企业官网建设流程全解析

搭 AI 对话工具到现在，我前前后后写了不下几百条 prompt，从最开始只会丢一句"帮我写个文案"，到后来能稳定产出我要的东西，中间踩过的坑真的能写一本小册子。今天不聊那些花里胡哨的"万能公式"，就聊最底层的一件事情：把任务、对象、依据、交付这四件事说清楚，你的 prompt 成功率起码提高一大半。

很多人觉得写 prompt 靠文采、靠运气，其实不是。它更像把心里那团模糊的想法，翻译成一张别人能照着执行的需求单。需求单上信息残缺，AI 就只能猜；信息完整，AI 才能给你交差。这篇就当聊家常，把我自己从"每次都要重写三遍"到"一次生成就能用"的经验摊开来说，适合所有刚接触提示词、或者写了不少但结果总是不稳定的朋友。

1. 别急着开写：先搞懂 Prompt 是什么

1.1 一句话定义：Prompt 就是一张"需求单"

Prompt 这个词，英文原意是"提示、促使"，放到 AI 语境里，就是你提交给模型的那段输入文本。它可以是问题、指令、背景描述，也可以是半成品草稿。无论形式怎样，本质都是同一件事：把你脑中的意图，编码成模型能理解的文字信号。

拿点外卖类比最直观。你跟商家说"来份吃的"，对方只能猜你想吃辣还是清淡、堂食还是带走、预算多少。但你要是说"一份不要香菜、微辣、送到小区门口，20 分钟内"，商家执行起来几乎不用动脑。模型也一样，你给的上下文越具体，它需要"脑补"的空白就越少，输出自然就越贴你的心意。

所以别再纠结"Prompt 是不是越高级越好"。高级感是次要的，"信息完整度"才是第一位的。判断一条 prompt 好不好，标准很简单：把里面的名词和条件全部遮住，剩下的描述你还认得出自己在要什么吗？认不出，就是需求单没填完。

1.2 为什么你写的 prompt 总是不对味

我见过太多人反复在同一个地方翻车，总结下来无非三种病。

第一种叫"指令太泛"。只给动词，不给场景。"帮我写个方案""帮我分析一下""给我个思路"，这种话放给真人同事，对方也得追问三连：什么方案？给谁看？要达到什么效果？模型倒是不会追问，它会默默替你选一个"最可能"的默认答案，于是你拿到手的永远是平庸的、泛泛而谈的东西。

第二种叫"上下文缺失"。你想推荐一款咖啡机，但没告诉模型目标用户是办公室白领还是居家新手，没说预算区间，没说竞品情况。模型只能按它训练数据里最常见的咖啡机文案风格来写，写出来自然又空又套，放朋友圈都没人点赞。

第三种是"交付标准模糊"。这是最隐蔽的问题。你不说字数、不说格式、不说到什么程度算过关，模型就会按它自己的默认偏好输出。结果你嫌它太长、嫌它没分点、嫌它语气太正式，改来改去，最后干脆自己上手重写——那要它干嘛？

把话说到这儿，结论其实已经浮出来了：与其到处找"神级 Prompt 模板"，不如先把任务、对象、依据、交付这四根柱子立起来。下面逐根拆。

2. 四要素拆解：任务、对象、依据、交付

2.1 任务：把"要干什么"写成一个明确动词

任务是一句话里的核心动作，最好是一个具体动词：写、总结、翻译、改写、对比、打分、生成大纲、模拟面试……动词越精确，模型的发挥空间越可控。

"分析"和"对比"就不一样。前者可能给你洋洋洒洒三千字单点分析，后者会自然地列出维度表格。你要是心里想要的是对比表，却说成"分析"，就成了需求单填错项。

我的习惯是，动词前面再强制加上"针对什么做"。比如"帮我写一篇产品介绍"可以改成"为这款便携咖啡机写一篇 800 字的产品介绍"。写清楚了，模型才知道围绕什么对象展开，而不是凭空给你一篇谁也不属于谁的文案。

