AI Prompt Engineering · 课时

为什么具体性很重要

Q: 「为什么具体性很重要」这节课中我会学到什么？

了解模糊提示如何导致泛泛的输出，以及精确表达如何解决这一问题 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

了解模糊提示如何导致泛泛的输出，以及精确表达如何解决这一问题

为什么具体性很重要 是 CoddyKit 上的免费 AI Prompt Engineering 课时。这是第 1 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 4 节课。

模糊性问题

当您发送模糊的提示时，人工智能会用它的最佳猜测填补所有缺失的细节。这些猜测基于统计上最常见的解释，而不是您的真实意图。

结果是通用且令人难忘的输出，需要大量重写。具体性是您改善人工智能输出质量的最有力手段。

模糊提示：写关于狗的内容

请考虑这个提示：“写点关于狗的内容。”

模型必须猜测：采用什么格式？多长？面向什么读者？从什么角度切入？它通常会默认生成一段安全而平淡的文字，放进儿童百科全书也不会突兀。

现在比较一下：“为一只金毛寻回犬幼犬在海滩度过的第一天撰写一段 200 字的图片社交平台配文。语气：活泼且富有情感。加入 5 个相关主题标签。”

第二个提示没有留下任何需要猜测的地方。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

vague = 'Write something about dogs.'
specific = (
    'Write a 200-word Instagram caption for a golden retriever puppy\'s '
    'first day at the beach. Tone: playful and emotional. '
    'End with 5 relevant hashtags.'
)

for label, prompt in [('VAGUE', vague), ('SPECIFIC', specific)]:
    response = client.messages.create(
        model='claude-opus-4-5',
        max_tokens=300,
        messages=[{'role': 'user', 'content': prompt}]
    )
    print(f'--- {label} ---')
    print(response.content[0].text)
    print()

为什么会产生通用输出

模型是在数十亿个文本示例上训练的。当您说“写关于 X 的内容”时，它会生成训练期间见过的关于 X 的最常见文本类型。

这种文本通常具有以下特点：

百科全书式的语气
中等篇幅
表面涵盖所有主要角度
没有鲜明的风格或目的

您的具体约束会覆盖这些默认设置，引导模型满足您的实际需求。

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

# Default (vague) output
default_response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{'role': 'user', 'content': 'Write about coffee.'}]
)
print('DEFAULT OUTPUT (first 200 chars):')
print(default_response.choices[0].message.content[:200])
print()

# Constrained output
constrained_response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Write a 100-word product description for a single-origin Ethiopian pour-over coffee. '
            'Target audience: specialty coffee enthusiasts. '
            'Tone: sophisticated, sensory. Mention flavor notes: jasmine, blueberry, dark chocolate.'
        )
    }]
)
print('CONSTRAINED OUTPUT:')
print(constrained_response.choices[0].message.content)

具体性的五个维度

编写提示时，请从以下五个维度进行具体说明：

格式——段落、项目符号列表、表格、JavaScript 对象表示法、电子邮件
长度——字数、句子数、项目数
受众——谁会阅读或使用这份输出
语气——正式、随意、技术性、具有说服力、富有同理心
目标——输出应该实现什么目的

您不一定总需要全部五项，但缺少其中任何一项，都可能让模型猜错。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

# All 5 dimensions specified
response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=256,
    messages=[{
        'role': 'user',
        'content': (
            'Format: 3-bullet summary.\n'
            'Length: each bullet max 20 words.\n'
            'Audience: busy startup founders with no ML background.\n'
            'Tone: direct, no jargon.\n'
            'Goal: explain why fine-tuning an LLM is expensive.'
        )
    }]
)
print(response.content[0].text)

