AI提示词设计指南
提示词
提示词就是使用者给AI大模型的任务说明书，为大模型提供生产概率的提示
合格的提示词
好的提示词：清晰目标 + 明确要求 + 明确输出格式
核心原则
1.角色：设定你的专属身份、专业领域、风格定位，让 AI 拥有固定人设，稳定输出质量。
2.任务指令：清晰写出用户需要完成的唯一核心任务，目标单一、不模糊。
3.技能：明确 AI 执行任务需要具备的能力、分析维度、创作逻辑、处理步骤。
4.背景：说明任务场景、使用用途、受众人群、创作环境，让 AI 理解上下文。
5.样例（零样例 少样例）：提供 1 个标准成品案例，让 AI 对齐风格、结构、质量。
6.输出： 固定输出结构、字数、格式、排版、变量、语气风格，严格统一。
7.限制：明确禁止内容、规避错误、约束风格、杜绝跑偏。
提示词进阶
COT （思维链）：让模型从“凭直觉猜答案”变为“按步骤算答案”——从快思考转向慢思考。
SC（自我一致性）：
TOT（思维树）：更进一步——它是“边走边看，不行就 换条路”。
TOT 将思维链的线性推理扩展为树状探索。
temperature 和 top_p
相同点：都用于控制生成文本的随机性和多样性
不同点：
| 维度 | temperature | top_p |
| 取值范围 | 0-2 | 0-1 |
| 控制对象 | 所有词的概率分布 | 保留哪些词进入候选池 |
| 工作机制 | 调整概率分布的“平滑度” | 调整概率分布的“平滑度” |
| 通俗理解 | 给每个词“加热”或“冷却” | 划定一个“精英圈”，只从圈里选 |
| 控制对象 | 所有词的概率分布 | 所有词的概率分布 |
| 0值含义 | 每次都选概率最高的词（贪心采 样） | 只保留概率最高的1个词（等价于 temperature=0 ） |
| 1值含义 | 保持原始概率分布 | 保留所有词 |
coze平台实战
翻译与猜单词案例
画布工作流结构拆解
- 主干流程走向 流程从最左侧 [开始] 节点流出，首先进入 [参数组装] 节点完成入参整理，随后分出多条并行处理支路，各支路独立执行运算、AI 调用、代码处理逻辑，最终汇总至 [变量聚合] 节点，统一收敛数据后传递至 [结束] 节点完成整体流程。
- 支路组件构成
基础通用支路：配置了 AI 调用、质量评估、变量定义、数据筛选、条件判断、执行动作等标准模块； 数据处理支路：包含 transform 转换组件、自定义代码节点，负责对文本数据做格式、内容加工； 嵌套循环支路：内置循环容器，内部嵌套问答、大模型、输出组装节点，用来实现循环迭代式 AI 处理逻辑。
运行结果板块输出变量框内展示了完整的英文译文，译文完整对应左侧输入的校园作文内容，语句通顺、段落格式匹配原文分段，证实该工作流已成功实现中文文本自动英译的核心功能。
- 完整流程图
功能一：将中文翻译英文
AI生产者根据原文和修改建议进行翻译 → AI评估者根据翻译质量进行评分和提出修改建议 → 评分大于等于7分则终止循环 → 否则根据修改建议继续进行翻译 → 最多执行3次
功能二：将英文翻译中文
使用插件
依托 transform 做字段、文本结构规整，自定义代码清洗译文多余空格、换行错乱、无效符号，统一中英文排版格式，给聚合环节提供标准化文本数据
功能三：猜单词模式
抽取单词，循环问答
在顶层翻译校验基础上，对译文语句流畅度、语法细节做二次迭代优化，组装规整译文语句结构，进一步提升英文译文的自然度。
AI图片描述生成案例
开始节点
- 作用：整个工作流的起始点位，接收用户在右侧试运行面板填写的
input文本内容（本次输入值为：雪山），将输入数据以str_input变量向下传递。 - 状态：运行成功，等待数据向下流转。
大模型节点
- 输入：接收上游传来的
str_input原始文字 “雪山” - 模型：豆包 2.0・pro，核心作用：把简短的关键词扩写、润色为规范、细节丰富的 AI 绘画专业提示词
- 输出两个变量： ①
str_output：加工完成的完整版风景绘图提示词 ②str_reasoning_content：大模型扩写的思考过程文本 - 耗时 5s，节点运行正常，把优化后的绘图提示词传递给下一个图像生成组件。
图像生成节点
- 输入：接收大模型输出的标准绘图提示词
