📚 提示词工程师课程

📚 曼翎科技

提示词工程师
课程

神经科学 · 数学向量 · 提示词工程 · 全套课程

课程模块

幻灯片

🧠

大脑神经网络

8张

📐

高中向量

6张

🎯

提示词工程师

6张

🎯

7大模式

20张

🎯

提示词工程师4

18张

🎯

提示词工程师5

20张

000 / 78

← 左右滚动浏览 →

🧠 神经科学图解教材

大脑神经网络
完全图解

从神经元到深度学习
用最直观的方式读懂大脑的秘密

860亿

神经元数量

100万亿

突触连接

120m/s

信号速度

01 / 08

🔬 基础结构

神经元：大脑的基本单位

神经元是神经系统的基本功能单位，负责接收、处理和传递信息。人脑约有 860亿 个神经元，每个神经元可与数千个其他神经元建立连接。

树突 Dendrite

接收来自其他神经元的信号，像天线一样收集信息

INPUT

细胞体 Soma

整合信号，包含细胞核和代谢中心，是神经元的"大脑"

PROCESS

轴突 Axon

传导电信号，髓鞘包裹可大幅加速传导（跳跃传导）

TRANSMIT

突触小体 Terminal

释放神经递质，跨越突触间隙，将信号传递给下一个神经元

OUTPUT

🔋

静息电位

-70mV
内负外正

⚡

动作电位

+40mV
信号触发

02 / 08

⚡ 信号传递

动作电位：神经信号的传播

神经元通过动作电位传递信息——沿轴突传播的电化学信号，速度可达 120 m/s！

静息电位 Resting Potential

神经元未激活时，细胞内外存在电位差（-70mV），钠钾泵维持浓度梯度

去极化 Depolarization

刺激足够强时，Na⁺通道打开，大量钠离子内流，电位迅速从-70mV升至+40mV

复极化 Repolarization

K⁺通道打开，钾离子外流，电位恢复正常，为下一次激活做准备

突触传递 Synaptic Transmission

信号到达轴突末梢，触发神经递质释放，跨越突触间隙传递给下一个神经元

动作电位时程图

髓鞘跳跃传导（Saltatory Conduction）

💡 髓鞘使信号以"跳跃"方式传导，速度比无髓鞘快 10-50 倍！

03 / 08

🔗 突触连接

突触：神经元之间的"握手"

突触是两个神经元之间的连接点，通过神经递质传递化学信号，间隙仅约 20纳米！

常见神经递质

多巴胺

奖励、动机、学习、愉悦感

血清素

情绪调节、睡眠、食欲、记忆

乙酰胆碱

肌肉收缩、学习、注意力、记忆形成

GABA

抑制神经活动、抗焦虑、调节兴奋

谷氨酸

大脑主要的兴奋性递质、学习可塑性

去甲肾上腺素

警觉、注意力、压力反应

💡 突触可塑性

重复使用的突触连接会变得更强，这就是"用进废退"的神经学原理，也是学习和记忆的基础（LTP长时程增强效应）。

04 / 08

🌐 网络结构

人工神经网络：向大脑学习

人工神经网络（ANN）模仿大脑结构，由输入层、隐藏层、输出层组成，通过调整权重来"学习"。

📥

输入层

接收原始数据
图像像素 / 文字编码
/ 音频特征

🔮

隐藏层

提取抽象特征
层数越多，表征能力越强
深度学习核心

📤

输出层

给出最终预测
分类 / 回归 / 生成
决策结果

⚖️

权重 Weight

连接强度参数
通过反向传播
不断调整优化

⚡ NEURAL NETWORK VISUALIZATION

INPUT

x₁

x₂

x₃

h₁

h₂

h₃

h₄

h₅

h₆

h₇

OUTPUT

y₁

y₂

核心算法

🔄 反向传播

计算梯度，反向调整权重

📈 梯度下降

沿梯度方向逐步优化损失函数

🎯 激活函数

ReLU/Sigmoid/Tanh 引入非线性

🎲 Dropout

模拟大脑睡眠时的突触修剪

05 / 08

💾 记忆系统

大脑的记忆系统

记忆不是存储在单个神经元中，而是分布在神经网络的连接模式中。

⚡ 感觉记忆 Sensory

0.5 - 3 秒

📋 工作记忆 Working

15 - 30 秒

🏛️ 长期记忆 Long-term

数年 - 终身

🌙 睡眠时，大脑会将工作记忆中的重要信息"固化"到长期记忆——睡前复习效果更好！

🏋️

海马体 Hippocampus

将短期记忆转化为长期记忆的关键区域，负责情景记忆和空间导航

😨

杏仁核 Amygdala

处理情绪记忆，恐惧和强烈情绪会强化记忆（情绪印记）

🧠

前额叶皮层

工作记忆的执行中枢，负责计划、决策和注意力控制

⚙️

小脑 Cerebellum

程序性记忆（技能学习），如骑自行车、弹钢琴等身体记忆

记忆的编码与提取流程

LTP 长时程增强效应

当两个神经元同时高频激活时，它们的突触连接会变得更强、更持久。这正是学习和记忆的细胞学基础。

赫布定律 (Hebb's Rule)：
"一起激活的神经元，连接在一起" (Neurons that fire together, wire together)

06 / 08

🗺️ 功能分区

大脑皮层功能地图

大脑皮层不同区域负责不同功能，但它们通过神经网络紧密协作，形成统一的意识体验。

🧠

额叶 Frontal Lobe

执行功能、计划决策、性格、社交行为、运动控制、语言产生（布洛卡区）

🔭

顶叶 Parietal Lobe

空间感知、触觉、本体感觉、注意力、数学运算、阅读理解

👂

颞叶 Temporal Lobe

听觉处理、语言理解（韦尼克区）、记忆、面孔识别、情绪理解

👁️

枕叶 Occipital Lobe

视觉信息处理、形状识别、颜色感知、运动追踪、面孔识别

⚙️

小脑 Cerebellum

运动协调、平衡保持、程序性记忆（技能自动化）、部分认知功能

07 / 08

🤖 AI 连接

从大脑到深度学习

深度学习正是受大脑神经网络启发而生，两者有惊人的相似之处。

🧠 生物神经网络	🤖 人工神经网络
神经元 Neuron	人工神经元 Artificial Neuron
突触连接 Synapse	权重连接 Weight Connection
激活阈值 Threshold	激活函数 Activation Function
动作电位 Action Potential	数值信号传递 Signal Propagation
神经递质 Neurotransmitter	梯度 Gradient
赫布学习律 Hebb's Rule	反向传播 Backpropagation
突触可塑性 Plasticity	权重更新 Weight Update
睡眠时突触修剪	Dropout 正则化
注意力机制 Attention	注意力机制 Attention Mechanism

KEY DEEP LEARNING CONCEPTS

📥 卷积神经网络 CNN

受视觉皮层启发的层级特征提取

🔄 循环神经网络 RNN

处理时序数据，受记忆回路启发

🧬 Transformer

注意力机制，模拟选择性注意

🎲 自编码器 Autoencoder

降维压缩，受记忆编码机制启发

⚔️ GANs 对抗生成

生成器-判别器博弈，受创造性思维启发

🧠 图神经网络 GNN

图结构数据，受大脑连接组启发

总结：大脑与AI的融合

理解大脑的工作原理，不仅帮助我们认识自己，也为构建更强大的AI系统提供了根本性的设计灵感。从赫布可塑性到反向传播，从注意力到Transformer，神经科学与人工智能正在深度融合、相互促进。

