简介：《AI引擎：Prompt指令设计绿皮书》面向希望系统掌握AI对话技巧的内容创作者、运营人员与职场学习者，聚焦如何用清晰、可复用的指令唤醒ChatGPT等语言模型的输出能力。全书围绕指令写作技巧公式展开，涵盖明确定义需求、补充上下文、简化语言、说明输出格式、举例示范、设置限制条件与多次迭代优化等原则，并延伸到小红书笔记、短视频开头、简历写作、求职面试及个人发展等场景的指令模板，对Claude、Bard等同类产品同样适用。资源包共1个PDF文件，约3.64MB，结构按导语、技巧公式、场景模板与结语编排，便于按需查阅和套用。目前已有6739人学习，适合想提升AI交互质量、快速上手提示词设计的入门与进阶读者参考。
1. 一份把 Prompt 当工程件拆的绿皮书，值不值得翻
上周帮一个做内容的朋友看他的 AI 工作流，他抱怨同一个模型、同一个需求，自己写出来的东西总是“差点意思”，而同事随手一段指令就能出稿。我让他把两段 Prompt 并排贴出来，差别立刻现形：他那段只有一句“帮我写篇小红书笔记”，同事那段把角色、人设、字数区间、标题要不要带数字、正文塞几个表情、结尾怎么引导互动全写死了。这不是玄学，是信息密度问题。这份《AI引擎：Prompt指令设计绿皮书》干的就是把这种“信息密度”拆成可复用模板的事——它不讲模型原理，直接给指令写作的七条技巧公式，再落到新媒体运营、简历写作、求职面试、个人发展四类场景的现成指令。适合谁？手上已经在用 ChatGPT、Claude 这类工具，但输出质量忽高忽低、每次都要重写一遍指令的内容从业者和求职者。它不解决“模型怎么训练”，只解决“话怎么说才不浪费 token”。
2. 指令写作的七条公式：从一句话需求到可复用模板
绿皮书开篇给的七条原则，表面看是老生常谈，但真正落地时每一条都对应一个具体的失败模式。我把它当成一份“Prompt 检查清单”来用，写完一段指令逐条过一遍，命中率比凭感觉改高得多。
2.1 明确定义需求与提供上下文：解决“答非所问”
最常见的翻车是需求本身有歧义。你写“解释一下区块链”，模型不知道你要给谁看、要多深、要多长，于是给你一段百科腔。绿皮书的做法是在开头就把问题钉死：“请你用简单的语言解释什么是区块链”，把“简单”这个约束前置。更关键的是上下文——如果是多轮对话，新指令之前要把前文的结论或设定复述一遍。模型没有真正的记忆，它靠的是当前上下文窗口里的文本，你不喂它，它就当没发生过。
我一般会在长对话里加一句锚定：“我们之前讨论了人工智能的发展，接下来请你解释什么是机器学习及其应用。”这句话的作用不是客套，是把上一轮的语义坐标重新写进当前窗口，避免模型漂移。参数上没什么可调的，纯粹是文本工程，但省下的返工时间很实在。
2.2 详细说明要求与举例：把“风格”变成可执行约束
“写得好一点”是无效指令，“不超过 500 字、面向零基础家长、用第二人称、每段不超过三句”才是有效指令。绿皮书强调输出格式、长度、语言风格都要写清楚，这一点在批量生产内容时尤其致命——你不写死，每次输出格式都不一样，后期排版成本翻倍。
举例说明是另一层保险。给 1 到 2 个示例，模型能捕捉到示例里的句式节奏和用词偏好。绿皮书里的例子是“上次你给我列举了旅游新西兰的 5 个最佳地点，这次也请给我列出旅游意大利的 5 个最佳地点”，本质是用一个已知结构的样本去约束新任务的输出结构。实操中我会把示例放在指令末尾，用分隔符隔开，避免模型把示例当成待处理内容。
