Google Prompting Essentials 提示词课精华(提示词框架/4种迭代法/提示链/高频场景套路)

Google 官方《Prompting Essentials》提示词课的双语精华。这是一套标准化、人人可上手的提示框架,不需要技术背景,定位是"把生成式 AI 稳定用出高质量结果"。

何时打开:

你刚开始用 AI,想要一个不会出错的"提示模板"骨架直接套

你写的提示总拿不到想要的结果,想知道该往哪个方向改(4 种迭代法)

你有一个多步骤大任务(写营销计划/做入职课程/分析报告),想拆成可控的小步(提示链)

你要在具体办公场景(邮件/会议纪要/表格/数据图/文生图/演示)里找可复用套路

你需要给团队讲"怎么负责任地用 AI"的检查清单

与 newtype · Prompt / Context Engineering 实战的分工:老黄那篇是"提示工程不必专门学、本质是任务拆解 + Brief"的反共识立场 + 产品级 Prompt 调度(Prompt House / Ultra think / 结构化 JSON 文生图)。本篇是 Google 官方的标准框架与场景模板,更适合零基础入门即用。两者结论其实一致——核心都是"把需求讲清楚像带新人",可交叉对照阅读。

1. 核心:5 要素提示框架 TCREI

Why 这是全课地基:90% 的"AI 答得不好",根因不是模型笨,是输入太模糊。这个框架把"写提示"变成一张可勾选的清单——就像你请一个文笔很好但完全不懂你公司的新人帮忙,你必须交代清楚做什么、什么背景、参考长什么样,再验收、再返工。框架本身不是新知识,是把"如何带新人"标准化了。

记忆口诀:Thoughtfully Create Really Excellent Inputs(用心创建真正优秀的输入)= 五个首字母 = 五个要素。

要素	英文	在提示里写什么	一句话理解
任务	Task	让 AI 做什么 + 角色(persona)+ 输出格式(format)	"你是 X,用 Y 格式,帮我做 Z"
背景	Context	目标、原因、已试过什么、受众是谁	给足细节,差别都在细节里
参考	References	示例 / 范文 / 风格样本(few-shot 少样本)	"照这个样子来"
评估	Evaluate	验收:准确吗?相关吗?有没有幻觉?	人来把关,不盲信
迭代	Iterate	不满意就补信息 / 换说法再来一次	Always Be Iterating(ABI)

关键提醒:顺序不重要,内容清晰才重要。课程反复说一句口诀——"输入越认真、越具体、越清晰,输出通常就越好"。

可复用骨架(直接套)

任务 Task:
你是一名【角色,如:专攻意大利电影的影评人 / 有 15 年经验的市场主管】。
帮我【动词开头的任务,如:列出 / 起草 / 生成…】。
输出用【格式:表格 / 项目符号 / 三段短文…】。

背景 Context:
【为什么做这件事 + 受众是谁 + 已尝试过什么 + 任何关键约束】

参考 References:
请参考以下示例的【语气/风格/长度】:
<example01> 【范文1】 </example01>
<example02> 【范文2】 </example02>
（用过渡句"参考以下材料"或 XML 标签包裹,让 AI 知道参考从哪开始）

评估 Evaluate / 迭代 Iterate:
拿到结果后自己检查准确性,不对就补细节再来一次。

两个写任务的加分项(课程强调):

persona 角色 — 让 AI 用某领域视角回答,自动过滤无关内容(如"以 science expert 身份")。
format 输出格式 — 提前指定 bulleted list / table,省去返工。

参考材料的 4 种边界写法(从轻到重):过渡句("Refer to these materials")→ 标题分段 → XML 标签(<example01>…</example01>)→ Markdown 标记(用 ** _ 告诉 AI 保留加粗斜体的强调结构)。

5 岁版类比(课程原话):Task = "妈妈我要草莓蛋糕";Context = "因为今天我生日";References = "像上次那个粉色的";Evaluate = "看看是不是我要的";Iterate = "草莓再多点"。先说要什么 → 再解释 → 给例子 → 看对不对 → 不对再改。