🧠

神经科学

提供理论框架
理解智能本质

🤖

深度学习

提供计算工具
实现智能系统

🚀

未来智能

类脑AI · 神经拟态
通用人工智能

08 / 08

←

→

📐 高中数学完全手册

高中向量
完全指南

从入门到精通 · 动态图解 · 小红书爆款学习法

核心公式

动态图解

典型例题

实战技巧

01 / 06

📖 基础概念

向量的定义

向量是既有大小（模），又有方向的量。

→v = (x, y) 从原点 O(0,0) 指向 P(x,y) 的向量

向量三要素

🎯

起点

向量的起始位置（通常从原点）

🧭

方向

向量的指向（如北偏东30°）

📏

模（长度）

向量的大小，记作 |→a|

|→v| = √(vx² + vy²) 勾股定理求模长

🔋

例：|→a|

→a=(3,4)
|→a|=√(9+16)=5

🎯

例：|→b|

→b=(5,12)
|→b|=√(25+144)=13

02 / 06

➕ 向量运算

向量的加法与减法

两种方法：首尾相接和平行四边形

→a + →b = (ax+bx, ay+by) 对应分量相加

→a − →b = (ax−bx, ay−by) 对应分量相减

💡 记忆口诀：方向相同则相加，方向相反则相减，模长相加不会错！

运算律

运算律	公式	类比
交换律	→a + →b = →b + →a	1+2=2+1
结合律	(→a+→b)+→c = →a+(→b+→c)	(1+2)+3=1+(2+3)
数乘结合律	k(→a) = (k→a)	乘法交换

📝 例题：向量加法

已知 →a = (3, 4)，→b = (1, 2)，求 →a + →b

解：→a+→b = (3+1, 4+2) = (4, 6)

📝 例题：向量减法

已知 →a = (5, 7)，→b = (2, 3)，求 →a − →b

解：→a−→b = (5−2, 7−3) = (3, 4)

03 / 06

📏 模与数量积

向量的模 & 数量积（点积）

① 向量的模（长度）

|→a| = √(ax² + ay²) 坐标分量平方和再开根号

📝 例题

已知 →a = (3, 4)，求 |→a|

解：|→a| = √(3²+4²) = √(9+16) = √25 = 5

② 数量积（点积 Dot Product）

两个向量相乘，结果是一个数（标量），不是向量！

→a · →b = ax·bx + ay·by 对应分量相乘后求和

📝 点积例题

→a=(1,2)，→b=(3,4)

→a·→b = 1×3+2×4 = 11

📝 几何意义

→a·→b = |→a||→b|cosθ

θ 为两向量夹角
cosθ = (→a·→b)/(|→a||→b|)

数量积的重要性质

⊥ →a · →b = 0 ⟺ →a ⟂ →b（垂直）

↗ →a · →b > 0 ⟺ 夹角 < 90°（同向）

↙ →a · →b < 0 ⟺ 夹角 > 90°（反向）

‖ →a · →b = |→a||→b| ⟺ 同向平行，cosθ=1

💡 点积是向量间的"投影运算"：把一个向量投影到另一个向量上，量纲就是投影的长度乘以被投影向量的模！

04 / 06

❌ 向量积

向量的叉积（叉乘）

叉积结果是一个向量（垂直于原有两向量），方向由右手定则判断。

→a × →b = |→a||→b|sinθ · →n →n 为垂直于 →a、→b 所在平面的单位向量

二维：→a × →b = ax·by − ay·bx 结果为标量（外积的模）

📝 2D叉积例题

→a=(2,3)，→b=(1,4)

→a×→b = 2×4 − 3×1
= 8 − 3 = 5

✋

右手定则

四指从→a转向→b，拇指方向即 →a×→b 方向

📐 叉积的应用

计算平行四边形面积：S = |→a×→b|
判断三点共线：叉积=0则共线
判断点在直线哪侧：叉积符号决定左右
3D中求法向量、求面法向量

点积 vs 叉积对比

特性	点积 →a·→b	叉积 →a×→b
结果类型	标量（数）	向量（3D）/ 标量（2D）
几何意义	投影 × 长度	平行四边形面积
为零条件	垂直（cosθ=0）	平行（sinθ=0）
应用	判断垂直/同向	面积/法向量

05 / 06

🧮 综合应用

向量综合解题技巧

📝 综合题 1：证明平行

已知 A(1,2)、B(3,4)、C(5,6)，证明 A、B、C 三点共线

解：→AB = (3−1, 4−2) = (2, 2)
→AC = (5−1, 6−2) = (4, 4)
→AC = 2·→AB ⟹ →AB 与 →AC 平行
∴ A、B、C 三点共线

📝 综合题 2：求夹角

→a=(1,0)，→b=(1,√3)，求两向量夹角

解：→a·→b = 1×1+0×√3 = 1
|→a|=1，|→b|=√(1+3)=2
cosθ = 1/(1×2) = 0.5
∴ θ = 60°

📝 综合题 3：三角形面积

顶点 A(0,0)、B(4,0)、C(2,3)，求三角形面积

解：→AB=(4,0)，→AC=(2,3)
S = ½|→AB×→AC| = ½|4×3−0×2| = ½×12 = 6

🎯 核心技巧总结

① 证明平行：验证比例 ax/bx = ay/by（分量为0时单独讨论）

② 证明垂直：验证点积 →a·→b = 0

③ 求夹角：cosθ = (→a·→b)/(|→a||→b|)

④ 求面积：S = ½|→a×→b|（叉积绝对值的一半）

⑤ 三点共线：验证向量叉积=0 或比例相等

📚 学习建议：向量题的关键是建立"坐标化思维"——把几何问题转化为代数计算。多画图、多标注、多验证！

06 / 06

←

→

🎯

提示词工程师

从小白到专家 · 提示词写作全攻略

🧠 大模型原理 · 🌍 全球模型对比 · 📝 提示词写作全流程

大模块

主流模型

20+

提示词模式

曼翎科技 · 提示词工程师系列课

01 / 06

🧠

Module 01

大模型如何"听懂"人话

Embedding、性格画像与上下文理解 —— 文科生友好版

02 / 06

🧮 原理

AI 是「数字脑」，听不懂人话

想让 AI 懂我们，第一步就是把文字"翻译"成它认识的数字。这个过程叫 Embedding（嵌入）。

🤖

计算机只认识数字

你给它看「猫」这个字，它眼里就是一堆 0和1，完全不理解"毛茸茸、会喵喵叫"。

📖 Embedding

AI 的"翻译神器"——把人类语言翻译成 AI 能理解的数字语言。

🍎 一词多义

「苹果」既可以吃，也可以打电话。Embedding 用"上下文"来区分！

🌟 核心秘密

把每个词变成高维空间里的坐标点，意思相近的词就挨得近，相反的词就离得远。

🌍 Module 02

10 大模型横向对比（2025）

📌 模型	👥 规模	✨ 优势	⚠️ 劣势	💼 最佳场景
ChatGPT-4o	≈1.8亿+	顶尖推理·多模态·GPTs	闭源·高阶付费	日常办公·编程·创意
Gemini 1.5 Pro	Google生态	⭐2M超长上下文	独立App起步晚	视频分析·长文档
Claude 3.5 Sonnet	企业爆发	顶尖安全·低幻觉·200K	多模态较弱	法务·复杂推理·代码
DeepSeek R1	2500万+	低成本·开源·1M·中文顶尖	多模态基础	预算敏感·本地部署
Kimi K1.5	2000万+	⭐200万tokens超长上下文	多模态较基础	学术研报·法律卷宗
通义千问 Qwen2.5	阿里云千万	开源性能优异·1M上下文	海外影响力弱	企业Agent·电商多模态
文心一言 4.0	3亿用户	中文文化对齐顶尖·文生图	英文稍逊	中文创作·百度生态
Llama 3.1 405B	HuggingFace千万	最强开源·可商用·128K	硬件门槛极高	企业垂直微调·学术