【任务】按示例结构输出意大利旅游地点 【示例】 1. 新西兰南岛：皇后镇，适合极限运动，建议停留 3 天 2. 新西兰北岛：罗托鲁瓦，地热景观，建议停留 2 天 【要求】输出 5 条，每条含地点、特色、建议停留天数，总字数不超过 200 字这段结构里，【任务】定目标，【示例】定格式，【要求】定边界，三段各司其职。很多人把示例和要求混在一段里写，模型容易把要求当成示例的一部分照抄，输出里就多出一行“要求：……”，这是很典型的格式污染。
2.3 添加限制条件与迭代优化：给敏感场景上保险
限制条件这条在敏感主题上不是可选项。绿皮书的写法是“请回答我的问题，但请不要提供任何有争议或令人反感的内容”，把禁止项显式写出来。我的经验是，限制条件要写在指令靠后的位置，因为模型对末尾指令的遵循度通常更高，放在开头容易被后续大段描述冲淡。
迭代优化则是整个方法论里最容易被跳过的一步。绿皮书说得很直白：第一次结果不理想，就补背景、加示例、改措辞，直到满意。这里有个实操细节——每次只改一个变量。同时改角色、改字数、改示例，你根本不知道是哪一处起了作用，下次复用就抓瞎。我习惯把每次迭代的指令存成版本，命名带上日期和改动点，跑三五轮之后回看，往往能发现真正起作用的就是某一句话。
提示：迭代时保留上一版指令，不要直接覆盖。模型版本更新后，旧指令可能失效，有历史版本才能快速定位是哪条约束不再生效。
3. 新媒体运营场景：把平台规则写进指令里
绿皮书里篇幅最重的就是新媒体部分，小红书笔记、短视频开头、爆款文案、标题优化、选题调教各有一套指令。这部分的价值不在于模板本身多精妙，而在于它示范了“怎么把平台特有的规则翻译成模型能执行的约束”。
3.1 小红书笔记指令：人设、字数、表情、话题的联合约束
绿皮书给的小红书指令把要求拆成六条：人设是领域专家、标题带数字且匹配 SEO 关键词并带表情、正文 600 到 800 字且至少 5 个表情、末尾 @ 官方账号并加 # 话题、行动呼唤结合痛点设计福利诱饵、配图给内容建议。这套约束的密度很高，单看每一条都不难，难的是让模型同时满足。
我照着跑过一版，第一个请求是“如何选择合适的 offer”。直接套模板出来的稿子结构完整，但标题的表情堆得有点过，正文里 @ 官方账号的位置也不对。问题出在指令里“参考案例”那句——案例本身带大量表情，模型会过度模仿。我的处理是把案例单独拎出来，注明“仅参考标题结构，表情数量以正文要求为准”，把冲突的约束解开。
你担任小红书创作者，人设是该主题领域专家，语言权威。 按以下要求输出一篇笔记： 1. 标题：含数字、匹配主题关键词、带 1-2 个表情，参考结构「绝绝子这8个宝藏真的yyds」但表情不超过 2 个 2. 正文：600-800 字，至少 5 个表情，分段清晰 3. 结尾：@ 2 个相关官方账号，加 3-5 个 # 话题 4. 行动呼唤：结合目标用户痛点设计一个福利资料包，引导评论 5. 配图：给 3 条配图内容建议 主题：如何选择合适的 offer这段指令的关键改动是把“参考案例”的模仿范围收窄到标题结构，表情数量单独用数字卡死。参数上，600 到 800 字是个经验区间，低于 600 信息量不够，高于 800 移动端阅读完成率下降；表情数量 5 个是下限，超过 8 个会显得廉价。这些数字不是拍脑袋，是平台内容生态里反复验证过的区间，绿皮书直接给了，省去自己试错。
3.2 短视频开头与标题指令：用缩写代号固化风格
绿皮书里有个挺实用的设计：把一套开头撰写要求命名为【BPKT】，把标题要求命名为【BPBT】，之后每次调用只说“用【BPKT】写开头”，不用重复七条要求。这本质是把长指令压缩成代号，适合高频复用。
【BPKT】的七条要求是引人入胜、简洁明了、视觉吸引、语言简练、制造悬念、突出价值、快节奏。【BPBT】则是引人入胜、制造悬念、突出价值三条。代号化的好处是对话轮次多了之后，上下文里不用反复塞大段规则，token 消耗降下来，模型注意力也更集中。
