第8章 元提示词——让 AI 来写提示词
选读 需要的时候再读。跳过也能跟上后面的章节。一句话总结:好提示词不用全部自己写。把想到什么写什么的请求交给 AI, 再说 “改成一个好的提示词” 就行。不过 AI 整理好的结果,发送之前一定要自己读一遍。
什么是元提示词
从第4章到第7章,你已经学了好请求的要素(目标·背景·对象·格式·条件)、各种模式和分栏。 全部背下来、每次都做到并不容易。所以有一种方法,就是把写提示词这件事本身交给 AI。
这种用来制作或修改提示词的提示词,叫作元提示词(meta prompting)。 “元”的意思是“关于它自身的”。就是关于问题的问题,关于提示词的提示词。
这时发给 AI 的指示语,也就是指示 AI 制作或修改好提示词的提示词,叫作元提示词(meta-prompt)。 这不是只有特别的人才用的方法。AI 公司自己也用这个方法。
AI 公司和研究是怎么用的(点击展开)
做出 ChatGPT 的 OpenAI 有一个开发者使用的单独练习页面(Playground,和 ChatGPT 不同的开发者网站)。 OpenAI 公开说明,这个页面上的 Generate(生成)按钮是靠元提示词运转的。[1] 也有研究发现,AI 写的指示语,效果可以和人写的一样好,有时甚至更好。[2]
这一章按不同用途,介绍四种方法。
| 方法 | 适合这种情况 |
|---|---|
| 1. 只让它整理 | 有想说的话,但没有条理时 |
| 2. 被提问着做出来 | 连该写什么都不知道时 |
| 3. 修改没起作用的提示词 | 提了请求,却没得到想要的回答时 |
| 4. 做成可重复使用的模板 | 经常做同一类事情时 |
理解检查
把随想随写的请求交给 AI,说“帮我改成一份好的请求文字”。下面哪项是对这个方法的说明?
1. 只让它整理
这是最基本的做法。把想到什么写什么的请求交给它,请它按第7章学过的分栏来整理。
第 1 步——只让它整理
把下面分隔线之间我的请求,改成用 Markdown 标题整理好的提示词。
背景放在“## 情况”下面,要做的事放在“## 要做的事”下面,回答的样子放在“## 回答的样子”下面。如果有粘贴进来的资料,就用分隔线包起来,放在“## 资料”下面。
如果缺少信息,请像 [请在这里填写○○] 这样用空格标出来。
先不要执行这个请求,只给我看整理好的提示词。
---
帮我排下周带父母去济州岛旅行的行程 爸爸膝盖不好
有租的车 2 晚 3 天 也把好吃的餐厅加进去 下雨的话去哪儿也要有
---有两句话很重要。
- “请用空格标出来”:没有这句话,AI 会把缺少的信息编得像模像样地填上。
- “先不要执行”:没有这句话,AI 一整理完,就会连旅行行程也一并排出来。
第 2 步——填好空格再发送
AI 大致会还给你这样的样子。实际的回答每次都会有些不同。
## 情况
带父母去济州岛旅行,2 晚 3 天。爸爸膝盖不好。有租的车。
## 要做的事
帮我排一个不用走太多路的旅行行程。也把好吃的餐厅和下雨时可以去的地方加进去。
## 回答的样子
按日期排的表格(时间 / 地点 / 交通方式)
出发日期:[请在这里填写出发日期]
预算:[请在这里填写预算]方括号 [ ] 的部分就是空格。把空格(例如出发日期、预算)填好。然后粘贴到新对话里发送。 就像第6章里看到的,发到新对话里,整理时那个对话的痕迹才不会混进回答里。
把 Markdown 标题换成“用 XML 标签整理”也行。用同样的方法,也能得到第7章里的 XML 标签提示词。 如果粘贴进来的资料又长又多,这样会更清楚。
理解检查
让 AI 整理一份写得杂乱无章的旅行请求,并补了一句“缺少的信息请标成空白”。为什么要加这句话?
2. 被提问着做出来
如果不知道该写什么,就让 AI 来向你提问。 这是把第5章的「反问模式」(Flipped Interaction)用在制作提示词上。
我想请 AI 帮我写我们小区小菜店的宣传文案。
可是我不知道要提供哪些信息,才能得到好的回答。
请把制作好提示词所需要的东西,一次一个地问我。
问完之后,把我的回答汇总起来,做成用 Markdown 标题整理好的提示词。AI 会一个一个地问:“店里的招牌菜是什么?”“文案打算用在哪里?传单还是 Instagram?” 回答着回答着,我自己没想到的条件(字数、语气、目标顾客)就会自然地补齐。
如果问题没完没了:一开始就说好个数,比如“最多问 5 个问题”。
理解检查
想让 AI 帮忙写小菜店的宣传文案,却连该写什么都不知道。好办法是什么?