2. 4 种迭代方法:提示写不好时往哪改

Why 单列一节:新手最大的卡点不是"写第一版",是"第一版不行之后不知道怎么办",于是要么推倒重来要么放弃。课程给的 ABI 心法是小步调整,并给了 4 个明确的修改方向,把"瞎改"变成"按菜单改"。

方法	英文	什么时候用	怎么改
1 回到框架	Return to the framework	结果太泛、像废话	检查任务/背景/参考是否缺项,补角色 + 受众 + 格式
2 拆分长提示	Break down long prompts	一个提示塞了"总结+做图+提炼"3 件事	拆成 Step1 总结 → Step2 做图 → Step3 提炼,一次只做一件
3 换相似任务	Analogous task	某种说法 AI 总写不好	换角度,如"写营销计划"→"写一个故事:产品如何融入用户生活"
4 加约束条件	Constraints	结果太发散、不聚焦	加限制,如"只要某地区的艺术家""只要近 5 年发布的"

示例对比(回到框架):

❌ 优化前:Give me five blog post ideas.(给我五个博客创意)
✅ 优化后:You are an expert on sports nutrition. Provide five blog post headlines summarizing the biggest industry trends, for an audience of physical therapists working with professional basketball players.(加了角色 + 受众 + 具体方向)

进阶:链式密度压缩(Chain of Density)

Why 这招值钱:让 AI 一句话"直接给最短总结"很危险——你看不到它删掉了什么、有没有编造。链式密度是逐步压缩,每一档都能核对关键信息是否还在。

做法:先要一个详细摘要 → "压成两三个核心趋势" → "压成一句话突出最主要趋势"。
或一次性要 3 个密度版本:A detailed summary / A medium-length summary / A one-sentence summary,横向对比挑用。
两个好处:① 逐档压缩能发现幻觉(从详细往短压时核对事实);② 看清哪些信息在压缩中被丢掉,判断是否丢了重要内容。
反向也成立:答案太简就反过来 Add more details / Expand the background,在"简洁"和"详细"之间自由滑动。

3. 提示链 Prompt Chaining:把大任务拆成一串小步

Why 单独成节:很多项目大到不可能一个提示搞定(写完小说要做营销计划、设计整套入职课程)。提示链像拼图——不是把所有块倒出来乱拼,而是先拼四角、再拼边、最后填中间,一步一步搭。这是处理"多步骤复杂任务"的核心打法。

定义:用一连串相互关联的提示,引导 AI 逐步完成复杂任务。每一步的输出,当作下一步输入的背景。

与"迭代"的关键区别(课程明确区分):

迭代 = 反复改同一个提示,想拿到更好的单步结果。
提示链 = 每个新提示建立在上一步输出之上,串成一条连续的链。

可复用骨架:营销计划链(课程原案例)

场景:小说写完了,要做推广。借助长上下文窗口(long context window,模型一次能记住的信息量),模型记得整本手稿,后续只需下达新任务。

Step 1（宣传语）：为这本小说手稿生成 3 个一句话总结，语气贴合原稿但更抓人。
Step 2（优化）：把前 3 个组合成一句宣传语，突出情节反转与悬疑，简洁且让人想读下去。
Step 3（封底简介）：基于一句话总结，扩写成 5 句话的封底 blurb。
Step 4（推广计划）：生成 6 周书籍巡回推广计划，含去哪些地点、每站用什么渠道。

另一个骨架:入职课程链 — 生成课程大纲 → 把第 2 个要点扩成 100 字段落 → 据此出 3 题小测验 → 生成祝贺答对的配图。同一条链跨了文本和图像两种模态。

两个进阶变体(来自 Key takeaways)

思维链 Chain-of-thought:让 AI 解释它是怎么得出结论的,推理更透明、更可核查。
树状思维 Tree-of-thought:让 AI 同时给多个不同方案并比较(如"想象 3 位设计师各自提案,每人写一步思路再分享,谁发现自己错了就退出"),适合需要发散 + 择优的创意场景。

4. 高频办公场景套路(每个带可复用骨架)