你是短视频开头写作助手。以下要求定义为【BPKT】： 1. 用问题、冲突或反常识观点开场 2. 直戳主题，不铺垫 3. 描述有画面感的视觉元素 4. 避免专业术语 5. 留悬念 6. 开头点明观看价值 7. 节奏快，前两句内进入主题 我给标题，你按【BPKT】写 3 版开头，每版不超过 80 字。 标题：给普通人的 AI 使用指南跑这段时要注意，模型有时会把“3 版”理解成三个段落连在一起，输出成一整段。加一句“每版之间用空行分隔并标注版本号”能解决。另外 80 字这个上限对短视频开头偏宽松，实际口播 3 秒大约 15 到 20 字，80 字够撑 10 秒以上，如果视频节奏更快，把上限压到 40 字更合适。
3.3 选题调教：让模型先自报角色再干活
选题那部分绿皮书用了一段很长的多轮对话，先问“我需要定义你哪些角色你才能更好帮助我”，模型列出信息搜集者、趋势分析师、创意发想者等十个身份，然后用户说“你需要具备以上十个身份”，再给账号数据和历史选题表，让模型分析问题、给建议、排一个月的选题。
这个套路的精髓是让模型先输出自己的能力边界，再基于这个边界分配任务。直接让模型“帮我做选题”，它给的东西往往泛泛；先让它自报十个角色，相当于逼它把选题拆成信息搜集、趋势分析、创意发想等子任务，后续输出自然更有结构。
实操中我会把历史数据整理成表格贴进去，包含选题标题、阅读量、转化动作，然后明确问“这三篇选题的问题分别是什么”。绿皮书里模型给出的分析是主题过于广泛、选题创意相似、与读者期望不符，这些判断本身不新鲜，但它是基于你贴的真实数据推出来的，比空对空讨论有用。要注意的是，模型对数据的解读会有偏差，比如它把“岗位内推”类选题判为不符合定位，这个判断对不对得你自己拿主意，模型只是提供一个外部视角。
4. 简历、面试与个人发展：把指令模板迁移到非内容场景
绿皮书的目录里简历写作、求职面试、个人发展各占一块，正文虽然没展开细节，但从新媒体部分的模板结构能反推出迁移方法——核心还是角色设定加约束条件，只是约束的对象从平台规则换成了岗位要求和表达风格。
4.1 简历场景：用 JD 反推指令约束
简历写作的指令，我一般这样搭：先贴目标岗位的 JD 原文，再给一段自己的经历素材，然后要求模型按“动词开头、量化结果、匹配 JD 关键词”的规则改写。这比让模型凭空写简历靠谱得多，因为模型没有你的经历，它只能基于你给的素材重组。
你是资深招聘顾问。以下是目标岗位 JD 和我的经历素材。 JD：负责新媒体账号运营，要求数据分析能力，熟悉内容排期 经历：运营过一个公众号，粉丝从 0 到 5000，写过 30 篇推文 要求： 1. 把经历改写成 3 条简历要点 2. 每条以动词开头，含一个量化数字 3. 至少一条体现数据分析，一条体现内容排期 4. 每条不超过 40 字这段指令里，“至少一条体现数据分析”是硬约束，防止模型把三条都写成“写推文”的变体。量化数字那条也要盯紧，模型有时会编造数字，比如把 5000 粉丝写成“增长 300%”，如果原始素材里没有增长率，就得在指令里加一句“不得编造素材中未出现的数字”。
4.2 面试与个人发展：把追问链写进指令
面试场景的指令适合做成追问链：第一轮让模型根据岗位出 10 个高频问题，第二轮挑一个回答让它点评，第三轮要求它扮演压力面试官追问。个人发展场景则更适合目标拆解类指令，比如“我是零基础想转新媒体运营，给我一个 3 个月的学习计划，按月拆到周，每周列出可验证的产出”。