03 / 06

🏷️ Module 03

模型命名结构 + 提示词基础

⚙️ 核心命名公式

【品牌前缀】+【版本号】+【变体后缀】+(可选)【参数规模】

🔹 GPT-4o → GPT(品牌)+4(版本)+o(全能后缀)
🔹 Claude 3.5 Sonnet → Claude+3.5+Sonnet(能力层)

🤖 OpenAI GPT

GPT-4o — o=omni，全能多模态
o1 / o3 — 推理增强系列

🎭 Anthropic Claude

Haiku — 最快最轻量
Sonnet — 性能速度平衡
Opus — 最强旗舰

🌐 Google Gemini

Pro — 中端多任务
Ultra — 最强推理
Flash — 极速低成本

🇨🇳 国产后缀

Turbo/Fast — 速度优化
R1 — 推理增强（类o1）
Long/1M — 超长上下文

📝 Module 04

提示词基础与结构

🎯 提示词定义

一段文字描述或关键词，用来指导 AI 生成特定输出或完成任务，不仅是提问，更是行动的命令！

✨ 三大作用

📢 指导性：直接传达需求指令
📖 上下文：提供背景信息
🎨 创造性：激发无限创意

🔀 三种类型

开放型：不指定输出形式
封闭型：明确输出期望
条件型：加入特定限制

📐 核心公式：四要素结构

Prompt = 指令 + 上下文 + 输入数据 + 输出指示

📢

指令：明确告诉模型需要执行的具体任务

📖

上下文：提供任务背景、语气风格、目标群体

04 / 06

⚙️ Module 05

有效提示词写作：五大原则

🎯 明确性

模糊："写点东西" → AI 迷茫
明确："写关于友谊的五言诗" → 符合预期

📏 详细程度

不足："我需要一个计划" → 缺乏方向
优化："为初级开发者定制3个月学习计划"

🎯 目标导向

明确指定输出格式："用表格列出从秦朝到清朝的朝代年份"

🔄 适应性

不同AI对相同提示可能有不同反应，需确认产品功能是否支持提示词要求。

🔬 迭代实验

通过3-5轮对话微调可获得最佳效果，保留历史版本进行对比分析。

📐 COSTAR 框架（6要素）

Context

任务背景

Objective

具体目标

Style

写作风格

Tone

语气

Audience

目标受众

Response

输出格式

🔄 结构化提示词写作流程

需求确认：明确AI要解决的问题

框架设计：构建结构化提示词框架

模式选择：匹配合适的提示词模式

填写测试：撰写并测试提示词效果

人工审核：对输出内容进行最终编辑

💡 质量提升效果

减少歧义，提高输出相关性和精确度
将简单对话转化为有效深度沟通
显著增强利用AI解决问题的效率

05 / 06

🎯 Module 06

结构化提示词全流程

需求确认：明确AI要解决的问题，定义任务边界和成功标准

框架设计：构建结构化提示词框架（Context + Task + Output）

模式选择：匹配合适的提示词模式（角色扮演/示例/思维链...）

填写测试：撰写并测试提示词效果，收集输出质量反馈

人工审核：对输出内容进行最终编辑，确保准确性和合规性

🎭 20种提示词模式（节选）

角色扮演模式：让AI扮演特定角色执行任务，继承角色技能
适用场景：模拟工作场景、特定领域专家咨询
Few-shot 模式：通过示例让AI学习输出格式
思维链 CoT：要求AI逐步推理，提高复杂任务准确率

☕ 咖啡店营销文案示例

📢 指令："为大学旁新开咖啡店编写营销文案"

📖 上下文：目标群体为大学生，关注品质和社交环境

📊 输入：高品质咖啡、轻食、充足座位、高速Wi-Fi

📋 输出要求：不超过100字，吸引年轻人的语言风格

📚 提示词微调模型

通过提示词将大量预训练数据约束聚焦于具体任务 → 提高AI回答的准确性、相关性和交互流畅性。

🎉 恭喜完成系列课！

掌握大模型原理 + 全球模型对比 + 提示词写作全流程
从入门到实战，成为真正的提示词工程师！

06 / 06

←

→

🎯

提示词工程师

7大核心模式 · 从入门到精通

🎭 角色扮演 · 👥 观众角色 · ⚙️ 自动输出 · 📋 食谱模式 · 📄 模板模式 · 🔚 尾部生成 · 🔤 元语言

核心模式

实战场景

完整页数

🎭 角色扮演

👥 观众角色

⚙️ 自动输出

📋 食谱模式

📄 模板模式

🔚 尾部生成

🔤 元语言

📖 附录速查

曼翎科技

01 / 20

📚 教材目录

7大提示词模式 · 一张图全掌握

🎭Mode 01

角色扮演模式

让AI化身特定专家，继承专业知识与风格

👥Mode 02

观众角色模式

精准定位受众，内容更贴合目标群体

⚙️Mode 03

自动输出模式

生成可执行脚本，实现工作流程自动化

📋Mode 04

食谱模式

步骤化指导，像做菜一样完成任务

📄Mode 05

模板模式

占位符填充，标准化输出格式

🔚Mode 06

尾部生成模式

内容结尾添加引导，增强互动性

🔤Mode 07

元语言创建模式

自定义指令缩写，提升交互效率

📖附录

7大模式对比速查

场景选择 · 设计要点 · 黄金法则

02 / 20

🎭

Mode 01

角色扮演模式

让AI化身特定专家，继承专业知识、语言风格与沟通方式

03 / 20

🎭 角色扮演

设计四步法

💡 核心概念

通过创建特定人物角色让AI扮演，反映该角色的知识、风格或专业领域特性，引导模型生成更符合期望的响应。

确定需求目标
明确是创造性写作、技术文档生成、特定对话模拟还是其他需求

定义基本属性
年龄、性别、职业、教育背景、兴趣爱好

设定语言风格
正式/非正式语气、是否包含幽默感、情感倾向

添加专业技能
编程能力、财经知识、数据分析等专业领域技能

📊 案例：市场分析师

身份背景：经验丰富，专注智能设备行业，商业分析硕士
专业技能：精通SPSS/Tableau，擅长市场趋势分析
输出要求：将复杂数据简化为非专业人士能理解的语言

🚗 案例：汽车行业分析师

基本属性：45岁，科技/汽车领域20年经验
语言风格：中立客观，能根据情况调整态度
专业技能：擅长长期商业战略评估

⚠️ 平衡原则

确保角色有明确核心属性，同时保留情境调整空间。避免过度复杂导致维护困难，防止过于简单影响模型理解。

04 / 20

👥

Mode 02

观众角色模式

精准定位目标受众，让AI生成内容更贴合特定群体需求

05 / 20

👥 观众角色

设计五步法

💡 核心概念

在设计提示词时，将目标受众的特点、需求和偏好考虑进去，使AI生成更贴合特定受众需求的内容。

明确目标观众
专业人士、领域爱好者还是特定年龄段人群

定义观众特征
年龄、兴趣、知识背景、核心需求和面临挑战

适应语言风格
正式、非正式、专业或幽默等不同风格

设定沟通目标
教育、娱乐还是引导行动

测试优化
根据反馈调整观众定义和特征描述

🎯 三种观众示例

群体观众："假设你的目标观众是科技爱好者...编写关于未来家居技术的文章"
第一人称："假设我是初入职场的年轻人...制作职场技能提升指南"
第三人称："设想观众是中学生...创作有趣易懂的历史故事"