顺便说个容易忽略的点：任务里还可以写"不要做什么"。不要用营销黑话、不要编数据、不要用第一人称。这类负向约束往往比正向描述更能拉低模型的翻车率，尤其是做事实型内容时，一句"不要虚构未经验证的数据"能省你不少校对时间。

2.2 对象：给内容找一个具体的"受众坐标"

对象不是指素材本身，而是指"内容最终给谁用、用在什么场景"。这是用户最容易漏掉的一项，也是影响风格最狠的一项。

同样一份活动方案，发给老板看和发给执行同事看，完全是两种写法。前者要结论先行、讲投入产出、给决策建议；后者要时间节点、负责人、物料清单、风险预案。你直接把受众坐标告诉模型，它大概率能自动切换语态和结构，根本不需要你手把手教它"要有数据、要加粗关键结论"。

除了受众，对象还包含"场景坐标"。这篇文案是发朋友圈、发小红书、还是印在海报上？是写给自己做备忘，还是发给客户做汇报？同一个主题，渠道和场景一变，篇幅、语气、信息密度全都要变。把这些写进 prompt，等于帮模型划了一条风格范围线，让它在里面自由发挥，而不是跑到外头乱来。

2.3 依据：把事实、边界和规则塞进上下文

依据是四要素里最容易让结果质量发生质变的一项。它包含三类内容：第一类是事实材料，比如产品参数、数据、原文摘录；第二类是限制条件，比如成本上限、合规要求、截止时间；第三类是偏好规则，比如"不要用被动句""术语保持中英对照"。

只要条件允许，我会把材料直接贴进 prompt，而不是让模型自己去"脑补"行业常识。因为模型的训练数据是有截止时间的，它不知道你公司那款新品的真实卖点，也不知道你们内部指定的措辞风格。与其让它猜，不如把关键信息原封不动丢给它，明确说"所有事实以我提供的材料为准，不要额外编造"。

有一回我需要把一份长文档转成周报，直接把文档正文粘贴进去，外加一句"只基于以下文本内容总结，不要补充外部信息"。输出出来几乎不用改。而之前不提这句的时候，模型总爱"锦上添花"，硬塞一些原文里没有的推断，反而害得我逐条删。这就是依据的威力：它把模型的想象空间框住了，框得越紧，越不容易跑偏。

2.4 交付：说清楚你要的"成品长什么样"

交付本质上就是验收标准。大多数人不写这一项，不是不想写，是压根没想过模型输出还能自定义格式。其实模型在这件事上配合度极高，你只要把"成品长什么样"描述清楚，它真的能一比一执行。

交付描述通常包含四块：结构（分几部分、什么顺序、要不要表格）、篇幅（总字数、每段长度）、语气（正式还是口语、克制还是活泼）、以及验收点（包含哪些必须要素、排除哪些不要的东西）。我一般还会加最后一句话："输出完成后，按以下标准自查一遍并指出不足。"这一句能逼着模型在交付前先做一轮质检，虽然偶尔有点啰嗦，但能堵住不少低级错误。

举个实际例子。我需要一份会议纪要，交付标准是"一条决策、三个待办、两个风险，每项不超过 50 字，待办须写明负责人和截止时间"。模型第一次跑出来就是表格形式，我直接复制粘贴进协作工具就完事。没有交付标准的版本呢？写得跟散文似的，还得我手工提炼。高下立判。

3. 手把手改一个 prompt：从"帮我写个文案"到能落地

3.1 先看第一版为什么废

我拿工作里最常遇到的需求来演示：写一条产品文案。第一版 prompt 长这样：

帮我写个文案。

这条 prompt 神仙来了也救不了。模型能干嘛？它只能从训练数据里随机挑一种"大众款"文案，大概率是那种"品质生活，从一杯好咖啡开始"的通用话术，放哪个品牌都行，也意味着哪个品牌都不出彩。

我把这条发给过十几个朋友，让他们猜对方会怎么写，结果十个人写出了十种完全不同的方向：有写成朋友圈的，有写成详情页的，有写成电梯海报的，语气有文艺的、有硬广的。问题不在模型，在我没做任何限定，同一个 prompt 每次生成的方差极大，这本身就是失败的信号——稳定的输出必须来自足够明确的输入。