这两类场景的共同点是都需要多轮交互，单次指令给不出好结果。绿皮书在选题部分演示的多轮对话结构可以直接搬过来：先让模型确认理解，再给素材，再要输出，最后让它自评。自评那一步很多人省掉，其实很有用——让模型指出自己输出里最薄弱的一条，往往能暴露你指令里没写清楚的约束。
注意：简历和面试类指令涉及个人信息，贴素材前把姓名、联系方式、具体公司名替换掉，模型不需要这些也能完成任务，少喂一点少一分泄露风险。
5. 避坑与排查：五条踩过的坑和对应解法
5.1 指令越长输出越差
现象：把七八条要求全塞进一段指令，模型输出反而漏掉其中两三条，格式也乱。 原因：约束之间互相冲突，或者约束数量超过模型单次能稳定遵循的上限，注意力被稀释。 解决：把要求按优先级排序，保留最关键的 4 到 5 条，其余拆到下一轮迭代里补。冲突的约束要显式解开，比如前面说的表情数量问题，用“以本条为准”明确优先级。
5.2 示例被当成待处理内容
现象：指令里放了示例，输出里却把示例原样复述一遍，或者把示例的格式当成了任务本身。 原因：示例和任务描述之间没有清晰分隔，模型分不清哪部分是“照着做”哪部分是“要做的事”。 解决：用分隔符或标签把示例包起来，标注“以下为格式示例，不要复述”，任务描述放在示例之后。
5.3 多轮对话后模型“失忆”
现象：聊了十几轮之后，模型忘了最初设定的人设或格式要求，输出风格漂移。 原因：早期指令在上下文窗口里被后续对话挤到边缘，权重下降。 解决：每隔几轮把核心约束复述一遍，或者把关键设定写成一段“系统设定”在每轮开头重复。长对话场景下，定期开新会话并带上精简后的设定，比硬撑一个超长会话稳定。
5.4 量化要求被编造
现象：要求“含量化数字”，模型给出素材里根本没有的增长率或百分比。 原因：模型倾向于满足格式要求，缺数据时会补一个看起来合理的。 解决：指令里明确“只能使用素材中出现的数字，没有就写定性描述”，并在输出后逐条核对数字来源。
5.5 平台规则类指令水土不服
现象：照搬小红书模板去写其他平台内容，表情和话题标签显得突兀。 原因：模板里的约束是平台特定的，换平台后这些约束从“加分项”变成“噪音”。 解决：把模板拆成“通用结构”和“平台特定约束”两层，换平台时只替换第二层。通用结构包括角色、字数、结构分段，平台特定约束包括表情数量、话题标签、@ 规则。
6. 把绿皮书变成自己的指令库：一个可验证的迭代习惯
绿皮书给的是模板，但模板用久了会僵化。我现在的做法是建一个自己的指令库，每条指令带三个字段：适用场景、关键约束、最近一次验证日期。每次模型大版本更新后，挑几条高频指令重跑一遍，看约束是否还生效。这个习惯来自一次教训——某个平台的标题字数限制调整后，我库里一条老指令还在按旧字数卡，连续一周输出的标题都被截断，排查了半天才发现是指令过期，不是模型变笨。
具体操作上，我会用下面这个结构管理指令，纯文本存本地，不依赖任何平台：
【指令名】小红书笔记-通用版 【适用】图文笔记初稿 【关键约束】标题含数字+表情≤2；正文600-800字；表情≥5；结尾@2个账号+#话题3-5个 【验证日期】每次模型更新后重跑“如何选择offer”主题，检查标题表情数和正文字数是否落在区间 【已知问题】模型偶发把@账号写在正文中段，需在指令末尾加“@和#仅出现在结尾”这个结构里，“已知问题”那一栏是最值钱的，它记录的是踩坑后总结的具体补丁，比任何通用教程都贴合自己的使用习惯。验证方法也很朴素：固定一个测试主题，每次更新后跑一遍，用字数统计和表情计数做客观核对，不靠肉眼感觉。
从那以后我每次改指令库，都强制走一遍“固定主题重跑加客观计数”的流程，不再凭印象判断哪条指令好用。希望这套方法帮到你，少走几轮返工。
本文还有配套的精品资源，点击获取