📱 实战案例：Apple Vision Pro

目标观众：25-35岁城市技术爱好者和专业人士
观众特征：追求技术提升工作效率，重视生活方式创新
语言风格：能引起技术爱好者兴趣的专业文案

⚠️ 常见问题

内容不符预期 → 重新审视并调整观众定义
难以捕捉兴趣 → 增加观众兴趣偏好细节
语言风格不匹配 → 根据受众调节语言深度

06 / 20

⚙️

Mode 03

自动输出模式

生成可执行脚本，实现工作流程自动化，节省时间提高效率

07 / 20

⚙️ 自动输出

设计四要素

💡 核心概念

通过AI生成具有特定功能的脚本，用于自动化执行重复性高的工作任务和生成标准化文档。

任务目标
明确自动化任务及最终交付标准

所需属性
详细列出所有执行步骤（如数据抓取的字段定义）

工具语言
根据任务性质选择合适语言（如Python调用pandas包）

输出格式
明确定义交付形式（脚本/日历事件/表格等）

💰 财务报告自动化

功能：从银行账户和支付平台收集数据
输出：自动编制收入、支出、利润等关键指标报告

📱 社交媒体内容计划

功能：根据预定主题和营销活动自动生成内容日程
特色：能根据不同平台的最佳发布时间自动安排帖子

✈️ 旅行计划脚本案例

任务目标：自动化创建旅行计划和日程安排
工具语言：Python + Outlook Calendar API
输出格式：Outlook日历事件

⚠️ 注意事项

精确性：明确定义所有必要步骤和输出属性
实用性：确保生成的工具能在实际环境运行
开发理念：将自动化脚本视为小型产品开发

08 / 20

📋

Mode 04

食谱模式

像烹饪食谱一样，为达成特定目标设计一系列步骤和指示

09 / 20

📋 食谱模式

设计五步法

💡 核心概念

就像烹饪中的食谱一样，为达成特定目标而设计的一系列步骤和指示。通过明确指定操作步骤，AI能更精确执行复杂任务。

明确目标
具体说明希望达成的结果，如"为四人准备三道菜晚餐"

识别步骤
列出已知关键步骤或完全依赖AI生成

补充细节
提供背景信息、工具资源等，细节越详细AI输出越精准

优化顺序
人工调整步骤逻辑性，确保可执行性

评估简化
移除冗余步骤，保持指南高效清晰

🍽️ 烹饪流程案例

目标：准备含开胃菜、主菜、甜点的四人晚餐
已知步骤：食材选择→准备工作→分菜品烹饪→时间管理
执行方案：上午甜点制作 → 16:00主菜入烤箱 → 17:00开胃沙拉 → 18:30摆盘

🌱 应用场景

种植蔬菜：从准备土壤到收获的全过程指导
编程学习：从零开始到编写自动化脚本的完整路径
旅行策划：包含路线规划、装备准备和安全保障的详细清单

⚠️ 常见问题

步骤遗漏 → 确保每个步骤都有清晰指示和背景说明
顺序不合理 → 人工干预调整逻辑顺序
不确定性太多 → 引入决策树处理变量，提前规划备选方案

10 / 20

📄

Mode 05

模板模式

通过可替换占位符，实现内容标准化与动态填充的完美结合

11 / 20

📄 模板模式

设计四步法

💡 核心概念

通过定义可替换的占位符(Placeholders)指导AI生成特定格式的内容，既能保留输出格式的统一性，又能实现内容的动态填充。

定义模板
明确输出结构，创建含占位符的模板框架

明确指示
对每个占位符的预期内容做清晰说明

保留格式
在提示词中强调"保持模板原格式不变"

提供实例
展示完整示例演示占位符填充过程

✈️ 旅游计划模板

模板结构：
旅行计划：<DAY>-在<TIME>访问<LOCATION>进行<ACTIVITY>

执行机制：AI根据知识库推荐景点后，自动套用模板生成结构化行程

📰 新闻摘要模板

模板特点：新闻名称：<NAME>（大写单词为占位符）

智能填充：AI先要求用户提供新闻原文，再按模板自动提取关键信息

💻 新闻稿模板案例（英伟达BlackWell）

<产品名称>：BlackWell显卡
<核心亮点>：3-5个核心技术亮点
<市场分析>：包含3个数据指标
<目标用户>：专业AI开发者

⚠️ 注意事项

简洁性：避免过度复杂的嵌套结构
灵活性：保留内容扩展空间
占位符定义：采用<大写英文>或[中文括号]等显式标记

12 / 20

🔚

Mode 06

尾部生成模式

在内容末尾添加特定语句或询问，增强互动性与完整性

13 / 20

🔚 尾部生成

设计四步法

💡 核心概念

在AI生成内容末尾添加特定语句或询问的策略，增强内容完整性和互动性，提供额外信息或引导下一步行动。

确定内容目的
明确用户阅读后期望的行动或感受（教育/激发行动/增加互动/引发情感）

选择尾部语句
直接性、相关性、吸引力，避免突兀或冗长的表达

用户反馈
确保反馈渠道便捷，明确指示反馈方式

保持语言风格一致
语言调性与主体匹配，使用受众熟悉的表达方式

🔖 四大应用场景

免责声明："本模型生成的回应不应被视为完全准确或可靠"
订阅引导："本报告数据可能更新，是否订阅更新通知？"
产品推荐："对以上电影感兴趣可告知，提供更多信息"
反向引导：食谱结尾询问"是否需要搭配甜点建议"

📊 实战案例：2024科技趋势文章

内容类型：2024科技趋势预测文章
尾部设计："您对哪些趋势最感兴趣？希望了解哪些创新？"
风格匹配：专业科技爱好者文风

⚠️ 常见问题

内容不协调 → 重新审视风格/语气/主题一致性
互动冷淡 → 尝试提问/邀请反馈/提供资源等不同形式
内容复杂 → 简化语句，提高响应便捷性

14 / 20

🔤

Mode 07

元语言创建模式

自定义缩写指令，用简短语句实现复杂功能，大幅提升交互效率

15 / 20

🔤 元语言创建

设计四要素

💡 核心概念

通过定义和使用缩写语、特定代码或指令来指导AI生成期望输出的方法，允许通过简短语句实现复杂功能，大幅提升交互效率。

定义简明指令
创建简短、易于理解的代码或指令，避免复杂模糊术语

考虑上下文
确保指令在特定上下文中有明确意义

保证一致性
在不同提示词中使用相同指令代表相同动作

定义明确映射
确保命令与行动间有清晰的一一对应关系

📝 四大经典指令示例

Summarize-5：对文本进行摘要并压缩到5句话以内
AnalyzeTone：分析文本情感倾向（正面/负面/中性）
Brainstorm-#Ideas5：生成特定主题的5个创意想法
ExplainLike5：以5岁儿童能理解的方式解释复杂概念