3. 修改没起作用的提示词
提了请求,回答却不对路吗?这时,把我的提示词和收到的回答一起给它看,问问是哪里出了问题。 只给它看回答的话,AI 就只能猜问题出在哪儿。
我用下面的“我的提示词”提了请求,得到了“收到的回答”这样的回答。
我想要的是小学生也能读懂的简单解释,可是结果太难了。
1. 请简短说明,我的提示词缺少了什么,才会变成这样。
2. 请给我修改后的提示词。改动的部分请用粗体标出来。
## 我的提示词
---
解释一下光合作用
---
## 收到的回答
---
(粘贴收到的回答)
---用这个方法,你不但得到修改后的提示词,还能学到原因。 比如上面的例子,会得到“没有写读者(对象)”这样的说明。这是第4章 5 个要素中的一个。 做几次之后,一开始就不会再漏掉了。
一定要写上“想要的东西”。 只说“回答不太好,改一改”,AI 不知道该按什么标准来改。 这和第6章里的修改请求是一样的。要说清楚什么、为什么、想怎么变。
理解检查
你说了“解释一下光合作用”,结果收到的回答太难懂了。请 AI 修改请求文字时,应该一起给它看什么?
4. 做成可重复使用的模板
你是不是每周都要写工作汇报,或者每次都要整理会议记录,也就是反复做同一件事?那就把效果好的提示词做成模板(template)。 模板就是只把会变的部分留成空格的提示词。
刚才我们对话里整理会议记录的方式,我很满意。
为了下次也能用同样的方式写,请做一个提示词模板,
每次都会变的部分,像 [会议日期] [会议记录原文] 这样用方括号留成空格。把 AI 还给你的模板存在记事本里。下次只要填上空格,发到新对话里就行。 像这样标出空格的 [ ] 之类的标记,叫作占位符(placeholder)。
如果说第6章的「交接备忘」是把对话内容交给下一个对话,那么模板就是把请求方式交给下一次使用。
理解检查
做了一个整理会议记录的请求模板,每次会变的部分用方括号留空,比如 [会议日期]、[会议记录原文]。下次开会时怎么用?
要注意的地方
1. AI 会塞进我没说过的条件
AI 在整理时,有时会随意写上“预算 50 万韩元”“上午 9 点出发”这样的值。 发送之前,把整理好的提示词从头读到尾,问问自己:“这是我说过的内容吗?”如果有我没说过的内容,就删掉或改掉。 这是这一章最重要的习惯。
2. 变长了不等于变好了
做元提示词,提示词很快就会变成原来的好几倍长。对简短的请求来说,反而是负担。 “推荐一下午餐菜单”这种话,没必要让 AI 去整理。判断的标准不是长度,而是结果有没有真的变好。
3. 整理好的提示词也要核对
AI 做的提示词,也不一定就是正确答案。用那个提示词得到的回答,可能还是不合心意。 这时可以像第 3 节那样再让它修改,也可以自己动手改一两行。不需要一次就做出完美的提示词。
理解检查
AI 把我的请求整理成了一份简洁的请求文字。发送之前最重要的事是什么?
亲自试一试
回想一下最近对 AI 提过的请求里,回答让你不满意的一个。 想不出来的话,也可以先发一个简短的请求,比如“解释一下光合作用”或“写一份自我介绍”,然后用它的回答开始。
- 用第 3 节的方法把那个请求给 AI 看,请它指出缺少了什么,并给你修改后的提示词。
- 在修改后的提示词里,标出我没说过的内容。有几处?
- 按我的意思改好标出的部分后,发到新对话里,和最初得到的回答比较一下。
- 如果结果不错,就用第 4 节的方法做成模板,存在记事本里。
整理
- 元提示词,就是把制作或修改提示词的事交给 AI。
- 没有条理的时候,只让它整理;不知道写什么的时候,被提问着做出来。
- 没起作用的提示词,把收到的回答和想要的东西一起给它看,让它修改。
- 经常做的事,做成带空格的模板重复使用。
- 发送之前,一定要读一读里面有没有混进我没说过的内容。
术语整理
| 术语 | 中文名称 | 一句话解释 |
|---|---|---|
| Meta Prompting | 元提示词 | 让 AI 制作或打磨提示词 |
| Meta-prompt | 元提示词(指令本身) | 指示 AI 制作或修改好提示词的提示词 |
| Flipped Interaction | 反问模式(让 AI 反过来提问) | 让 AI 向我提问的模式(第5章) |
| Prompt Template | 提示词模板 | 只把会变的部分留成空格、可以重复使用的提示词 |
| Placeholder | 占位符 | 表示以后要填的空格的标记。例如:[会议日期] |
这一章读完了吗?
学习记录只保存在这个浏览器中。整体进度可以在 全部目录中查看。
下一章:第9章. 安全地使用——幻觉·个人信息·版权·隐藏指令
参考资料(2 条)
OpenAI,《Prompt generation》。"A meta-prompt instructs the model to create a good prompt based on your task description or improve an existing one." developers.openai.com (确认日期 2026-10-21) ↩︎
Zhou 等,《Large Language Models Are Human-Level Prompt Engineers》,2022。用 AI 生成指示语候选、再从中选出效果最好的方法(APE),在 24 个任务中的 19 个上,成绩与人写的指示语相当或更好。arxiv.org (确认日期 2026-10-21) ↩︎