str_output - 模型：Seedream 5.0 Lite（字节图像生成模型），依据提示词自动绘制对应雪山风景图片
- 输出：
data（生成图片的资源链接）、str_msg（生成状态信息） - 耗时 33s，完成图片绘制，输出图片地址流转至结束节点。
结束节点
- 接收图像生成节点返回的图片链接数据，封装为最终
output对外输出 - 标识整条工作流执行完毕
右侧试运行面板配套说明
- 试运行输入：用户填入关键词「雪山」作为原始输入内容
- 运行整体指标：总耗时 40s、消耗 317Tokens，流程整体执行成功
- 运行结果区域
- 多媒体预览：直观展示生成的雪山实景风格图片
- 输出变量：
output字段返回图片在线访问链接
整体完整链路总结
用户输入关键词 → 大模型扩充专业绘画提示词 → 图像模型依据提示词生成雪山图片 → 输出图片链接 + 可视化图片预览
完整流程图
数字相加案例
【开始】节点
- 接收右侧试运行面板传入三组入参：
num1=3.88（数字类型）、num2=5.3（数字类型）、str_op="+"（运算符字符串） - 将三个变量整体向下传递至大模型节点，节点状态运行成功。
【大模型】节点
输入数据
num1、num2、str_op三个变量
内部逻辑
大模型识别运算符为加号，执行算式：3.88 + 5.3 = 9.18
输出两个变量
str.output：运算最终结果 9.18str.reasoning_content：运算的推导、计算思路
【结束】节点
接收大模型的str.output结果，封装为最终对外的output变量输出，整条流程闭环完成。
整体完整流程
用户录入两个数字 + 运算符号 → 大模型识别算式并完成数学运算 → 输出计算结果
完整流程图
阿里云百炼平台实战
top_p 1.0 , temperature 1.9999
| 参数 | 配置数值 | 作用说明 |
|---|---|---|
| top_p | 1.0 | 采样取值范围最大，模型生成内容自由度最高 |
| temperature | 1.9999 | 数值偏高，文本创作随机性、表达丰富度更强，测评文案更多样 |
| enable_search | 关闭 | 不调用联网搜索，仅依靠模型自身知识库生成测评内容 |
| thinking_budget | 4000 | 限定深度思考的 token 开销，约束模型推理计算量 |
优点：
1.创作自由度拉满，文案修辞丰富、话术贴近美妆博主口语风格，文字氛围感强；
2.top_p=1 代表模型会调用全部概率词汇库，句式多变，不会出现模板化重复文案；
3.适合产出种草向、风格化强的测评文案，可读性更强。
缺点：
1.随机性过高，容易出现语句冗余、字数难以精准把控（第一张产出文案篇幅浮动大）；
2.极易偏离固定格式，偶尔出现变量格式混乱、多余废话；
3.内容稳定性差，相同输入多次运行，文案差别会很大，标准化输出能力弱；
4.容易产生夸张修饰，较难守住 “客观中立” 的测评限制。
top_p 0.6001 , temperature 1.1
| 参数 | 设定值 | 参数作用 |
|---|---|---|
| top_p | 0.6001 | 只选取概率靠前 60% 的词汇生成文本，降低随机发散度，测评文案更规整可控 |
| temperature | 1.1 | 数值略大于 0，保有一定文字创作灵活度，不会过于死板生硬 |
| enable_search | 关闭 | 不联网调用外部数据，依靠模型自有知识库完成美妆测评撰写 |
| thinking_budget | 4000 | 限制模型深度思考阶段最大 Token 消耗，管控推理算力开销 |
优点：
1.top_p=0.6 只选用高概率常用词汇，搭配 1.1 的温和温度，输出稳定性极强，每次生成格式、字数高度统一；
2.严格贴合约束：标题字数、测评正文 100 字左右、肤质 & 人群描述全部精准达标；
3.文案简洁克制，客观中立性更容易保证，冗余修饰少，标准化结构化输出效果最好；
4.校验成本低，模型会主动自检各项规则，出错概率极低，适合批量生成测评内容。
缺点：
1.文本创作灵活度偏低，文案句式容易固化、同质化，缺少博主文案的生动感；
2.措辞偏平实正式，少了美妆测评的口语化、氛围感表达；
3.词汇选择范围受限，创意性文案产出能力弱。