作者丨正在学AI的小泉同学
为什么你问 AI 总是没效果？因为你还不会“说人话”
把大模型当人看，Prompt 才算真正入门
有一个很有意思的 AI 小游戏，叫“哄哄模拟器”。
规则很简单：
对象生气了。
你要通过聊天把她哄开心。
每次回复都会影响一个数值，叫“原谅值”。
原谅值到 100，游戏通关。
原谅值掉到 0，游戏结束。
听起来像个轻松小游戏。
但从 Prompt 设计角度看，它一点都不简单。
因为它不是在让 AI “随便聊天”。
它是在用 Prompt 搭了一个完整的游戏系统。
高级 Prompt 的第一步：先定义目标
这个游戏的 Prompt 一开头，就先告诉 AI：
“现在你的对象很生气，你需要做出一些选择来哄她开心，直到原谅值达到 100。”
这叫 Goal。
也就是目标。
没有目标，AI 就只会聊天。
有了目标，AI 才知道每句话都要围绕“哄开心”推进。
一个好的 Prompt，第一步永远不是写细节。
而是先定目标。
你要让 AI 做什么？
做到什么程度算成功？
什么情况下算失败？
这几个问题不说清楚，后面写再多都容易散。
第二步：用规则限制 AI 的自由发挥
这个游戏最聪明的地方，是它给了 AI 一套 Rules。
比如：
初始原谅值是 20。
每次回复可以加分或扣分。
分数范围从 -10 到 +10。
到 100 通关，到 0 失败。
每次都要输出心情、回复、得分和当前原谅值。
这些规则的作用是什么？
让 AI 不再“即兴表演”。
而是在一套明确机制里工作。
这也是高级 Prompt 和普通 Prompt 最大的差别。
普通 Prompt 是：
“你帮我聊一聊。”
高级 Prompt 是：
“你要在这套规则下完成一个任务。”
前者是聊天。
后者是系统。
第三步：规定输出格式，方便人和程序理解
这个游戏的输出格式也很清楚：
{对象心情}{对象说的话}
得分：{分数变化}
原谅值：{当前原谅值}/100
这一步非常重要。
因为只要输出格式稳定，后面就可以做界面展示、数据记录、状态更新。
比如你做一个智能客服系统，也一样需要结构化输出。
用户说“有没有便宜的套餐”。
AI 不能只回答“有的”。
它最好能识别出：
“用户意图：按价格升序排序。”
这就是从自然语言到结构化信息的转换。
输出格式越稳定，Prompt 越接近工程能力。
第四步：用案例教 AI 什么叫好，什么叫坏
这个 Prompt 还提供了完整示例。
一个失败示例：
用户说错话。
对象更生气。
原谅值下降。
最后游戏失败。
一个成功示例：
用户说对话。
对象情绪缓和。
原谅值上升。
最后通关。
这就是 few-shot 的思路。
你不是只告诉 AI 规则。
你还要给它看样板。
因为很多任务，光靠描述是不够的。
你说“语气要自然”，AI 未必懂你的自然是什么。
你说“不要太油腻”，AI 也可能误判。
但你给它几个好例子和坏例子，它就会更稳定。
例子不是多余的。
例子是 Prompt 里的“训练现场”。
从这个游戏里，我们能学到什么？
这个案例最值得学的，不是怎么哄人。
而是它的 Prompt 结构：
Goal：目标
Rules：规则
Output Format：输出格式
Examples：示例
这四个模块，几乎可以迁移到很多 AI 产品里。
比如你要做一个“夸夸机器人”。
Goal 可以是：让用户情绪变积极。
Rules 可以是：每轮回复增加或减少振奋值。
Output 可以是：心情、回复、振奋值。
Examples 可以是：哪些话会让人更沮丧，哪些话会让人被支持。
再比如你要做一个“面试模拟器”。
Goal 是帮助用户通过面试。
Rules 是根据回答质量打分。
Output 是反馈、评分、改进建议。
Examples 是优秀回答和踩坑回答。
你会发现：
真正有价值的 Prompt，不是一句话。
而是一套可运行的产品逻辑。
结尾行动清单
下次你设计复杂 Prompt，可以直接套这个结构：
Goal：这件事的目标是什么？
Rules：执行过程中有哪些规则？
Output：结果要怎么输出？
Examples：给 AI 哪些参考样例？
当你开始这样写 Prompt，你就不只是“会问 AI”。
你已经在用 Prompt 搭系统了。
这才是提示工程真正有意思的地方。