写好提示词的关键是让模型准确理解意图，需明确任务类型与输出格式、限定语言版本及依赖、提供输入输出样例、分步拆解复杂需求，并显式写出隐含假设。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
写好提示词的关键是让模型准确理解你的意图，而不是靠猜测。通义千问（Qwen）对清晰、具体、带约束的指令响应更稳定，出错率明显更低。
明确任务类型和输出格式
模型需要知道你在让它“做什么”以及“做成什么样”。模糊指令如“写个Python函数”容易生成不完整或偏离需求的代码；换成明确句式效果更好：
- “用Python写一个函数，接收两个整数参数a和b，返回它们的最大公约数，仅使用while循环，不调用math库”
- “生成一段Shell脚本，检查当前目录下所有.py文件是否以'#!/usr/bin/env python3'开头，如果不是则自动添加，并输出处理了哪些文件”
限定语言版本与依赖环境
不同Python版本语法差异大（比如:=海象运算符只在3.8+支持），不说明易出兼容性错误：
- 加上类似“使用Python 3.9语法，不使用dataclass或typing.TypedDict等高版本特性”
- 若需第三方库，明确写出名称和用途：“用requests库发送GET请求，超时设为5秒，忽略SSL验证”
- 避免笼统说“用标准库”，可具体到模块：“仅使用os、sys、json三个内置模块”
给出输入输出样例或边界条件
样例能帮模型锚定行为模式，尤其对逻辑复杂或有异常路径的场景：
- “输入：['apple', 'banana', 'cherry']，期望输出：{'a': 'apple', 'b': 'banana', 'c': 'cherry'}；注意：如果列表为空，返回空字典；如果有重复首字母，保留第一个出现的项”
- “函数应处理负数、零、浮点数输入，例如输入-4.5应返回-5（向下取整），但不要用math.floor，用int()配合条件判断实现”
分步拆解复杂需求
一次性描述多层逻辑（如“读配置→校验→发HTTP→存日志→返回摘要”）容易漏步骤。建议按执行流拆成小指令：
- 第一步：从config.json读取host、port、timeout字段，若缺失任一字段抛出ValueError并提示具体缺哪个
- 第二步：用urllib.parse.urljoin拼接API地址，确保末尾无重复斜杠
- 第三步：用http.client发送POST，body为JSON，设置Content-Type头，捕获ConnectionError和HTTPError
- 第四步：成功时记录INFO日志包含响应状态码和耗时，失败时记录ERROR日志含异常类型和原始消息
不复杂但容易忽略——越早把隐含假设写出来，模型越少自由发挥。多一句约束，少三次调试。
