OpenAI · GPT / ChatGPT / OpenAI API
Prompt engineering - OpenAI API
OpenAI 的核心思路是把需求说清楚：目标、背景、限制、参考资料、输出格式和质量标准要分开写。复杂任务适合拆成步骤，并给模型足够的资料和示例。
通用任务说明结构化输出课程基础
我们的经验
- 先定义任务结果，而不是只说工具动作
- 把参考资料和指令分区，减少误解
- 指定输出格式，方便检查和复用
- 对复杂任务先拆解，再生成最终结果
检查清单
- 是否说明了最终用途？
- 是否提供了必要资料？
- 是否写清限制条件？
- 输出格式是否可检查？
可复制模板
你是{角色}。请完成{任务目标}。
背景：{业务背景/用户场景}
资料：{可粘贴原文、数据或链接摘要}
限制：{不能做什么/必须遵守什么}
输出格式：{表格/清单/JSON/分段文章}
质量标准：{准确性、语气、长度、检查点}
OpenAI · GPT-5 / newer GPT models
Prompt guidance - OpenAI API
较新的 GPT 模型更适合精简、直接、目标明确的提示词。旧提示词里过度规定过程、重复强调或互相冲突的规则，可能让回答变机械。面向客服、助教、销售等产品场景，应明确人格、协作方式和边界。
GPT升级角色设定产品提示词
我们的经验
- 删掉重复和互相冲突的旧规则
- 只规定真正影响质量的行为
- 把语气、边界、工具使用和交付格式分开
- 用真实案例测试提示词，而不是只看一次输出
检查清单
- 是否存在重复指令？
- 是否有冲突规则？
- 是否明确用户体验目标？
- 是否能用真实案例测试？
可复制模板
角色：{助教/客服/分析师}
协作方式：{先问缺失信息/直接给草稿/先列检查点}
边界：{不承诺结果/不替代专业意见/不处理敏感数据}
交付：{用户能直接复制使用的格式}
自检：回答前确认是否满足{3-5条质量标准}。
Anthropic · Claude
Prompt engineering overview - Claude API Docs
Claude 提示词适合先定义成功标准，再迭代优化。复杂任务可以用清晰分区组织资料、指令、示例和输出要求。课程设计时，可以把“好答案标准”写进练习评分表。
Claude结构化示例评估
我们的经验
- 先写成功标准，再写提示词
- 用分区组织长资料和任务指令
- 给一两个理想示例，减少风格偏差
- 把提示词效果放进评测表持续改
检查清单
- 成功标准是否能被打分？
- 资料和指令是否分开？
- 是否给了风格示例？
- 是否适合迭代评测？
可复制模板
<任务>{要完成的任务}</任务>
<资料>{用户材料}</资料>
<成功标准>{判断好坏的标准}</成功标准>
<示例>{可选：好输出示例}</示例>
<输出要求>{格式、长度、语气}</输出要求>
Google · Gemini
Prompt design strategies - Gemini API
Gemini 的提示词策略强调清楚、具体、可迭代。处理长文档、图片、视频或大量资料时，先提供资料，再在最后明确问题和输出要求，有助于把回答锚定在前文资料上。
Gemini多模态长上下文资料分析
我们的经验
- 对多模态任务说明要观察什么
- 长资料任务把最终问题放在资料之后
- 要求基于资料回答，不要凭空补充
- 输出要指定粒度和格式
检查清单
- 资料是否放在问题前？
- 问题是否足够具体？
- 是否要求标注不确定？
- 是否指定输出粒度？
可复制模板
以下是资料：
{文档/图片说明/视频转写/数据}
请基于以上资料完成：{具体问题}
只使用资料中能支持的信息；不确定处标为“待确认”。
输出格式：{摘要、表格、行动清单、问答}
Microsoft · Microsoft 365 Copilot
Get started writing prompts in Microsoft 365 Copilot
Copilot 的办公提示词适合围绕目标、上下文、期望和资料来源来写。它很适合课程里的 Word、Excel、PPT、Outlook、Teams 场景。
办公CopilotWordExcelPPT会议
我们的经验
- 明确办公目标：总结、改写、生成、比较或计划
- 说明受众和使用场景
- 告诉它参考哪个文档、邮件、会议或表格
- 写清语气、长度和可交付格式
检查清单
- 是否说明参考资料？
- 是否写清受众？
- 是否写清办公产物？
- 是否适合直接复制到工作流？
可复制模板
请基于{资料来源}，为{受众}完成{办公任务}。
背景：{会议/项目/客户/部门情况}
期望：{语气、长度、重点、不要包含什么}
输出：{邮件草稿/PPT大纲/会议纪要/表格字段/行动清单}
Mistral AI · Mistral models
Prompting - Mistral Docs
Mistral 的提示词实践强调系统提示词、任务边界和输出格式。它适合做分类、抽取、总结、客服意图识别等结构化任务。
开源模型系统提示词分类抽取
我们的经验
- 系统提示词写角色和长期规则
- 用户提示词写本次材料和任务
- 分类任务要给固定类别
- 抽取任务要定义字段和缺失值处理
检查清单
- 系统规则是否稳定？
- 类别是否固定？
- 字段是否完整？
- 缺失信息是否有处理规则？
可复制模板
系统规则：你是{角色}，只按给定类别/字段输出，不添加无关解释。
用户材料：{文本}
任务：{分类/抽取/总结}
类别或字段：{固定选项或字段表}
缺失处理：没有依据时写“未提供”。
DeepSeek · DeepSeek API
JSON Output - DeepSeek API Docs
DeepSeek 的结构化输出任务要同时在参数和提示词里强调 JSON，并给出目标 JSON 示例。课程里可把它用于表格转字段、客服记录整理、练习评分等场景。
DeepSeekJSON结构化输出中文任务
我们的经验
- 提示词里明确要求 JSON
- 给出字段示例和类型
- 控制输出长度，避免截断
- 要求不能确定的字段写 null 或空数组
检查清单
- 是否写了只输出 JSON？
- 是否有结构示例？
- 是否定义未知信息处理？
- 是否避免过长导致截断？
可复制模板
请把以下内容整理为 JSON。
内容：{原文}
只输出 JSON，不要 Markdown。
结构示例：{"summary":"...","items":[{"name":"...","risk":"..."}],"unknown":[]}
无法确认的信息写 null。
xAI · Grok API
Structured Outputs - xAI Docs
xAI 的结构化输出适合把自由文本变成固定格式。设计课程时，可以把它作为“先定义 schema，再让模型填表”的练习。
Grok结构化输出工具调用数据抽取
我们的经验
- 先定义字段，而不是让模型自由发挥
- 字段名要贴近业务语言
- 每个字段说明类型和来源
- 输出后用固定检查清单核验
检查清单
- 字段是否先定义？
- 是否禁止无依据推测？
- 字段是否贴近业务？
- 结果是否便于导入表格？
可复制模板
任务：从{资料类型}中抽取结构化信息。
字段：
- {字段1}：{类型/含义/来源}
- {字段2}：{类型/含义/来源}
规则：不要推测；没有依据时留空。
输出：符合字段定义的结构化结果。