让你相见恨晚的 5 个大模型提示词方法

2025年3月12日 · 1266 字

在过去的两年里，我浪费了太多时间跟大模型较劲，才得到像样的输出结果。大多数“提示词指南”都只是老生常谈，所以我开始尝试一些真正能解决我实际问题的不同方法。

这些并非是典型的“扮演专家”提示。它们很怪异、很具体，而且说实话有点反直觉——但它们的效果却出奇地好。

1. 反向访谈

不要问 ChatGPT 问题，而是先让它面试你。

我需要帮助解决[总体目标]。在提供任何建议或解决方案之前，请先问我5-10个澄清问题，以便了解我的具体情况、限制条件和偏好。请等待我的回答后再继续。

例如：

“我需要帮助建立一套晨间习惯。在提供任何建议之前，请先询问一些关于我的生活方式、目标和限制条件的问题。请耐心等待我的回答。”

它的工作原理：大模型不再妄加假设，而是进行个性化定制。你获得的是真正针对你自身情况量身定制的解决方案，而不是适用于所有人却又不适用的通用建议。这种互动交流使最终输出的实用性提升了十倍。

当我在正式实施某个想法之前需要进行压力测试时：

我正在考虑[决定/想法]。首先，我会坚定我的立场，提出最有力的论据来支持它。然后，我会转换视角，提出最有力的反对论据，包括我可能没有考虑到的风险。最后，我会确定决定我最终决定的关键因素。

例如：

“我正在考虑辞职成为全职自由职业者。首先，请坚定我的立场。然后，提出反对辞职的最有力论据。最后，请确定决定我最终决定的关键因素。”

它的原理在于：你可以一次性获得验证和现实检验。“关键因素”部分至关重要——它能帮你排除干扰因素，告诉你哪些因素对你的具体情况真正重要。

当你面对琳琅满目的选择而不知如何抉择时： “针对[您正在比较的选项]创建一个详细的比较矩阵。包含[数量]个与[您的具体用例]最相关的评估标准。根据每个标准对每个选项进行评分，并提供简要理由。然后，为优先考虑[您的首要任务]的人推荐最佳选项。”

例如：

“创建一个 Notion和Obsidian 的比较矩阵。包含 6 个与学术研究笔记相关的标准。对每个选项进行评分并说明理由。然后，为那些优先考虑长期知识积累的人推荐最佳选择。”

它的工作原理：您将获得结构化的信息、数据以及建议。无需再因试图在脑海中记住 47 个不同的优缺点而导致决策瘫痪。

当我遇到难以向非技术人员解释技术问题的情况时：

我需要向[特定受众]解释[技术概念]。请创建3个不同的类比，将这个概念转化为他们[在其领域/兴趣]中已经理解的内容。对于每个类比，请解释其失效或不准确之处。

例如：

“我需要向餐厅老板解释 API 集成。请用餐厅运营的例子举三个类比。并解释每个类比的不足之处。”

它的原理在于：运用多种类比能提供多种选择，而了解哪些类比行不通则能避免沟通误解。我曾用这种方法处理过各种事情，从向客户做演示到向父母解释我的工作。

不要一开始就要求完美，而是使用这个循环：

“请生成用于[用途]的[输出类型]。完成后，我会从1到10分进行评分，并指出不足之处。然后，请根据我的反馈意见创建一个改进版本。我们将重复此过程2-3次，直到完全符合我的需求。”

例如：

“为面向 SaaS 创始人的冷门推广活动生成5个电子邮件主题行。您提供后，我会对其进行评分并指出其中的不足之处，然后您可以进行改进。”

有效原因：你不必在第一次尝试时就写出完美的提示。迭代方法意味着每个版本都会更接近你真正想要的。这比“写出来，讨厌它，重新开始”的循环要轻松得多。

我的观察：我注意到，当你给大模型一个可遵循的流程，而不是仅仅要求最终结果时，它的表现会更好。这种结构似乎能更好地进行推理。