第二節　如何高效使用AI提示詞

與人溝通時，我們會盡量清晰、具體地表達，確保對方明白我們的意思。而在與AI對話時，提示詞就相當于我們的“語言橋梁”，它決定了AI能否準確理解我們的需求，并給出符合預期的回應。而大模型則是AI與我們交互的界面之一，它通過學習海量數據，模擬理解語言、回答問題和在限定場景中輔助解決問題的能力。它就像一個經驗豐富的助手，只要你給它指令，它就能快速幫你完成任務。國內常見的大模型底座主要是這幾個：阿里云的Qwen、智譜的ChatGLM百度的文心大模型、DeepSeek、Kimi、豆包等。當然最近發布的自研大模型越來越多，而部分模型則是調用了前面的大模型底座，進行優化的結果。

盡管不同大模型（如ChatGPT-3.5，國內的Kimi k1.5、DeepSeek R1等）在架構和訓練數據上有所不同，但它們的底層邏輯是一致的。以ChatGPT-3.5為例，它背后有1750億個參數，這些參數通過海量數據訓練，學會了理解語言、挖掘信息和生成內容。當我們輸入提示詞時，其實是在引導大模型從這龐大的“知識海洋”中，撈出與我們需求最匹配的那部分內容。

打個比方，大模型就像一個超級圖書館，而提示詞是你的檢索指令。你越是精準地告訴它“找什么”“怎么找”，它就越能快速從書架上找到相應的圖書，并將它遞給你。反過來，如果指令含糊，大模型可能會“蒙”，遞給你一堆無關的東西。因此，寫好提示詞的核心，就是讓大模型從億萬參數中鎖定那幾個關鍵點，避免“雞同鴨講”。

舉個例子。

在統計學里，“回歸”指的是線性回歸這樣的數學方法，一般被用來分析變量間的關系。

而在心理學里，“回歸”卻是人在壓力下，行為變得幼稚的防御機制。

如果你只說“請用回歸的方法分析”，大模型可能會一臉茫然，不知所措；而帶有深度思考的大模型則會猜測你的意圖，選擇概率大的方向給出它的回答。但如果你說“請扮演心理學專家，用回歸方法分析員工行為”，大模型就能秒懂，給出你想要的答案。

可見，提示詞的質量直接決定大模型輸出的精準度和實用性。對于HR來說，掌握寫好提示詞的技巧，不僅能提升與AI協作的效率，還能在招聘、培訓、績效管理等場景中，解鎖更多可能性。接下來，我們就聊聊如何寫出“指哪打哪”的提示詞。

一、提示詞的基本結構

要讓AI成為你的得力助手，一個高效的提示詞通常包含以下幾個要素。

明確的任務目標

開門見山告訴大模型你想要什么。比如“幫我寫一份崗位說明書”或“分析這份簡歷”。目標越具體，大模型的輸出就越貼近你的期待。模糊的指令只會讓大模型猜猜看，效率自然大打折扣。

背景信息

給大模型一點上下文，能幫它更好地“入戲”。比如在寫崗位說明書時，只要告訴大模型這是“面向應屆生的銷售崗位”還是“面向高管的戰略職位”，它就能生成更符合場景的內容。背景信息就像給大模型圈定的工作范圍，讓它有的放矢。

格式和要求（可選）

如果你對輸出有特殊要求，別忘了提前說清楚。比如“請用表格列出候選人技能”或“總結報告，控制在200字以內”。這就像給大模型套上“緊箍”，確保結果直接可用。

二、提示詞公式

通過上面的拆解，我們可以總結出一個簡單好用的提示詞公式：提示詞=角色+背景+任務+要求+輸出格式。

角色：給大模型一個身份定位，比如“你是一位資深HR”或“能源行業專家”。這能讓大模型以特定視角思考問題。如果在多輪對話中，角色就可以省略。對于具有深度思考功能的推理模型來說，這部分也可以省略。但如果是非常特殊的場景，即使是深度思考大模型，角色也是不能省略的，否則會讓它在自己的邏輯里越陷越深，而我們也拿不到想要的結果。

背景：提供任務的上下文，比如“正在籌備校園招聘”，這能幫助大模型抓住重點。

任務：明確告訴大模型你要它完成的任務，比如“寫一份校招文案”。

要求：盡可能明確和細化你的期待，比如“用一句slogan（口號，標語）開頭，100字以內”。

輸出格式：指定結果樣式，比如“以表格形式返回”或“采用markdown（做記號）格式”。

來看一個實戰例子。

示例1

你是一位資深HR，正在準備校園招聘，請為團隊面試設計題目。面試形式是7人一組，每組討論30分鐘，總計10個小組。請以表格形式返回面試題目，包括面試要求、考查要點、評分維度，并附上供面試官使用的評分標準、觀察重點和打分表格。