🔍 SEO标题生成案例

指令设计："SEOGen:健康饮食"
操作定义：生成以"健康饮食"为关键词的SEO优化文章标题
目的：提高文章在搜索引擎中的可见性，吸引目标受众

⚠️ 注意事项

平衡原则：避免过于复杂（难以记忆）或过于简单（无法准确描述）
适用场景：自动化处理任务、快速数据处理、需要重复执行相同操作的场景

16 / 20

📊 附录

7大模式对比速查表

模式	核心定义	最佳应用场景	关键设计要点
🎭 角色扮演	让AI扮演特定角色，继承其知识、风格和专业特性	专业咨询、创意写作、模拟对话	身份背景+专业技能+语言风格
👥 观众角色	考虑目标受众特点，生成更贴合特定群体的内容	营销文案、教育内容、产品说明	受众画像+语言适配+沟通目标
⚙️ 自动输出	生成功能性脚本，实现工作流程自动化	财务报告、数据处理、日程管理	任务目标+执行步骤+输出格式
📋 食谱模式	设计一系列步骤和指示，像烹饪食谱一样完成任务	操作指南、学习路径、项目规划	明确目标+识别步骤+优化顺序
📄 模板模式	通过可替换占位符，实现标准化与定制化结合	新闻稿、报告、计划书、邮件	占位符定义+格式保留+实例展示
🔚 尾部生成	在内容末尾添加引导语句，增强互动与完整性	文章结尾、报告总结、产品推荐	目的明确+风格一致+反馈便捷
🔤 元语言	自定义缩写指令，用短语句实现复杂功能	高频重复操作、快速数据处理	简洁明确+上下文适配+一致映射

17 / 20

🎯 附录

场景选择指南 · 我该用哪个模式？

💼 工作办公场景

需要专业分析 → 🎭 角色扮演
面向不同客户 → 👥 观众角色
重复性任务 → ⚙️ 自动输出
标准化报告 → 📄 模板模式

📚 学习成长场景

系统学习路径 → 📋 食谱模式
专家辅导答疑 → 🎭 角色扮演
快速记忆要点 → 🔤 元语言

✍️ 内容创作场景

特定风格写作 → 🎭 角色扮演
目标读者定位 → 👥 观众角色
统一格式输出 → 📄 模板模式
增强读者互动 → 🔚 尾部生成

🔧 技术开发场景

代码自动生成 → ⚙️ 自动输出
开发流程指导 → 📋 食谱模式
快速指令操作 → 🔤 元语言
技术文档模板 → 📄 模板模式

🛒 电商营销场景

产品文案撰写 → 👥 观众角色
营销活动规划 → 📋 食谱模式
商品描述模板 → 📄 模板模式
引导用户下单 → 🔚 尾部生成

🏫 教育培训场景

名师模拟授课 → 🎭 角色扮演
学生分层教学 → 👥 观众角色
课程设计步骤 → 📋 食谱模式
课件标准格式 → 📄 模板模式

18 / 20

💎 附录

提示词设计黄金法则

🎯 明确性原则

提示词需要清晰具体。模糊提示如"写点东西"会导致AI迷茫；明确提示如"写关于友谊的五言诗"能生成符合预期的内容。

📏 详细程度原则

不足："我需要一个计划" → 缺乏方向
优化："为初级开发者定制3个月学习计划，重点算法和数据结构"

🎯 目标导向原则

明确指定输出格式："用表格列出从秦朝到清朝的朝代年份"

🔄 适应性原则

根据AI能力和平台特性调整提示词。文本模型无法执行"打开代码环境"，需确认产品功能是否支持。

🔬 迭代实验原则

通过3-5轮对话微调获得最佳效果。保留历史版本进行对比分析，基于AI回答逐步调整提示词表述。

✨ 质量提升效果

减少歧义，提高输出相关性和精确度
将简单对话转化为有效深度沟通
显著增强利用AI解决问题的效率

19 / 20

🎉

恭喜完成提示词工程师学习！

掌握7大核心模式 · 从入门到精通 · 成为提示词专家

🎭 角色扮演

👥 观众角色

⚙️ 自动输出

📋 食谱模式

📄 模板模式

🔚 尾部生成

🔤 元语言

🎯 提示词工程师 · 7大模式 · 曼翎科技

20 / 20

←

→

📖 ✨ 🎓

🎯

提示词工程师

第二册 · 进阶7大模式

📋 菜单操作 · 🔧 问题完善 · 🔄 替代方法 · 🧠 认知验证 · ⚡ 限制克服 · 📥 请求输入 · 🔄 翻转交互

曼翎科技

📚 教材目录

进阶7大模式 · 第二册全掌握

📋Mode 08

菜单操作模式

像使用菜单一样，通过指令快速执行任务

🔧Mode 09

问题完善模式

优化问题表述，获得更精准答案

🔄Mode 10

替代方法模式

提供多种解决方案，选择最优策略

🧠Mode 11

认知验证模式

通过问答收集信息，提供个性化回答

⚡Mode 12

限制克服模式

绕过AI限制，提供替代查询方案

📥Mode 13

请求输入模式

主动引导用户提供必要信息

🔄Mode 14

翻转交互模式

AI提问用户回答，倒置传统交互

📊附录

14大模式全对比

第一册+第二册完整速查

📋

Mode 08

菜单操作模式

像使用菜单一样，通过输入特定指令快速执行预设操作

📋 菜单操作模式 · 设计四步法

💡 核心概念

一种允许用户通过输入特定指令直接激活预设操作的提示词架构。提供一组清晰的命令选项，用户像选择菜单项一样选择指令，使交互更直接高效。

确定任务类型
任务应在AI能力范围内且对用户有实际价值

定义明确指令
简洁、一致、具体，避免歧义

设定AI响应操作
与指令紧密相关，提供操作反馈和结果信息

设计交互结束语
友好且鼓励性，提供帮助选项，保持灵活性

💼 项目管理软件案例

"创建项目<项目名称>"：初始化新项目并命名
"添加任务<任务描述>"：在当前项目添加新任务
"设置截止日期<任务名称><日期>"：为指定任务设置截止日期
"显示项目状态"：概述项目当前状态

交互机制：每个操作后AI询问"下一个操作是什么？"

📰 新闻稿分析案例

"summary"：生成新闻摘要
"analyze sentiment"：分析情感倾向
"extract keywords"：提取关键词
"detailed analysis"：提供深度分析
"save"：保存至阅读列表

