我们和大语言模型的协作模式还有优化的空间吗？AI从基础模型进化到高性能模型，又会如何影响提示词工程发展？AI除了可以帮我们解决工作/生活中的难题和dirty work，还能搞多模态的创作你知道吗？

很多人都知道AI提示词很重要，但大多数人不是写不好，而是根本不知道还能这样写。因此我想尝试系统性地讲一讲“提示词工程”这件事——为什么它不是写几句话那么简单，为什么它值得被当成一个“工程问题”来对待，又为什么你总觉得AI不好用，其实只是你和它没建立起合适的协作方式。我会从一个实际AI使用者/创作者和AI业内人的角度，讲写提示词的结构方法、使用策略、还分享了少有人讨论的写指令的风格范式，以及一点通俗易懂的底层原理。如果你总觉得“AI没想象中那么强”，那这期可能就是为你做的~

此篇教程不需要技术背景可以放心食用，听完就能上手。我还准备了10个实用提示词模板，放在评论区自取。如果你觉得这篇对你有帮助，欢迎评论转发分享给其他朋友。如果你也有很多用AI的感想，欢迎评论区交流~

-

00:32 我为什么想做这个教程？

02:14 我计划怎么给大家“完善地”讲解提示词工程？

04:54 我现在最常用的AI工具，以及我都用它们干什么？

07:15 我从小到大最擅长的一件事：提需求

——会提需求，你的人生就会变成爽文

Part0. 从“提问”开始讲

08:33 一切皆可问，你和AI之间的“合作关系”，更像是建立你自己语言习惯的过程

10:41 很多人在意图澄清方面都有巨大欠缺

——Prompt工程的第一个关键变量，不是模型有多强，是你对所处任务的理解有多深

Part1. Prompting 框架

13:05 Google官方课程「Prompting Essentials」

——如何将一个模糊的需求拆解成多个具体的、可执行的步骤

1.1 Task（任务）
1.2 Context（上下文）
1.3 References（参考）
1.4 Evaluate（评估）
1.5 Iterate（迭代）

Part2. Prompting 范式

21:14 AI从基础模型进化到高性能模型，又会如何影响提示词工程发展？

2.1 Lazy Prompting

22:51 吴恩达为什么说有时用懒提示反而更高效？

26:10 适用于哪种模型？写懒提示居然还有个意想不到的“好处”？

26:57 你可能会想知道的和「大模型记忆力」有关的3个底层机制

——AI到底记不记得住我说过的话？能记住多少？

29:08 什么是token？

30:28 什么是Context Window（上下文窗口）？

32:10 用deepseek推理模型写歌的一些离谱尝试

34:09 什么是session？

2.2 Structured Prompting

35:42 工业化写法，稳定、高可控、利于复用

策略1. 少样本提示 (Few-shot)
策略2. 给明背景信息（Additional Context）
策略3. 指定完成任务的步骤（Decomposition）
策略4. 思维链提示法（CoT）
策略5. 使用标签 (XML Label）

2.3 Vibe Prompting

42:34 本人自创hhh，半结构半感性，创意感强

44:05 工作场合需要传达语气，创造氛围的场景也非常有用

45:01 当我用氛围提示法让GPT-4o吹我这篇播客

46:02 Sam Altman推崇的提示词工程师是噱头吗？

47:15 AI能力的边界在哪里？

47:28 关于提示词工程后面还可以讲什么？

50:51 片尾曲：我用SunoV4.5 创作的R&B

-

*BGM（all music made by me via ai）：

Sweet Sunday - Fiona Huang (片尾曲)

Dance Until Dawn - Fiona Huang (片头曲)

-

*大纲以外的补充和延申：

我最常用的AI:

ChatGPT-4o：全能，多模态

Gemini：超长上下文处理

Deepseek-R1：最佳使用方式是用腾讯元宝切成DS-R1+联网模式

Notebooklm：读paper读长文档

Recraft：有我最爱的胶片风格

Whisk：图片质感佳

Veo2：V3要花钱

Suno：最好的AI音乐模型

-

红衫资本分享的AI's Killer Apps：

AI's Trillion-Dollar Opportunity: Sequoia AI Ascent 2025 Keynote (from Youtube)

-

语言模型的分词（tokenization）机制举例：ChatGPT采用了一种叫做 Byte Pair Encoding (BPE) 的算法。这个算法的基本思路是：把一个字符串拆成尽可能常见的子词组合，以便最大化压缩 token 数量。但具体分成几个 token，还要看模型的词表中有哪些“片段”被定义为常见组合。想了解的可以在这个工具里测试：OpenAI tokenizer tool。