟是什么？我偏好的风格是怎样的？
通过回答这些问题，你在系统性地构建出一个信息完备的提示词的同时，AI因此获得了完成高质量工作所需的所有必要信息，输出质量自然显著提升。
可以说，一种稳定框架的价值在于“过程即结果”。遵循这个框架的过程，本身就是一个将模糊想法清晰化、结构化的过程。
这个框架与其说高提示词的质量，不如说能稳固使用者自身的思维质量。

第五章：高级技巧与迭代优化

掌握了基础框架和核心原则后，要将AI的输出效果推向极致，就需要进入一个不断实验、迭代和优化的动态过程。卓越的AI输出并非一蹴而就，而是通过一系列高级技巧精心打磨的结果。

技巧一：实验，测试，迭代

提示词工程不是一门精确科学，而是一门实验艺术，需要大量的测试和改进才能找到最优解。尤其是对于高度定制需求的文创而言。

这要求你具备一种“系统思维”。你需要理解，“提示词”并不仅仅是输入的文本，而是一个由(文本 + 模型 + 参数)构成的完整系统。优化最终结果，需要对这个系统中的每一个变量进行调试和探索。

技巧二：运用分步流程

前面提到的“化整为零”比较粗浅， 概念化 ，这里进一步在创作流程中具体化。
其核心思想是：从一个小的核心概念开始，通过与AI的协作，逐步扩展和丰富，最终形成一个复杂的成品。
从简单的结构中生长出复杂的细节。
一个典型的创作流程可以是：

这个过程就是从一个小点开始，像分形一样拓展为完整的分部流程，一步步扩大，直到完成整个作品。
在每一个扩展阶段，你都可以进行干预、修正和引导，确保最终的成品始终符合最初的创意愿景，而不是任由AI偏离航道。

技巧三：花时间与AI互动

不要期望一个完美的提示词就能一劳永逸地解决所有问题。最优秀、最独特的结果，往往来自于与AI的反复对话和交流。
在和聊天AI对话时，你可以针对性的进行多轮对话。虽然不建议在正式写作时使用，但在构思大纲或头脑风暴时，建议频繁这样做。比如，我会说：“嗯，我喜欢这个想法，但我们能多加入一点这个元素吗？”或者“你能用这种方式重写一下吗？”之类。
结合我们前面已经提到的“文字概率生成原理”，当你仅仅发出一个一次性的提示词时，AI会根据其概率模型，生成一个统计上最可能的结果。这种结果虽然通常是合格的，但也可能显得通用和缺乏惊喜。
然而，如果你与它进行多轮互动，你就加入了更多属于你自己的、人性的创造力，这使得最终的产出独一无二，几乎不可能被复现。
提问、要求重写、提供具体反馈，就可以形成一个强大的反馈循环。在这个循环中，人类的创造力、品味和独特视角被不断注入到生成过程中。每一次交互都在引导AI偏离其“平庸的平均路径”。
最终，经过这样反复打磨而成的作品，是人与机器智慧共同的结晶，其独特性和深度是任何一次性提示词都无法比拟的。这种交互模式，是对抗“AI味”倾向的最有效途径。

第六章：自动化工作流

在今天，当我们拥有各种先进的AI写作工具时，手动编写复杂的超级提示词还有意义吗？
通过前面的论述，很明显，答案是肯定的，但这需要我们理解超级提示词已经发生了演进：它的核心原则已经从一种用户技巧，内化为了这些先进工具的底层逻辑。
在创作的每个阶段都手动复制、粘贴和修改包含大量上下文的超级提示词，是相当低效的。然而，尽管他不再像过去那样频繁地在聊天框中手动编写超级提示词，但其核心原则却无处不在。

如果不易脱这些软件，也可以自我搭建自动化工作流(比如使用Make.com)。
对Agent有一定理解的高级用户，会创建自己的自动化流程，例如，一个流程可以被设计为：

整个过程无需手动干预。
用户需要便捷地获得高质量、高可控性的AI生成内容，但手动编写包含所有必要上下文的超级提示词过于繁琐。因此，软件开发者和高级用户将超级提示词的构建过程“自动化”和“后台化”。
工具通过图形用户界面(GUI)让用户输入核心信息，然后在后台自动整合所有相关上下文，动态生成一个完美的超级提示词并发送给模型。用户的体验得到了极大简化，但其背后依然是超级提示词的强大原则在驱动。
因此，在今天学习超级提示词的构建原理，不仅是为了在聊天框里写出更好的指令，更重要的是，你能够深刻理解现代AI工具的底层工作逻辑。这种理解将赋予你以下优势：

可以说，掌握了这些逻辑，也许你也可以作为一名提示词工程师去卖提示词赚点小钱了。

结论：请成为AI时代的架构师

本文从一个具体的实例出发，系统性地介绍了构建超级提示词的技术(XML标签)、三大核心法则(明确性、少即是多、化整为零)、一个实用的构建框架(FITS)以及一系列从优秀到卓越的高级优化技巧。
最终，我们揭示了超级提示词的本质演进——它已从一种需要手动实践的技巧，升华为驱动先进AI应用和自动化工作流的核心架构思想。
掌握超级提示词，不仅仅是学会一项新技能，更是完成一种思维模式的转变。这意味着，我们与AI的关系，从向一个神秘的“许愿池”祈求灵感，转变为像一位建筑师一样，为AI的创造力“制定规则”和“搭建框架”；从一个被动的请求者，转变为一个主动的、能够设计和指挥复杂人机协作流程的“架构师”。
希望每一位读者能够运用本文提供的框架和技巧，构建属于自己的第一个超级提示词。
希望能够帮助各位作家及潜在作家能够将AI作为一种高效的生产力工具，既能提升效率，又不会牺牲创作的独特性和道德准则。

https://bbs.nga.cn/read.php?tid=45036938

觉得文章有用，微信打赏一元。