3.2 四要素逐项补全的过程

下面这条，是我在实际项目中改过好几轮后的成品，可以当参照系看：

请为"便携咖啡机"写一条朋友圈带货文案， 面向 25-35 岁、常加班的职场白领（对象）， 核心卖点只有三个：30 秒出咖啡、放得进背包、无需清洗（依据）， 语气要轻松、真实、有生活感，避免"轻奢""尊享"等油腻词（依据-规则）， 全文在 120 字以内，分两到三行，结尾带一个行动引导（交付）， 不要虚构用户评价和数据（依据-禁止项）。

对比第一篇，能看到每一处改动都对应四要素里的某一项。对象限定了人群画像和年龄区间，语气规则把风格划进了安全区，依据堵住了编造数据的漏洞，交付标准锁死了篇幅和结构。

这条 prompt 我实际跑过几次，输出的版本虽然表述不同，但基本都落在"说得清卖点、语气不油腻、字数卡得住"这个范围内。有一次它还自己加了一句"办公室抽屉里囤一台，加班不慌"，这在我看来完全合格，甚至比我自己写的还贴切。这就是把四要素填满后的实际收益：不是指望它一次完美，而是确保它次次不跑偏。

3.3 拿来即用的结构模板

如果你不想每次从零组织语言，可以直接套下面这个骨架，把括号里的内容换成你自己的场景就行：

请【动词：写/总结/翻译/改写/生成】一份【交付物类型】， 主题是【对象/目标主题】， 面向【受众：年龄/身份/使用场景】， 核心信息包括：【依据1；依据2；依据3】， 语气和风格：【风格描述】， 避免出现：【禁止项】， 篇幅要求：【字数/行数】， 输出格式：【结构要求，如分点/表格/摘要】， 完成后请自查是否覆盖以上核心信息，并标注遗漏。

这个模板我自己用了很久，最大的好处是它强制你按四要素填空。一开始可能觉得啰嗦，但写熟了会形成条件反射，甚至不再依赖模板，张嘴就能把一条需求说全。到那个阶段，你才算真正脱离了"纯靠运气跑 prompt"的层次。

4. 实战中的暗坑：invalid prompt、token 超限、闪退

4.1 invalid prompt 是怎么冒出来的

用过在线 AI 工具的人，多少都见过这类报错：invalid prompt，或者是"your prompt was flagged as potentially violating our usage policy"。遇到这个先别急着骂工具，九成情况是触发了两类问题。

一类是内容安全审查。平台会对输入做风险扫描，某些词、某些主题会被标记为潜在违规，哪怕你本意完全正常，字面踩线就会被拦。解决办法不是去绕审查，而是换个建设性的、正向的表达方式。比如你想让模型规避某个负面案例，与其描述"不能出现 XX"，不如改成"请只聚焦于正向做法"。目的达到了，字面也安全了。

另一类是格式层面的非法输入。比如某些工具不允许空 prompt、不允许纯特殊字符、不允许在特定端点塞进二进制内容。这种通常检查一下输入是否有乱码、粘贴时是否带了隐形格式，就能解决。我的习惯是：长文本先在记事本里过一遍，再贴进对话框，能排除不少莫名其妙的问题。

4.2 prompt token 与上下文窗口的关系

Token 是模型处理文本的最小单位，你可以粗略理解为"切成小块的字词"。中文场景下，一个汉字通常对应一到两个 token，英文一个单词通常一个 token。模型每次对话能处理的 token 总数是有限的，这段空间叫上下文窗口，prompt 输入、模型输出、中间的多轮历史，全都要挤在这个窗口里。

我在实际使用中遇到最多的情况是：prompt 写得太长，贴了一整份文档，再加上几轮修改历史，直接把窗口撑爆。结果要么是模型"忘掉"对话开头的内容，要么直接报错。遇到这种时候，我的处理顺序是：先删掉多余的历史轮次，再压缩 prompt 里的非关键背景，最后把最核心的指令提到最前面。这个顺序很重要，因为模型对开头和结尾的内容记忆最牢，把关键任务沉到中间是最亏的。

