AI生成结果不理想是常态，不必期待一次提示词就能到位。采用工程化的迭代思路，比依赖"灵感"更可靠。
1. 先分类，再动手
拿到差结果时，先判断问题类型，避免盲目重写提示词：
- 内容偏差：事实错误、理解歪了、风格不对 → 需补充背景或调整角色设定
- 格式混乱：JSON多括号、Markdown错乱、分段不清 → 需增加格式约束和示例
- 质量不稳：时而好时而不行 → 需增加Few-shot示例或降低温度参数(temperature)
- 过于冗长/简略：字数失控 → 需明确字数限制和结构要求
2. 一次只改一处
提示词优化遵循"单变量原则"：每次只调整一个要素（如只改角色描述，或只加示例），观察效果后再进行下一步。同时改多处，无法判断哪个修改起了作用。
3. 常用迭代技巧（按优先级排序）
补充"负面约束"
如果AI总犯某个错误（如过度使用专业术语），直接告诉它"不要做什么"："避免使用'赋能''抓手'等黑话""不要解释技术原理，直接给步骤"。
增加锚点示例（Few-shot）
当描述要求无效时，给2-3个符合预期的输入-输出对，比文字描述效率高10倍。示例需覆盖边界情况（如"这种情况要拒绝，那种情况要简化"）。
拆解复杂任务
如果任务包含多步骤（如"先分析数据再写报告最后做PPT大纲"），拆成三次调用：第一次分析，第二次基于分析结果写报告，第三次提炼PPT结构。链路虽长，准确率远高于一步到位。
调整角色颗粒度
"你是专家"太笼统，迭代到具体场景："你是有10年经验的儿科医生，面对焦虑的新手父母，用安慰语气解释..." 身份越具体，输出越稳定。
使用标记语言框定
用XML标签、Markdown代码块或特定符号（如【输入】...【输出】...）框定输入输出范围，防止AI把指令当成内容生成。
4. 建立版本对照表
准备一个简单的Excel或文档，记录：
- 版本号 | 修改内容 | 生成效果 | 评分(1-5)
避免在同一对话里无限滚动修改，历史记录混乱会导致"改回第一版时发现第一版也找不到了"的情况。
5. 知道何时放弃优化
如果迭代5-6轮仍无法达标，考虑：
- 换模型：轻量级模型对复杂推理任务确实力不从心
- 换路径：某些任务（如精确数学计算、实时数据查询）不适合纯生成，需结合代码执行或RAG检索
- 人工兜底：接受AI生成80%内容，关键校验环节必须人工介入，而非追求100%自动化
关键心态：提示词工程不是追求完美，而是追求"可预期的稳定输出"。先解决"能用"，再优化"好用"。