Why 这一节最实用:框架是地基,但 PM 真正每天要做的是具体活儿。下面 6 + N 个场景,每个都给一个能直接改字段套用的提示骨架。所有套路底层都是 §1 的 TCREI,只是按场景换了字段。

4.1 头脑风暴 Brainstorm

Why:需要创意、新点子、想不开时,把 AI 当对话式创意伙伴,边补信息边引导,而不是指望一次出完美答案。

任务+背景：我是【某类公司】的【角色】，正在策划【活动/项目】，
受众是【目标人群】。请给【时间线 / N 个创意 / 宣传点子】。
迭代：补充新约束（如"要吸引全球年轻玩家"）→ AI 给出更贴合的版本。

4.2 表格与追踪器 Tables & Trackers

Why:很多人怕电子表格的单元格和公式。AI 能用自然语言几秒生成排班表/进度表,还能带复杂约束。

任务+格式+背景：
我有 10 名员工（编号 1-10）。创建一个跟踪每周排班的表格，
列为：日期、员工编号、班次（morning/afternoon）。
约束：每个班次固定 2 人；前一天晚班的次日不排早班；
同一天不排两班；每人每周总班次大致相同。

数据隐私铁律:用员工编号代替姓名,不输入敏感信息;用前先查公司政策。

4.3 会议纪要 Meeting Notes

Why:会议信息多、分工容易记乱。用 Google Meet 出 transcript(逐字稿)→ 喂给 AI 结构化整理。

为这次会议生成会议纪要：
- 根据关键要点分章节（而不是简单按发言人流水账）
- 每个要点标注对应发言人
- 把每项 action item 分配给最适合完成的人

第一版按发言人切太碎,迭代成"按关键要点切 + 标负责人"会清晰得多。

4.4 数据可视化 Data Visualization

Why:展示数据要"用图表说话"而非堆文字。AI 能帮你选对图表类型并解释为何合适。

背景：我的数据集是一个表格，列有：书名、出版时间、类型、首版时间、销量（百万）。
任务：给几种图表方案，展示"类型"与"销量"的相关关系，并解释每种为何合适。
进阶（模仿参考图）：上传一张范例图 → 先让 AI 描述这张图展示什么 →
再贴自己的数据列 → "建议如何改造这张图适配我的数据，并说明在 Google Sheets 怎么实现"。

4.5 文生图 Image Generation

Why:从文字生成转向图像生成,提示语言要变——必须给具体、生动的视觉细节。

任务：为海报生成一张电吉他的图像，摄影风格。
细节（缺一不可）：尺寸 / 颜色（闪闪发光）/ 位置（前景，漂浮在天空）/ 整体美感。
迭代：喜欢主体后再加戏 → "把天空变成暴风雨，让闪电击中吉他"。
风格可选：photography / vector art / sketches / watercolors。

进阶技巧见 §5.3 仅参考图片某一维度;更产品级的结构化 JSON 文生图法见 newtype · Prompt / Context Engineering 实战 §9。

4.6 演示讲者备注 Speaker Notes

Why:沟通是"讲故事"不是"念幻灯片"。AI 能帮你搭演示结构 + 写讲者备注 + 配图。

角色+背景：我是【某品牌】产品设计师。【这里粘贴研究/分析内容】
任务+格式：我该如何组织演示？列出每页幻灯片的主题、关键要点、视觉元素。
（结构通常含：标题页 / 背景介绍页 / N 个功能段 / 行动号召 call to action）

进阶（按听众调）：为这页提供面向【市场总监】的替代讲者备注，
该总监重视精准表达，目标是把握行业趋势 + 建立忠诚用户社区。

练习反馈：我要向经理做演示，想显得权威自信。我会朗读演示稿，
之后请反馈我是否达到目标（节奏 pacing / 语气 tone / 表达清晰度）。

4.7 其他常用套路(同框架,换字段)

