到 2026 年了，大多数人写提示词的方式还停留在 2018 年敲 Google 搜索框的水平：短、模糊、缺一切模型需要的上下文。代价体现在三处：第一次答案就是垃圾、要追问无数遍、慢慢失去"AI 真能帮我省时间"的信心。
这篇文章讲怎么写让 LLM（ChatGPT、Claude、Gemini）一次就能精准执行的提示词。同时它也是一篇低调的提示词生成器推介——但只是因为下面这些事正是真正的 提示词生成器 替你自动完成的事。
一个好提示词的配方
每一个好提示词都有五个组成部分。每一个，没有例外。
- 角色（Role）：模型扮演谁？
- 上下文（Context）：模型需要知道你处境的哪些事实？
- 约束（Constraints）：答案必须满足什么条件？
- 输出格式（Output Format）：答案应该长什么样？
- 成功标准（Success Criteria）：你怎么判断答案合格？
少一项，模型就用平均水平的猜测填补——而所谓"AI 答案很套路"，正是平均水平的猜测拼起来的。
一个真实例子
下面是无数人每天发给 ChatGPT 的提示词：
帮我写一封产品上线的营销邮件。
模型完全不知道你是谁、受众是谁、产品是什么、你想要什么语气、什么样算成功。于是它就给你写一封平均的上线邮件——通用、惊叹号、"我们很兴奋地宣布"。没用。
现在把同一个意图改写成一个好提示词：
你是一位资深 B2B SaaS 文案。写一封 90 字以内的上线邮件，宣布我们的新分析产品上线，目标人群是中型企业的免费用户。语气：自信、具体、不要 hype。正文必须包含：一个具体的客户成果（"Acme Corp 把分析师工时砍了 40%"）、唯一一个真正重要的新能力、一行号召语跳到 15 分钟 demo。不许用感叹号、不许说"我们很激动"。格式：纯文本，不要 Markdown。
同一个意图。结构多了 5 倍。质量好 10 倍。
三种实操路径
按耗时从多到少排序。
路径 1：背配方手写
如果你每天都写提示词、且有自律每次都把角色/上下文/约束/格式/成功补齐，可行。但大多数人坚持不下来。有趣的工作是内容，不是结构——结构一旦变成体力活，就会被跳过。
路径 2：用提示词模板
比手写好。找一个匹配你任务的模板（比如 "B2B 邮件"），复制、填空。你省了结构的活儿，但被锁进别人对你这个任务的想象。
路径 3：用 提示词生成器
这就是我们做的事。你粘进粗糙的想法——"帮我写一封产品上线的营销邮件"——提示词生成器 识别缺啥，按影响排序提 3-5 个澄清问题（"受众是谁？你最希望他们读完做哪件事？"），然后生成上面那种结构化提示词。问题就是配方，你只需要答。
提示词生成器 比模板快的核心原因是它适配你的想法。模板把你强行塞进它的形状；提示词生成器 反过来从你的想法推导出它需要哪些结构。
五条经验法则
无论你自己写还是评估 提示词生成器 给你的输出，下面五条覆盖 80% 的胜率：
- 比你觉得舒服的更具体。"中型 B2B SaaS、100-500 人公司" 比 "小企业" 强。具体不是约束，是信号。
- 给例子，别只描述。能给一个"好答案长什么样"的例子就给。一个 in-context 例子胜过五行"做得好一点"。
- 约束放在最前面。长度、格式、语气、要避免什么。模型对显式约束反馈很积极。
- 直接要你需要的格式。"含 X/Y/Z 三列的 Markdown 表格" 比 "总结一下" 强。要 JSON 就说 JSON，并定义 schema。
- 定义"完成"。"列出 5 个选项就停"。"邮件 90 字以内就停"。模型不会自动知道什么时候该收笔。
"思考搭档"在实践中的样子
从"AI 是许愿精灵"到"AI 是思考搭档"，是写好提示词带来的根本转变。精灵做假设；搭档会问。你的提示词读起来像许愿，模型就猜；像给一个聪明同事的简报，你拿回来的就是同事级别的成果。
一个好的 提示词生成器 强制你进入第二种模式，但不让你做记账活。你出想法，它出结构。结果是 ChatGPT、Claude、Gemini 都能精准执行的提示词——你把省下的时间花在真正的工作上，而不是花在 prompt 工程上。
试一下
把你最烂、最反复返工、最常给你套路答案的那条提示词，粘进我们的 提示词生成器。回答它问的问题。把生成的结构化提示词拿回你最常用的模型。对比答案。
大多数人第一次试就看到了差别。