⚠️ 常见问题

用户不知道可用指令 → 提供"帮助"指令显示所有选项
指令理解错误 → 确保指令简洁明确，避免歧义

🔧

Mode 09

问题完善模式

优化问题表述，让AI生成更准确、更有用的答案

🔧 问题完善模式 · 设计四步法

💡 核心概念

通过对问题进行改进和优化，使其更加明确具体，或是考虑到更多相关的上下文信息，以引导AI生成更为准确和有用的答案。

明确原始问题
让AI理解原始问题的内容和表达意图，分析清晰度和具体性

识别改进空间
增加具体细节、限定问题范围、明确上下文信息

提出改进后的问题
问题应更加具体、清晰且易于回答

询问是否使用改进后的问题
提供选择权让用户决定是否采用优化版本

📝 经典句式模板

"每当我提出关于[主题]的问题，请建议一个更好的问题版本"

可加入更多条件或假设来引导AI优化问题：

"考虑到地区法律差异的更好问题版本"
"考虑到具体知识产权类型的更详细问题"
"考虑到技术创新、市场需求和政策环境的更细致问题"

🚗 实战案例：电动汽车行业

原始问题："未来电动汽车行业发展趋势是什么？"

优化后："考虑到技术创新（电池技术突破）、市场需求（消费者接受度）和政策环境（政府补贴退坡），未来5年电动汽车行业在续航里程、充电基础设施和成本结构方面的发展趋势是什么？"

💡 应用价值

能更有效地利用大型预训练语言模型获取所需信息或解决方案，特别适用于法律、技术、市场研究等专业领域。

🔄

Mode 10

替代方法模式

提供多种方法解决同一问题，选择最优策略

🔄 替代方法模式 · 设计四步法

💡 核心概念

提供多种方法解决同一问题的策略，包括AI最初考虑的方法和其他创新/非传统解决方案。通过比较不同方法提升决策质量。

明确任务或问题
通过用户直接提问或AI分析推断确定核心需求

列出替代方案
可预定义或动态生成，使用零样本技术增加创新性

评估优缺点
基于实际效果、成本、可行性、用户需求等维度

引导用户选择
通过提问或推荐帮助决策，最终选择权交给用户

💻 选择新笔记本电脑案例

方案1：技术规格导向
优点：获取高性能设备 | 缺点：可能价格较高，功能过剩
方案2：价格价值导向
优点：性价比高 | 缺点：可能性能不足
用户适配：对科技不敏感的用户更适合价格导向方案

📢 产品推广策略案例

策略1：社交媒体和数字营销
优势：年轻受众覆盖广，成本可控 | 劣势：需要专业团队运营
策略2：传统媒体和公关活动
优势：权威性强，覆盖面广 | 劣势：成本较高
人员适配：传统营销经验者可能更适应策略2

⚠️ 关键要点

确保方案多样性 | 评估需客观全面 | 最终选择权交给用户 | 过程本身具有教育价值

🧠

Mode 11

认知验证模式

通过生成额外问题收集信息，提供全面个性化回答

🧠 认知验证模式 · 设计四步法

💡 核心概念

通过生成额外问题来提高AI对初始询问的理解和回答准确性。AI通过询问更多相关问题收集上下文信息，实现精确回答复杂问题或进行诊断。

识别问题的关键要素
AI评估问题的核心要素，确保附加问题能涵盖这些要素

生成附加问题
可以是开放式或封闭式，取决于要收集的信息类型

结合回答
AI综合信息形成对原始问题的全面回答

提供个性化方案
基于收集的信息给出具有实用性的解决方案

💰 财务管理策略案例

提示词结构："如果我询问有关个人财务管理的最佳策略，提出几个问题以了解我的财务目标和当前状况。结合我的回答，概述一个个性化的财务管理计划。"

实现效果：AI会根据用户回答概述个性化财务管理计划，包括预算规划、储蓄策略以及投资建议等

💪 健身计划案例

提示词："当我寻求关于提高我的体能的建议时，提出额外的问题以了解我的当前体能水平和目标。在收集这些信息后，提供一个满足我的需要的量身定做的健身计划。"

⚠️ 注意事项

问题相关性：附加问题必须与原始问题高度相关
问题深度：应能帮助AI深入理解用户需求和背景
回答质量：整合回答应保持逻辑性和准确性

⚡

Mode 12

限制克服模式

当AI因限制无法直接回答时，提供解释并给出替代查询方案

⚡ 限制克服模式 · 设计四步法

💡 核心概念

当AI因限制无法直接回答时，提供解释并给出替代查询方案。适用于商业机密、个人信息保护、医疗建议、数据安全、版权保护等受限领域。

识别限制
预判可能触发的限制场景（隐私、法律、伦理等）

提供解释
明确简洁地说明无法回答的原因

推荐替代
提供可操作的替代查询方案

引导用户
帮助用户通过替代方式获取所需信息

🔒 三大典型场景

商业机密：询问某公司财务详情时，解释限制并提供行业一般趋势分析
隐私保护：查询公众人物个人数据时，建议获取公开信息的替代方式
医疗建议：无法提供诊断时，引导获取相关话题的一般性信息

©️ 版权保护案例

识别限制：预判版权保护问题
提供解释："因版权政策无法直接生成"
推荐替代："描述相似场景生成近似形象"
引导用户："年轻海盗面对浮岛发动特殊能力"

⚠️ 注意事项

合规要求：必须遵守隐私保护、数据安全等法律法规
表达标准：解释需明确简洁，替代方案应具备实际可操作性

📥

Mode 13

请求输入模式

主动引导用户提供具体输入，生成更符合需求的内容

📥 请求输入模式 · 设计四步法

💡 核心概念

通过直接要求用户提供具体输入（信息/选择/反馈）来引导AI响应和内容生成。使交互更动态、参与度更高，生成内容更符合用户具体需求。

明确所需输入
确定用户需要提供的信息/选择/反馈类型

设计交互性提示词
使用清晰易懂的语言，遵循自然语言逻辑结构

考虑回应策略
适应不同用户输入类型，处理错误/不完整信息

设置期望
明确输入将如何影响生成内容，说明输出规格

🎯 用户偏好调查

提示词："我想了解用户对我们新产品的偏好，请根据以下选项问我关于颜色和功能的偏好。选项包括红色和蓝色，以及增强现实功能或虚拟现实功能。"

✈️ 行程规划建议

提示词："我即将计划一次为期一周的旅行，请向我询问偏好的目的地类型（海滩/山区/城市/乡村）、预算范围，以及感兴趣的活动（探险/放松/文化体验/美食探索）。根据我的回答提供个性化行程建议。"

💼 产品PRD文档案例

所需输入：功能名称、需求描述、项目概览、页面设计、用户旅程等8类信息
期望设置：生成的PRD文档字数不低于2000字
交互设计：反向提问引导用户补充

🔄

Mode 14

翻转交互模式

AI扮演提问者角色，用户作为回答者，倒置传统人机交互

🔄 翻转交互模式 · 设计四步法

💡 核心概念

AI扮演提问者角色，用户作为回答者，倒置传统的人机交互方式。通过回答AI的问题达成学习新知识、提升技能或验证知识等特定目标。

明确目标
明确是促进学习、知识评估还是提供反思机会

设定结束条件
基于回答数量、正确率或时间限制

选择提问频率
根据用户能力和学习目标动态调节

调和深度
采用阶梯式难度，从基础到高级逐步升级

🐍 Python编程学习案例

完整提示词："我希望通过回答问题学习Python编程。请提问Python基础知识问题，直到我连续五次回答正确。开始吧"

