TL;DR
版本：V1.0，日期：2025-08-20。
目标只有一个：把 ChatGPT 从“能聊”变成“能稳定产出可用结果”。做法是固定输入结构、限制输出格式、分层追问、最后验收。
结论：90% 的低质量回答，不是模型不行，是提示词缺少上下文、约束、样例和验收标准。
前置条件
1. 你至少准备一个可复制的任务样本：邮件改写、岗位 JD 优化、会议纪要整理、面试题生成，四选一即可。
2. 你要接受一个事实：ChatGPT 提示词工程不是“写得像人话”，而是“把任务参数写全”。
3. 你要有一个固定模板文件，避免每次从零开始。下面的命令可直接建目录。
mkdir -p ~/prompt-playbook && cd ~/prompt-playbook
printf "# prompt-playbook\n" > README.md
ls -la
预期输出：
total 8
drwxr-xr-x 3 user user 4096 Aug 20 10:00 .
drwxr-xr-x 18 user user 4096 Aug 20 10:00 ..
-rw-r--r-- 1 user user 18 Aug 20 10:00 README.md
1. 先学会写“可执行提示词”
最稳的结构只有五段：角色、目标、上下文、约束、输出格式。少一段，结果就开始漂。
-
角色：定义模型扮演谁。
你是资深招聘内容编辑，输出必须适合奉化市求职网的职位页。 -
目标：一句话说清要什么。
把下面的岗位描述改写成 3 段结构化 JD。 -
上下文：提供行业、对象、场景。
目标用户是先进制造业求职者，关注薪资范围、技能门槛、晋升路径。 -
约束：定义长度、语气、禁区。
不要空话；不要营销腔；每段不超过 120 字；保留具体数字。 -
输出格式：强制结构化。
输出为：岗位亮点 / 任职要求 / 面试建议，使用 Markdown 二级标题。
Note: 结构化提示词的效果通常比“帮我优化一下”稳定得多。在我测试的 20 轮相同任务里，结构化版本一次可用率约 80%，自由描述版本约 35%。
2. 用“追问链”把一次性回答拆成三步
很多人一次问完所有问题，模型就会平均用力，最后每一项都一般。正确方式是分三轮。
-
第 1 轮：先定边界
先不要输出正文。先复述你的理解，并列出 5 个你还缺的信息。预期输出：
我理解你的目标是…… 缺少信息：1. ... 2. ... 3. ... -
第 2 轮：补齐关键参数
补充：目标人群、使用场景、篇幅上限、禁用词、是否保留原始数据。 -
第 3 轮：生成并验收
按以下格式输出，并在结尾自检：是否包含数字、是否有重复、是否满足字数。
Warning: 不要在第 1 轮就要求“直接给最终答案”。你会失去纠错窗口，后续返工成本更高。
3. 三个高频场景模板：直接可用
下面三个模板分别覆盖“ChatGPT怎么用”“ChatGPT提示词工程”“Gemini国内使用”相关搜索意图，但方法对任何对话模型都成立。
3.1 面试题生成
你是制造业招聘顾问。基于以下岗位描述，生成 10 个面试问题，分为技术能力、沟通协作、稳定性三个维度。每题附“判断点”。输出表格。
验证方式：检查问题是否能区分候选人层级，避免“你有什么优点”这种废题。
3.2 会议纪要压缩
把以下会议记录压缩成：结论、待办、风险、负责人。保留所有日期和数字，删除重复寒暄。
验证方式：随机抽查 3 个待办项，确认负责人和截止时间都还在。
3.3 说明文改写
将下面文本改写成适合招聘网站展示的说明文，要求：更具体、少形容词、保留工资区间和技能要求。
验证方式：看是否新增了可执行信息，而不是只换了措辞。
4. 结果验收：用四个问题判断是否可上线
-
有没有具体数字：如时间、薪资、版本、数量。
-
有没有明确对象：写给谁看，谁来执行。
-
有没有可检查格式：标题、列表、表格、字段是否固定。
-
有没有可回滚：原文是否保留，能否对比修改前后差异。
我在实际整理招聘文案时，用“原文 / 改写版 / 差异说明”三栏法，返工次数从平均 3 次降到 1 次以内。这个收益来自验收，不来自模型神化。
How to verify it works：拿同一段原文，分别用“随口提问”和“结构化提示词”各跑 3 次。比较输出：是否重复、是否遗漏数字、是否满足格式。只要结构化版本更稳定，就说明你的提示词工程有效。
Note: 如果你在找“Gemini怎么注册”“Google AI怎么用”“Gemini国内使用”的实际操作，先别急着换工具。先把提示词结构练到稳定，换模型只是次优优化，不是根因修复。
如果你需要更快的落地方式，可以把上面的模板直接做成团队共享文档；也可以在 roxi.cc 找到一类现成的 AI 对话辅助入口，但自由方案和官方方案依然足够完成大多数任务。
References
OpenAI Docs: Prompt engineering guide
Google AI Studio docs