前阵子我把自己用提示词的整套流程做了次大整理,最后沉淀成一套可以反复复用的“提示词助手工作流”。说起提示词助手,很多人第一反应是“一个写提示词的工具”,但真正用了半年后我的感受完全不一样——它更像一套方法,把平时散落在对话记录里的零散提示词,变成有模板、有变量、有测试、有反馈的自动化流水线。这篇文章就是我自己的个人总结,不讲虚的,只分享我怎么搭、怎么用、踩过哪些坑。
内容里会涉及提示词、工作流、AI编程提示词、AIGC工具链这些关键词,也会给出可以直接抄的模板和代码。适合正在跟提示词“搏斗”的人看,不管是写文案、写代码,还是搭 ComfyUI 这类图像工作流,都能从里面找到一些能落地的思路。
1. 重新认识提示词助手:它不是工具,是一套工作流
1.1 提示词助手到底在解决什么问题
先问个问题:你的提示词是随手写的还是整理过的?我观察过身边很多人,包括我自己早期,都是打开对话框,想到什么写什么。这种用法有三大痛点。
第一,结构记不住。今天需要“你是资深编辑,请修改这段文案”,明天需要“你是高级工程师,请做代码审查”,每次都要从头组织语言,费时费力。第二,质量不稳定。同样的需求,今天写得笼统,模型就给你一份笼统的回答;明天写得详细,结果又完全不一样。第三,经验留不住。某次偶然写得特别好,提示词也被丢在那个历史对话里,之后再也翻不出来。
提示词助手要解决的就是这三件事:把结构固定下来,把变量抽出来,把测试结果沉淀下来。它本质上是一套“输入——处理——输出——反馈”的工作流,而不只是某个软件或某个网页。
1.2 提示词助手的三种常见形态
我在搭建过程中发现,提示词助手大致有三种形态,各有各的适用场景。
| 形态 | 实现方式 | 优点 | 缺点 | 适合谁 |
|---|---|---|---|---|
| 清单手册型 | Markdown / Notion / 语雀 | 零成本、易分享 | 无法自动填入变量,全靠复制粘贴 | 个人偶尔使用 |
| 脚本渲染型 | Python、VS Code Snippets、命令行工具 | 可自动化、支持变量 | 有一定上手门槛 | 开发者和重度用户 |
| 低代码应用型 | Dify、Coze、自建聊天机器人 | 交互性好、可多人使用 | 搭建需要一定时间 | 团队协作和轻度自动化 |
我最终的方案是“脚本渲染 + 低代码应用”混合:平时一个人写提示词用 Python 模板渲染,效率最高;涉及到团队复用或需要跟业务系统对接时,就丢到低代码平台里做成一个 Bot。
这里想多说一句,工具真不是越复杂越好。早期我花了大量时间研究各种“提示词管理软件”,最后发现轻量的方案反而坚持最久。核心是把模板和变量分开,而不是找一个大而全的“神器”。
1.3 工作流不是“攒模板”,而是闭环
很多人理解的提示词工作流就是“整理一堆模板”,然后需要的时候复制。这个理解只对了一半。
真正好用的工作流必须是一个闭环,至少要有四个环节:需求澄清、模板渲染、结果测试、反馈沉淀。
为什么强调闭环?因为提示词是典型的“产物会被反复使用”的东西。如果你只保存了一个模板,却不知道它在当前模型上表现如何、哪些变量容易被忽略、哪些约束会被模型带跑,那这个模板就像没有配套测试代码的工程,看着能用,改两天就崩。
我用一个具体的例子说明。以前我给客户写“投诉回复提示词”,最初模板只有一句话:“请帮我写一封给客户的道歉邮件。”后来我把模板改成:
text复制角色:你是某电商平台客服主管
任务:针对用户投诉撰写回复邮件
已知信息:{{订单号}} / {{投诉原因}} / {{用户情绪}}
约束条件:
- 先承认问题,再说明补救措施
- 不承诺未落实的赔偿
- 全文语气诚恳但不卑不亢
输出格式:邮件正文,包含称呼和落款
当我把这个模板放进工作流,每次只需填三个变量,输出稳定性明显提升。而后续所有“测试结果”我还会回填到模板备注里,比如“当前模型在用户情绪