目标：掌握Python基础语法
结束条件：连续5次正确回答
难度曲线：从print()语句到变量定义逐步深入
反馈机制：即时纠正错误并提供标准答案

📚 应用场景

技能提升：Python编程技能训练
知识深化：20世纪历史事件理解
能力培养：现代艺术鉴赏能力
专业领域：用户访谈、客户调研、教育培训

⚠️ 注意事项

难度平衡：保持50-70%正确率的"心流状态"
深度激发：设计开放性问题促进批判性思考
环境营造：创建支持性的学习氛围

📊 附录

14大提示词模式全对比

第一册 · 基础7大模式

🎭 角色扮演
AI化身特定专家

👥 观众角色
精准定位受众

⚙️ 自动输出
生成可执行脚本

📋 食谱模式
步骤化指导

📄 模板模式
占位符标准化

🔚 尾部生成
增强互动性

🔤 元语言
自定义指令缩写

第二册 · 进阶7大模式

📋 菜单操作
指令快速执行

🔧 问题完善
优化问题表述

🔄 替代方法
多方案比较

🧠 认知验证
问答收集信息

⚡ 限制克服
绕过AI限制

📥 请求输入
引导用户提供信息

🔄 翻转交互
AI提问用户答

模式选择速查

🎉

恭喜完成提示词工程师第二册！

掌握14大核心模式 · 从入门到精通 · 成为提示词专家

🎯 提示词工程师 · 14大模式 · 曼翎科技

曼翎科技

📖 ✨ 🎓

🎯

提示词工程师

第四册 · 进阶技巧与商业分析模型

🔢 Zero/Few Shot · 📋 提示词框架 · 📝 写作格式 · 📊 SWOT · 🌍 PEST · ⚖️ 波特五力 · 💰 杜邦分析 · 📈 财报分析

曼翎科技

📚 教材目录

进阶技巧与商业分析模型

🔢Chapter 01

Zero/Few Shot学习

零样本·少样本·多样本

📋Chapter 02

提示词框架

25个二级要素体系

📝Chapter 03

进阶写作格式

尖括号·方括号·缩进

📊Chapter 04

SWOT模型

优势·劣势·机会·威胁

🌍Chapter 05

PEST模型

政治·经济·社会·技术

⚖️Chapter 06

波特五力模型

行业竞争结构分析

💰Chapter 07

杜邦分析法

财务指标分解体系

📈Chapter 08

财报分析进阶

财务报表深度解读

🔢

Chapter 01

Zero Shot, Few Shot, N-S-1

少样本学习与多样本学习的核心概念与应用场景

🔢 Zero/Few Shot 学习 · 三大类型对比

💡 核心概念

少样本学习：模型在看到少量示例后完成任务的能力，示例作为提示词的一部分提供
多样本学习：少样本学习的更广泛分类，n表示提供的示例数量

Zero Shot 零样本
不提供任何示例，仅靠任务描述让AI完成任务
依赖：预训练的文本量和质量

Few Shot 少样本
提供2-5个示例，帮助AI理解输出格式和上下文
示例质量直接影响效果

N+

Many Shot 多样本
提供更多示例（n个）优化模型性能
需平衡示例数量与计算效率

📄 零样本案例：文章摘要

提示词："请为下面的文章生成一个摘要"

AI能力要求：

利用预训练的语言模式和摘要技术
具备理解主题、辨别主要观点的能力
能将信息压缩成凝练的几句话

😊 少样本案例：情感分析

示例1："这是我见过最棒的电影。情感：正面"

示例2："真是浪费时间。情感：负面"

测试句："电影的剧情太拖沓了"

📧 多样本案例：垃圾邮件分类

示例1："赢取百分奖金，分类：垃圾邮件"
示例2："周会安排，分类：非垃圾邮件"
示例3："独家优惠仅此一天，分类：垃圾邮件"
测试："请查收您的航班预定确认邮件"

📋

Chapter 02

提示词框架

从4个核心要素到25个二级要素的完整体系

📋 提示词框架 · 25个二级要素体系

💡 基础公式

Prompt = 指令 + 上下文 + 输入数据 + 输出指示

将4个核心要素细化为25个二级要素，涵盖从目标设定到输出要求的全过程

🎯 目标导向类

Goal：用户希望达成的宽泛期望
Objective：具体可量化的交互期望成果
Purpose：对话的根本目标
Task：AI必须完成的特定查询或回答

📅 计划执行类

Action：AI需要采取的具体步骤
Workflow：任务和行动的逻辑顺序
Request：用户提出的特定信息或服务请求
Function：AI应执行的特定操作能力

👤 角色背景类

Role：AI在对话中的职责定位
Situation：对话发生的具体环境条件
Context：对话发生的环境前提
Scenario：构建的实际交互情境

📊 数据内容类

Database：依据的知识库或外部数据
Extra Info.：辅助理解的附加信息
Detail：增强理解的具体细节

⚠️ 约束挑战类

Limitation：对AI能力的明确约束
Challenge：处理请求时需克服的障碍
Problem：需解决的具体困难点
Rule：指导行动的准则原则

✅ 结果要求类

Result：AI提供的具体成果
Expected Solution：期望的解决方案描述
Expectation：对回答的质量标准
Format：输出信息的结构样式

📝

Chapter 03

进阶提示词写作格式

尖括号、方括号、粗体、缩进的规范使用

📝 进阶写作格式 · 四大规则

💡 核心价值

通过符号和模块定义构建清晰高效的指令描述，适用于需要详细说明的任务场景

🔹 尖括号 <> 的四重功能

占位符：<希望分析的公司> 提示用户输入目标公司名称
动作指令：<打开代码环境> 触发特定操作流程
思考引导：<问题：SWOT分析需要关注哪些方面？>
逻辑流程控制：<根据当前上下文执行下一步>

🔹 方括号 [] 的三大功能

功能分组：[报告目录] 表示一个完整功能模块
可选操作：标记内容为可选操作项
逻辑关联：将属于同一逻辑部分的指令分组

🔹 粗体 ** 的强调功能

用 *重要内容* 表示粗体，突出内容重要性，用于需要特别引起注意的关键信息

示例：请确保*数据准确性*是第一优先级

🔹 缩进的三大价值

层级表示：使用5个空格建立视觉层级关系
定义子模块：主模块下的细节说明需缩进一级
便于管理修改：快速定位需要修改的内容位置

⚠️ 使用要点

语言灵活性：支持使用任何语言进行表述
结构优势：清晰的层级帮助表达复杂思想流程
AI理解：明确的层级关系确保AI正确执行指令

📊

Chapter 04

SWOT模型提示词

优势·劣势·机会·威胁 · 四维度战略分析框架

📊 SWOT模型 · 四维度分析框架

💡 模型定义

评估组织/项目/个人在优势、劣势、机会、威胁四个维度的表现，用于战略规划

🏠 内部因素

优势 STRENGTHS：企业相比竞争对手的独特优点，如专有技术、专业团队、品牌认知度
劣势 WEAKNESSES：某些领域的不足或薄弱环节，如资源限制、缺乏经验