另外别迷信"越长越全"。上下文窗口是共享资源，prompt 吃掉的 token 越多，留给输出的就越少。我见过有人为了追求"完美 prompt"写了两千字的约束，结果模型输出被截断在三分之一处。与其面面俱到，不如只留那些真正影响质量的约束，这才是对 token 的健康态度。

4.3 人像 prompt 特别容易翻车的三个点

人像生成是另一个高频翻车区，简单说三个最常见的坑。

第一，过度堆砌外貌细节。头发颜色、眼睛形状、嘴角弧度全写完，反而容易互相冲突，生成出"四不像"的脸。我的经验是只锁定两三个关键特征，其余交给模型发挥，效果反而自然。第二，忽略了环境光与构图描述。只说"一个女孩"而不说场景，出来的图往往平淡；补一句"窗边自然光、浅景深、半身构图"，画面质感立刻不一样。第三，盗用真人姓名或知名角色形象，轻则生成效果差，重则触发版权和平台审核。想生成特定气质的人像，用"发型+穿搭+气质词"去描述，比挂一个明星名字安全且可控得多。

还有一个通用技巧：人像生成不要忘记提供"不要什么"的负向描述，比如不要歪脸、不要多余手指、不要模糊背景。这类负向控制能显著降低废图率。如果你想要同一人物保持一致性，就把基础描述固定下来，每次都沿用同一段底文，只改场景和动作，这样一致性会高很多。

4.4 prompt optimizer 到底有没有用

这两年市面上冒出一堆 prompt optimizer，号称一键帮你优化提示词。我的真实体验分两面。正面说，它们确实能帮你做"查漏补缺"，经常能补上你漏掉的角色设定、输出格式、限制条件，相当于给 prompt 做了一个结构化体检。对于刚上手、还不知道四要素为何物的新手，这类工具反而是一种很好的学习脚手架，看它给你改了什么，你也就学会了该写什么。

反面说，优化器生成的结果普遍存在严重"膨胀"问题。一句话的需求，它能给你扩成三段式、五要素、十条规则的论文级 prompt。看起来专业，实际很吃 token，而且约束过多会限制模型的发挥空间，生成内容容易变得死板、套路化。我实际测试下来，登录流转率这类风格类任务提示下，用它优化后的 prompt 和手写精简版相比，效果并没有显著提升，反而 token 成本翻了一倍多。

所以我现在的用法是：拿它当"检查器"，不用它当"写手"。写完 prompt 先丢给它过一遍，看它在哪些位置补了内容，然后我手动判断哪些补得对、哪些是冗余，删掉不需要的再用。这个流程兼顾了效率和可控性，也算是我对这类工具最诚实的一个评价。

5. 我写 prompt 的几个土习惯

没有惊天动地的技巧，只有几条磨出来的土习惯，送给你当参考。

第一条，先写交付再写任务。大多数人习惯说"帮我写个报告"，然后再补字数格式，我正好反过来：先在脑子里想好成品长什么样、多长、什么结构，再倒推出任务怎么表述。以终为始，prompt 的逻辑会清楚很多。

第二条，分隔符号用起来。我习惯用【任务】【对象】【依据】【交付】这种显眼标记把信息分段，一眼看过去就知道这条 prompt 结构是否完整。模型对结构化的输入理解也更稳定，算是一种零成本的双赢。

第三条，版本管理。同一个需求我会存一个 prompt 文档，每次改动存一版，标注哪版效果最好。时间长了，你就有了自己的一套"私有模板库"，比网上任何通用模板都好用，因为它长在你的工作流上。

第四条，也是最重要的一条：把 prompt 当成对话，而不是命令行。一次跑不顺很正常，你只需要在下一轮里补充缺失的要素，而不是推倒重来。写 prompt 从来没多玄乎，就是把话说清楚——对模型是，对客户是，对同事也是。

这话听起来朴素，做起来才是真正的门槛。