模糊与具体：电子邮件请求

让我们看看电子邮件写作，这是最常见的人工智能任务之一。

模糊：“给我的客户写一封电子邮件。”
模型不知道客户是谁、主题是什么、双方是什么关系、目标是什么，也不知道应采用什么语气。

具体：“给一位逾期付款 14 天的 B2B SaaS 客户（TechFlow 公司）写一封三段式电子邮件。语气：坚定但保持专业礼貌。目标：促使对方付款，同时不损害双方关系。加入明确的行动号召，并设定 5 天期限。”

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

specific_prompt = (
    'Write a 3-paragraph professional email to a B2B SaaS client (TechFlow Inc) '
    'who has a payment 14 days overdue. '
    'Tone: firm but courteous — preserve the business relationship. '
    'Include: acknowledgment of potential oversight, the overdue amount placeholder [AMOUNT], '
    'a payment link placeholder [LINK], and a 5-day deadline. '
    'Subject line included.'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{'role': 'user', 'content': specific_prompt}]
)
print(response.choices[0].message.content)

模糊与具体：摘要

即使是看似简单的摘要任务，也能从明确具体的要求中获益匪浅。

模糊：“总结这篇文章。”

具体：“请用恰好 3 个句子总结这篇文章。第一句：主要发现。第二句：所使用的方法。第三句：对实践者最重要的影响。”

结构明确的版本可以立即使用；模糊版本则需要重新调整格式。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

article = (
    'Researchers at MIT have developed a new neural network architecture that achieves '
    '94% accuracy on medical image diagnosis, outperforming human radiologists by 7%. '
    'The model was trained on 2.4 million anonymized X-ray images and uses a novel '
    'attention mechanism that highlights regions of interest for clinician review. '
    'The team expects FDA clearance by Q3 2025 for use as a diagnostic aid, not replacement.'
)

specific_prompt = (
    f'Summarize the following article in exactly 3 sentences:\n'
    f'Sentence 1: main finding.\n'
    f'Sentence 2: methodology.\n'
    f'Sentence 3: key implication for clinicians.\n\n'
    f'Article:\n{article}'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=200,
    messages=[{'role': 'user', 'content': specific_prompt}]
)
print(response.content[0].text)

模糊与具体：头脑风暴

头脑风暴提示词最不能含糊，因为您会得到一串显而易见且彼此重复的想法。

模糊：“为我的应用提供一些想法。”

具体：“请为一款面向 25 至 35 岁城市职场人士的 B2C 冥想应用提供 10 种独特的变现策略。排除订阅模式（我们已经有一种）。每个想法用一个句子表达，并按风险从高到低排序。”

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

specific_brainstorm = (
    'Generate 10 unique monetization strategies for a B2C meditation app '
    'targeting 25-35 year-old urban professionals. '
    'Exclude: subscription models (already implemented). '
    'Each strategy in one sentence. '
    'Order from most to least conventional. '
    'Label each with: CONVENTIONAL / EXPERIMENTAL / BOLD.'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{'role': 'user', 'content': specific_brainstorm}]
)
print(response.choices[0].message.content)

在提示词中使用示例

最强大的具体化技巧之一，就是直接在提示词中加入您希望得到的输出示例（这称为少样本提示）。

不要只是描述格式，而要把格式展示出来。模型能从真实示例中立即理解结构、长度和语气，通常比从文字描述中理解得更清楚。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

example_prompt = '''
Generate 3 product taglines in this style:

Example 1: Notion — 'The all-in-one workspace where better thinking happens.'
Example 2: Figma — 'Design together. Ship faster.'
Example 3: Linear — 'The issue tracker you'll actually enjoy using.'