🌍 外部因素

机会 OPPORTUNITIES：市场或环境中存在的有利条件，如新市场开拓、技术发展
威胁 THREATS：外部环境中可能产生负面影响的要素，如竞争加剧、市场需求变化

🛒 拼多多SWOT分析案例

优势：用户量迅速突破1亿；社交电商模式降低获客成本；成功连接低端供应链与下沉市场

劣势：商品品牌和质量普遍较低；高度依赖社交网络驱动；面临京东、淘宝竞争

机会：利用微信用户基础裂变增长；三至六线城市仍有开发空间；与国美合作进入高端市场

威胁：数据隐私指控；技术漏洞风险；国际合规差异

💡 提示词框架亮点

专业性：资深咨询顾问角色确保分析深度

互动性：通过具体命令提高用户参与度

针对性：指导AI深入思考每个SWOT要素

🌍

Chapter 05

PEST模型提示词

政治·经济·社会·技术 · 宏观环境分析框架

🌍 PEST模型 · 宏观环境分析框架

💡 模型定义

从政治、经济、社会、技术四个维度分析宏观环境，用于战略规划和市场预测

Political 政治因素
政府政策、法律法规、政治稳定性、贸易政策、税收政策

Economic 经济因素
经济增长率、利率、汇率、通胀率、消费者收入水平

Social 社会因素
人口结构、文化趋势、生活方式变化、教育水平、消费习惯

Technological 技术因素
技术创新、研发投入、自动化程度、数字化转型、专利保护

💡 提示词设计要点

角色定位：资深行业咨询顾问角色
总体规则：使用粗体强调重点、不压缩答案、确保信息准确性
功能菜单：报告目录生成、章节分析、数据验证

🚗 新能源汽车PEST案例

政治：政府补贴政策、碳中和目标、排放法规

经济：油价波动、消费者购买力、产业链成本

社会：环保意识提升、出行方式转变、年轻消费群体

技术：电池技术突破、充电基础设施、自动驾驶

⚠️ 注意事项

数据时效性：宏观环境变化快，需使用最新数据
区域差异：不同地区的PEST因素差异显著

⚖️

Chapter 06

波特五力模型提示词

分析行业竞争结构的五大关键力量

⚖️ 波特五力模型 · 五大竞争力量

💡 模型定义

由迈克尔·波特提出，包含五个关键力量：行业竞争者竞争强度、新进入者威胁、替代品威胁、供应商议价能力、买家议价能力

现有竞争者竞争强度
市场格局、市场份额分布、竞争策略

新进入者威胁
进入壁垒、技术驱动、资本需求

替代品威胁
技术替代、价格优势、功能替代

供应商议价能力
供应商数量、产品特殊性、替代品可用性

买家议价能力
消费特征、决策渠道、价格敏感度

🚗 新能源汽车五力分析案例

竞争强度：2022年中国新能源汽车保有量达1310万辆，比亚迪、上汽、特斯拉占69.4%市场份额

新进入者威胁：钠电池、大圆柱电池等新技术推动行业新增长周期

替代品威胁：氢燃料电池可能挑战电动市场

供应商议价能力：电解液供应受限，CTP、刀片电池等创新提升竞争力

买家议价能力：31-40岁男性是核心消费群体，短视频平台成为主要信息渠道

💡 提示词框架亮点

专业深度：咨询顾问角色确保分析质量
交互设计：命令驱动模式增强参与感
结构指导：详细定义报告目录和章节重点

💰

Chapter 07

杜邦分析法提示词

财务指标分解体系 · 深度解析企业盈利能力

💰 杜邦分析法 · 财务指标分解体系

💡 核心公式

ROE = 净利率 × 资产周转率 × 权益乘数

将净资产收益率分解为三个核心指标，揭示企业盈利能力的驱动因素

📊 三大核心指标

销售净利率：净利润÷销售收入，反映盈利能力
资产周转率：销售收入÷平均资产总额，反映营运能力
权益乘数：资产总额÷股东权益，反映财务杠杆

🎯 分析路径

盈利能力：通过净利率分析产品竞争力和成本控制
营运效率：通过周转率分析资产使用效率
财务杠杆：通过权益乘数分析资本结构风险

💡 提示词设计要点

角色定位：资深财务分析师
数据要求：获取目标公司近3-5年财务报表
输出格式：杜邦分析图 + 各指标趋势表 + 行业对比
结论要求：识别关键驱动因素和改善方向

⚠️ 注意事项

数据一致性：确保财务数据口径一致

行业对比：需与同行业公司横向比较

时间序列：分析多期数据识别趋势变化

异常项：识别并说明一次性损益影响

🔧 常用提示词句式

"作为资深财务分析师，请对[公司名称]进行杜邦分析，输出：
1. 近三年ROE分解图
2. 各指标行业对比表
3. 关键驱动因素识别
4. 改善建议"

📈

Chapter 08

财报分析进阶提示词

财务报表深度解读 · 从数据到洞察

📈 财报分析进阶 · 三大报表深度解读

💡 分析框架

财务报表分析包括资产负债表、利润表、现金流量表三大核心报表，需从偿债能力、盈利能力、营运能力、发展能力四个维度全面评估

📄 三大核心报表

资产负债表：反映企业财务状况，分析偿债能力和资产结构
利润表：反映经营成果，分析盈利能力和成本控制
现金流量表：反映现金流状况，分析造血能力和资金链安全

🎯 四大能力分析

偿债能力：流动比率、速动比率、资产负债率
盈利能力：毛利率、净利率、ROE、ROA
营运能力：应收账款周转率、存货周转率
发展能力：营收增长率、净利润增长率

💡 提示词框架设计

角色设定：CFA持证人/资深财务分析师
输入数据：目标公司年报/季报PDF或数据表
分析维度：横向对比+纵向趋势+行业对标
输出要求：可视化图表 + 风险提示 + 投资建议

⚠️ 关键风险识别

财务造假信号：应收账款异常增长、存货积压、现金流与利润背离
经营风险：客户集中度过高、供应商依赖、关联交易
行业风险：政策变化、技术迭代、竞争加剧

🔧 高级分析技巧

杜邦分析：拆解ROE驱动因素
现金流分析：经营/投资/筹资现金流结构
非财务指标：用户增长、市场份额、研发投入

📊 附录

商业分析模型速查表

📊 战略分析模型

SWOT
内部优势劣势
外部机会威胁

PEST
政治经济社会
技术宏观环境

波特五力
行业竞争结构
五大关键力量

核心竞争力
资源能力分析
竞争优势识别

💰 财务分析模型

杜邦分析
ROE=净利率×周转率×杠杆
盈利能力拆解

比率分析
偿债/盈利/营运
四大能力评估

现金流分析
经营/投资/筹资
造血能力评估

🎯 提示词技巧速查

Zero Shot
无示例直接任务
依赖预训练知识

Few Shot
2-5个示例引导
明确输出格式

Many Shot
更多示例优化
平衡效率成本

框架要素
25个二级要素
目标到输出全覆盖

📝 写作格式规范

<尖括号>：占位符/动作指令/思考引导 | [方括号]：功能分组/可选操作 | **粗体**：强调重点 | 缩进：层级关系

🎉

恭喜完成提示词工程师第四册！

掌握进阶技巧与商业分析模型 · 成为专业提示词工程师

🎯 提示词工程师 · 进阶商业分析 · 曼翎科技

曼翎科技