写邮件:角色(健身房经理)+ 背景(有新课表)+ 任务(通知员工)+ 细节(周一三五课程改时间)+ 语气(专业友好简短)。优势是信息不变、一键换受众——同一封改写成对会员版,语气调成"有趣 + 举重双关语"。
总结长文:以大纲形式总结这份报告，只保留最核心要点。工具不支持长文本时的土办法:分段总结 → 再总结这些总结。还能按受众换口吻(为不擅长数字的人总结 / 用 80 年代电影台词风格总结)。
语气与风格:把 AI 当演员、提示当剧本。用具体词代替模糊词——witty banter(机智调侃)优于 humorous,like talking to a friend 优于 casual。可给风格参考样本,也可加约束(避免行话)。
多模态提示:同时给图 + 文 / 音 + 文,让 AI 更准理解、少返工。如上传美甲图 + "写条有趣简短的社媒推广文";上传会议日程图 + "把主讲人和两场 panel 的时间提取成表格",拿到表后再接"据此起草提醒邮件"。
破译公式 / 行话 / 报错:用分步骤简单解释这个公式 [粘贴公式];用简单话解释什么是复利,假设我完全不懂金融,给个带数字的例子;"Error 404" 是什么意思,列两个常见原因。AI 像随身翻译,把行话/陌生格式/外语变得能懂。
元提示 Meta-prompting(让 AI 帮你写提示,又叫自动提示工程):生成类——生成一个能帮我写录用信的提示词 / 给我一个提示词模板;优化类——我该怎么改这个提示，让广告语言更吸引人？(leveling up)、把多个提示 remix 成一个超级提示、style swap 换情绪语气。元提示像路线图,引导你逐步搭出更有效的提示。

5. 进阶技巧与数据分析

5.1 数据分析策略

Why:AI 擅长在大数据集里发现模式、找关系、识趋势,但要按它的能力边界设计提示,并且警惕幻觉。

AI 在数据上各有所长,按类型设计提示:文本分析(主题/情绪/分类)、数据扩充(模拟样本补少量数据,必须标注哪些是模拟的)、问答分析、情景分析("客流增 20% 会怎样")、图像分析、客户市场研究。复杂统计别让它直接算,而是让它给方法和步骤。

两条铁律:

防幻觉:生成 100 条数据可能只错几条,抽查不够,要尽量生成可交叉验证的信息。
先验数据质量:输入前查 6 项——最新 / 准确 / 完整 / 一致 / 相关 / 无偏见。可以让 AI 帮查 识别错误、不一致、缺失值，并建议如何清洗标准化。
鼓励探索:想让 AI 发现隐藏趋势,用开放式问题而非过细指令(如"你是调查房产趋势的记者,如何用这份空置房数据讲一个有说服力的故事?")。

5.2 个人提示库 + AI 智能体雏形

建个人提示库:好用的提示要命名 + 保存,以后复用。别推翻有效提示,在它基础上改任务/背景/参考即可(像每周家庭菜单,不从头排,按口味微调)。同一信息源可换 persona 派生多版(消费者版 FAQ → 企业版 FAQ)。
设计 AI agent(代理)雏形(来自 Key takeaways):指定角色 + 给场景背景 + 说明对话类型 + 设一个结束指令(stop phrase)+ 让它在结束后总结收获与改进点。可用来练技能、模拟协作、拿反馈。
社区:promptingguide.ai(系统讲提示词)、huggingface.co(模型/数据集/提示资源)。

5.3 仅参考图片的某一维度(防"整张图被照抄")

Why:给整张图当参考,模型常把主体、构图、元素全搬过来。解法是把"参考这张图"收窄成"只参考这张图的某个维度",并明写允许迁移 vs 禁止迁移。

任务：生成一张全新插画，主题【新主题】。
参考范围：参考上传图，但只提取【配色 / 笔触质感 / 造型语言】其一。
允许迁移（Do）：如配色——主色2+辅色2+点缀色1、冷暖、饱和度、明度对比。
禁止迁移（Don't）：任何物体、人物姿势、符号、构图布局、可辨识轮廓。
生成前自检：先用文字列出参数（如 5 色调色板），再说明如何应用到新主题。

两步法更稳:先让 AI 当"风格分析师"只分析参考图、输出维度清单 + 负面清单 → 你选 Do/Don't → 再生成。
打破"被上一张图绑架":新图和旧图差别太小时,加 Ignore all previous generated results. Do not modify based on previous images. Redesign a completely new version.