Product: A CLI tool that automatically writes Git commit messages by analyzing your diff.
Taglines:
'''

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=200,
    messages=[{'role': 'user', 'content': example_prompt}]
)
print(response.content[0].text)

明确 NOT 应避免的事项

负向约束和正向约束同样强大。告诉模型要避免什么，有助于防止常见的不良模式：

“不要使用项目符号”
“不要以‘我’这个词开头”
“不要建议需要信用卡的解决方案”
“不要使用被动语态”

将正向指令与负向约束结合起来，可以实现最大程度的控制。

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[
        {
            'role': 'system',
            'content': (
                'You are a copywriter. Rules:\n'
                '- NEVER start a sentence with "Additionally" or "Furthermore"\n'
                '- NEVER use the phrase "In conclusion"\n'
                '- NEVER use passive voice\n'
                '- NEVER use bullet points or lists'
            )
        },
        {
            'role': 'user',
            'content': 'Write a 100-word about us section for a craft bakery called Morning Light.'
        }
    ]
)
print(response.choices[0].message.content)

迭代式具体化

您不必第一次尝试就写出完美的提示词。迭代完善是一种有效策略：

从一个具体程度适中的提示词开始
找出输出中错误或缺失的内容
添加约束来解决这些问题
重复上述过程，直到输出达到您的标准

每次迭代都会帮助您了解模型需要哪些约束。请将最好的提示词保存为模板，以便日后使用。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

# Iteration 1: first attempt
v1 = 'Write a LinkedIn post about my new job.'

# Iteration 2: add specifics based on what was missing
v2 = (
    'Write a LinkedIn post (max 150 words) announcing I just joined Stripe as a Senior Engineer. '
    'Tone: genuine excitement, not bragging. '
    'Include: what drew me to the role, one thing I plan to focus on. '
    'No cliches like "excited to announce" or "humbled to share". '
    'End with a genuine question for my network.'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=300,
    messages=[{'role': 'user', 'content': v2}]
)
print(response.content[0].text)

建立具体性检查清单

发送任何提示词之前，请在心中过一遍这份检查清单：

我是否指定了输出格式？（段落 / 列表 / JSON / 表格）
我是否指定了长度？（字数 / 项目数量）
我是否指定了受众？（谁会阅读这些内容）
我是否指定了语气？（正式 / 随意 / 技术性）
我是否指定了目标？（这些输出将用于什么目的）
我是否加入了约束？（需要避免什么）
我是否可以添加一个示例来说明我的意思？

# Prompt template with all specificity dimensions filled
prompt_template = '''
Task: {task_description}
Format: {format}
Length: {length}
Audience: {audience}
Tone: {tone}
Goal: {goal}
Do NOT: {constraints}
Example of good output: {example}
'''

filled = prompt_template.format(
    task_description='Explain what an API is',
    format='3 short paragraphs, plain prose — no bullet points',
    length='150 words maximum',
    audience='Non-technical business stakeholders',
    tone='Friendly, analogy-based, jargon-free',
    goal='Prepare them for a meeting with the engineering team',
    constraints='Do not use the words "endpoint", "REST", or "HTTP"',
    example='An API is like a waiter in a restaurant — it takes your order...'
)
print(filled)

知识检查

一位市场营销经理向人工智能提出请求：“写一篇社交媒体帖子。”人工智能返回了一篇泛泛的、介绍公司的两句式帖子。哪种 BEST 改写方式最能得到有用的结果？

具体性为何重要——回顾

具体性是有效编写提示词的基础。关键要点：

模糊的提示词会产生统计意义上平均、泛泛的输出
每个提示词都应明确格式、长度、受众、语气和目标
使用负向约束来防止不希望出现的模式
加入您希望的输出风格示例
采用迭代完善的方法——没有哪个提示词必须第一次尝试就完美
将成功的提示词保存为可重复使用的模板

您描述得越具体，花在重写输出上的时间就越少。

常见问题解答

「为什么具体性很重要」课时是免费的吗？

是的 — 「为什么具体性很重要」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 4 节课。

「为什么具体性很重要」这节课中我会学到什么？

了解模糊提示如何导致泛泛的输出，以及精确表达如何解决这一问题你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 AI Prompt Engineering 需要有经验吗？

无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 1 节课，共 4 节。

「为什么具体性很重要」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 AI Prompt Engineering 课中编写并运行代码吗？

能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 AI Prompt Engineering