提示词工程系列（一）:提示词工程不是聊天，值得认真学习一下

最近在用 Seedance 做视频生成，反复折腾提示词之后，终于意识到一件事——

提示词的好坏，直接决定结果的天壤之别。不是 AI 不行，是你的"指令"不够好。写代码、画图、做视频，同一套 AI 工具，有人用出大片质感，有人用出灾难现场。区别在哪？在提示词工程。

之前一直觉得提示词没有什么复杂的，不值得叫什么工程。做完视频才发现，不是这么简单，它有专门的术语，各个行业都一样——想要得到满意的结果，提示词就要精准。提示词不是聊天。

提示词不是聊天，是生产指令。

三类核心技术的底层逻辑

零样本、少样本、思维链——大语言模型提示词工程的三类核心技术，这个分类对标的 OpenAI 和 Google DeepMind 的官方最佳实践。光知道"是什么"不够，还得知道"为什么好用、什么时候不好用"。

零样本——通用任务的默认选项

不用给任何示例，直接调用模型预训练阶段学的通用能力。适合日常问答、通用翻译、简单摘要。但它的上限就是模型的"常识认知阈值"——任务一涉及特定格式、小众领域、你的个性化规则，零样本的输出稳定性就急剧下降。这就是编程、图像、视频这些专业场景没人纯靠零样本出结果的原因。

少样本——格式与风格对齐的最好方式

它的原理叫"上下文学习"：模型不用更新参数，光靠输入里的示例就能识别规律并照着输出。一个经常被忽视的细节：示例的质量和多样性，远比例子数量重要。2到3个覆盖不同边界情况的例子，效果远好于5个同质化的；示例的输出格式越统一，模型对齐得越好。

这套思路跨模态也能用。图像生成里的"参考图"、视频生成里的"首帧参考"，本质就是多模态版本的少样本学习——用视觉示例替代文字示例，让模型对齐风格跟构图。

思维链——复杂推理的放大器

它的作用是把模型的"直觉式输出"拆成"分步推理"，逼着模型调用更多认知资源，减少跳跃式错误。进阶玩法有自洽性（让模型生成多条思维链再投票选最优，适合数学和逻辑题）、思维树/思维图（探索多条推理路径、回溯错误，适合复杂架构设计和方案规划）。

不过边界也很清楚：思维链只在需要逻辑推理的任务里有效，编程、文案、数据分析都没问题。但图像、视频这类"感知生成"任务完全不适用——模型不会因为你说"一步步画"就画得更好。这也是不同模态提示词心法完全不同的底层原因。

三大场景的提示词心法

编程、图像、视频，三个场景的提示词心法完全不同。从"交互范式、生成成本、模型特性"三个维度拆开看，每个场景的实操逻辑就清楚了。

编程场景：上下文工程就是"内存管理"

Karpathy 有个比喻很到位：大模型是 CPU，上下文是内存。编程提示词的核心从来不是"一句话写清楚需求"，而是把上下文窗口当成运行内存，高效加载最相关的信息，让模型在正确的上下文里输出代码。

几个实操技巧：用结构化分块替代大段描述，项目背景、技术栈约束、功能需求、输出要求、禁止项各一块，模型的注意力分配会更准；给提示词时也放反面示例和错误原因，模型会主动避坑，比只给正面示例效果好30%以上；跟模型沟通时，描述"现象"而不是直接给"解法"——说"这个接口在高并发下响应超时"比说"把它改成异步"效果好得多，模型往往会给出比你想的更优方案。

图像生成：控制变量式的快速迭代

图像场景最大的优势是试错成本极低，不满意重来就行。这套"控制变量调优法"是编程和视频都不具备的：固定种子值，每次只改一个关键词或一个参数，快速定位"哪个元素在影响画面"。

这里必须提一嘴：负面提示词是图像提示词的另一半。正向提示词决定"你要什么"，负面提示词决定"你不要什么"。低分辨率、变形、模糊、水印、多余肢体——这些缺陷靠正向描述几乎没法规避，只能靠负面提示词去过滤。

主流图像模型还支持用括号和权重数值调整关键词的注意力（比如(golden hour:1.3)），同时提示词要跟生成参数配合，CFG越高提示词约束力越强，但画面容易过饱和。

视频生成：一次到位的"分镜式提示词"

视频才是提示词工程真正的战场——精度要求最高、试错成本最高、最佳实践迭代最快的领域。

主流视频模型的时序注意力窗口有限，对复杂动作切换、多主体互动的把控力很弱。动作越多、场景越复杂，画面崩坏、逻辑穿模的概率就指数级上升。"一个镜头一个核心动词"，说穿了就是主动适配模型的能力边界，把出错概率降到最低。

一个实测好用的结构化模板：

【景别与时长】中景，10秒恒定时长 【核心主体】穿藏青色风衣的中年男性 【核心动作】缓步走在雨后的街道上，右手插兜，视线看向侧方橱窗 【环境场景】夜晚的老上海弄堂，地面有积水反光，两侧挂着红灯笼 【光影氛围】暖黄街灯光影，冷蓝色环境光，湿冷氛围感 【镜头运动】缓慢平移跟拍，镜头高度与人物肩部齐平，运动平稳 【画面风格】电影级质感，王家卫色调，浅景深，颗粒胶片质感 【负面约束】无画面闪烁，无人物面部变形，无肢体穿模，无跳帧

生成效果视频:

两个高阶技巧：动作要写"起止状态"，不要只说"走路"，要说"从画面左侧走入，走到画面中央停下"，时序一致性会大幅提升；用专业术语替代模糊描述，运镜说"推轨、摇臂、慢镜头120fps"，光影说"伦勃朗光、侧逆光、柔光箱"——跟模型训练集里的影视语料对齐，效果远好于模糊形容词。

这些专业术语可以先不懂，用起来，然后叫AI给你解释，用中学。

精确的本质：与模型训练分布对齐

提示词的"精确"，从来不是"写得越详细越好"——你的描述越接近模型训练数据里的标准表述，生成效果就越稳定。比如"黄金时刻的逆光，暖色调，35mm胶片质感"之所以比"很漂亮"好用，是因为这些词大量出现在模型训练用的专业摄影和影视素材描述里，模型对它们的语义理解很清晰，知道对应什么视觉特征。

"很漂亮"是主观模糊词，模型只能随机采样它认知里的"漂亮"，结果当然不可控。

这就解释了为什么专业术语是提示词的核心——编程的技术栈名词、图像的艺术风格名词、视频的影视运镜名词，本质都是用模型训练集里的高频标准表述，降低理解歧义，让意图跟输出精准对齐。

两个进阶方向

提示词模块化与可复用性。成熟的提示词不会每次都从零写，而是拆成可复用的模块。图像的"风格模块""光影模块""画质模块"，视频的"运镜模块""负面约束模块"，每次只替换主体和动作，既保证输出稳定，也大幅提升效率。

提示词可复现性。编程场景依赖上下文不太需要这个。但图像和视频的生产场景，可复现性是核心指标——固定提示词加固定种子值加固定参数，就能稳定复现结果。这是提示词从"玄学调参"走向"工程化"的标志。

提示词确实不是聊天，是给 AI 的生产指令。编程提示词是可迭代的需求文档，图像提示词是可重拍的摄影brief，视频提示词是开机即定版的分镜剧本。

好的提示词工程师，本质上就是把人类模糊的创意直觉，翻译成AI能精准执行的标准化语言。

喜欢就点击关注我哦～