6. 负责任地使用 AI(human-in-the-loop)

Why 必看:AI 没有真正的批判性思维,不理解微妙语境,也不替你承担后果。责任永远在用人的人。这一节是给团队/客户交代时能直接拿出来的检查清单。

核心原则:human in the loop — AI 输出在被使用前,必须由人核实判断。

风险	表现	怎么防
幻觉 Hallucination	给出不一致 / 错误 / 无意义内容(指令太模糊时"猜答案")	关键内容事实核查 + 交叉验证;提供来源 / 问专家;表达更清晰(错误前提会带歪,如"为什么多伦多是加拿大首都")
偏见 Bias / 刻板印象	把职业/活动与特定年龄性别文化绑定	明确多样性(`来自世界各地的美食`);发现问题下一轮指出并要求修正;用包容词(`service person` 而非 `serviceman`)
数据安全	把机密 / 隐私输入工具	输入前查公司政策;优先企业版工具;了解数据会被如何使用
不相关 / 误解	把习语按字面理解(如 think outside the box)	提供参考;换更清晰表达(`考虑独特、非常规的方法`)

工作中的检查清单(5 条):

这任务适合用 AI 吗?会不会强化偏见?
用在公司/客户项目前,拿到相关负责人批准了吗?
隐私安全:工具安全吗?有没有企业版?
用之前评估输出准确性。
向团队/客户披露用了 AI,保持透明。

小技巧:不确定时清除记忆 / 开新对话——护隐私、断偏见传染、让 AI 专注当前任务、排查异常输出。

7. 反 pattern 速查

❌	✅
指令太笼统("给我五个创意")	套 TCREI:角色 + 受众 + 格式 + 背景 + 参考
第一版不行就推倒重来	ABI 小步迭代,按 4 种方法之一改
一个提示塞 3 件事	拆成提示链,一步一件
把"提示链"当成"反复改同一句"	链 = 上一步输出当下一步输入
让 AI 直接给最短总结	链式密度逐档压缩,核对没丢信息 / 没编造
文生图只写一句模糊描述	给尺寸/颜色/位置/风格;只参考图就写清 Do/Don't
表格里直接输入员工真实姓名	用编号脱敏,先查公司政策
拿到 AI 输出直接用	human-in-the-loop,先评估准确性再用
想不出怎么写提示	元提示:让 AI 帮你生成 / 优化提示
好用的提示用完就忘	命名存进个人提示库,下次改字段复用

引用与延伸

源:Google《Prompting Essentials Specialization》全 30 节 Notion 笔记 + 父级 intro(中英混排,full_scan)。覆盖:5 步框架 / 实操示例 / 4 种迭代 / 多模态 / 文生图 / 仅参考维度 / 负责任使用 / 邮件 / 个性化语气 / 头脑风暴 / 表格 / Gemini Workspace / 会议纪要 / 总结(含链式密度)/ 数据分析与发掘 / 破译表格与万物 / 可视化 / 演示备注与反馈 / 提示链(发现 + 多步)/ 元提示 / AI 智能体 / Key takeaways。

配套 wiki:

newtype · Prompt / Context Engineering 实战 — 老黄"提示工程不必学"立场 + Prompt House / Ultra think / 结构化 JSON 文生图 / Skill 终态;本篇的产品级与反共识互补面
newtype Prompt 模板库(4 个生产级 prompt + 1 个 CLAUDE.md 范本) — 可复用提示模板集

History

2026-06-03 v1.0 创建 — 基于 will-ai-note 项目下 Google Prompting Essentials 全 30 节笔记 full_scan。组织 7 节:5 要素框架 TCREI / 4 种迭代法 / 提示链(含 CoT·ToT 变体)/ 6+N 高频办公场景套路 / 进阶与数据分析 / 负责任使用清单 / 反 pattern。与 newtype-prompt-engineering 交叉引用,定位 Google 官方标准框架(入门即用)对老黄反共识立场(产品级调度)。