我們來拆解一下這份提示詞。

角色：資深HR——要求大模型基于“資深HR”的專業經驗給出高質量建議，而不是新手水平的內容。

背景：校園招聘——提示大模型圍繞應屆生特點（如學習力強、經驗少）設計題目。

任務：設計團隊面試題目——聚焦群面而非一對一，突出協作性。

要求：面試題目+面試要求+考查要點+評分維度+評分標準+觀察重點+打分表格——細化輸出內容，確保全面實用。

輸出格式：表格——方便HR直接使用。

這樣的提示詞既清晰又有層次，大模型能迅速抓住重點，給出高質量回應。如果缺了某些部分，比如不提“校園招聘”，大模型就可能會設計出偏難的題目，讓應屆生摸不著頭腦；如果不提“表格”，結果就可能是散亂的文字，需要你再花時間整理。

通過這種結構化的提示詞，大模型能更高效、更準確地完成任務，從而幫助HR快速解決實際問題。提示詞是與大模型高效溝通的“鑰匙”。它就像操控大模型的方向盤，越精準清晰，大模型就越能跑在正軌上。對于HR來說，寫好提示詞不僅能節省時間，還能讓AI在招聘、培訓、績效管理等場景中發揮更大價值。

以下是DeepSeek（V3版本，在沒有使用聯網搜索和深度思考的情況下）返回的結果。

在使用AI工具的過程中，我們會發現不同的大模型工具返回的結果會有很大不同，當我們提供給大模型的提示詞不同的時候，得到的回復也會有很大區別，甚至將同一個指令輸入給大模型后，前后兩次也會獲得不同的答復。這主要是由AI的工作原理造成的，大多數語言模型都是在一定概率的基礎上進行文字接龍，大家可以嘗試用不同大模型工具獲取不同回答，再選擇一個比較接近自己思路的進行調整，在此基礎上制訂校招群面方案。比如，有可能你希望AI生成一份校招群面方案，它卻給出一堆通用模板，無法直接使用。面對這種情況，我們有兩種方法來優化結果：一是通過與AI持續溝通來改進回答；二是根據需求自己調整輸出。這兩種方法不僅能提升AI的實用性，也是本書希望教給大家的核心技巧，讓你從“用AI”升級到“駕馭AI”。

將這兩招結合起來，你不僅能讓大模型的輸出更符合預期，還能將它變成HR工作的得力助手。下面我們就詳細介紹如何與AI合作，讓它真正為你的需求服務。

三、通用模型提示詞的寫法技巧

與通用模型“對話”時，提示詞（也就是我們給通用模型的指令）就像開車的導航，直接決定我們能走到哪。簡而言之，通用模型輸出的質量好壞，跟你輸入的提示詞息息相關。要想讓通用模型給出既精準又好用的結果，學會寫出合理、有效的提示詞是關鍵。不管是用封裝好的智能助手，還是日常隨便聊聊，只要稍微調整一下策略，就能讓通用模型的回答更貼合你的期待。以下是幾個實用技巧，幫你把與通用模型的“溝通”效果拉滿。

具體而非模糊

通用模型最擅長處理清晰具體的任務，含糊的指令會讓它隨機尋找可能的回答，輸出亂七八糟的結果。所以，告訴通用模型你到底想要什么，至關重要。

示例2

假設你要為校園招聘設計面試題目。

·不具體的提示詞：

“請幫我寫一些面試問題。”

這個指令太籠統，通用模型完全摸不著頭腦：這是給誰的面試？難度有多高？有什么特別要求？結果可能是得到一些沒有針對性的題目。

·具體的提示詞：

“你是一位資深HR，正在準備校園招聘的團隊面試。請為即將到來的面試提供5個題目，面試形式是7人一組，每組討論30分鐘。題目要考慮應屆畢業生的背景，難度別太高。”

這樣一說，通用模型就有了清晰的方向，能生成符合招聘需求的題目，避免來回折騰。

越具體的提示詞，越能幫助通用模型抓住任務的目標、背景和細節，輸出對味的內容。比如只要明確題目類型、職位背景、候選人水平，就能讓通用模型少走彎路，減少那些隨機答案。

提供充足的背景信息

上下文是通用模型理解你意圖的參照物。它能不能給出靠譜的回答，全看你給了多少背景信息。充分的上下文能讓通用模型迅速進入狀態，生成更精準、更貼合需求的內容。

示例3

假設你需要設計面試問題。

·缺乏背景信息的提示詞：

“請幫我設計一些面試問題。”

沒頭沒尾，通用模型哪知道這是什么崗位的面試？候選人有什么背景？結果很可能是得到一堆泛泛而談的問題，這些問題缺乏針對性，很難被用到實際面試中。

·提供背景信息的提示詞：

“你是一位資深HR，正在為校園招聘面試設計問題。候選人是剛畢業的大學生，面試要考查其團隊合作能力和問題解決能力。請設計五個題目，確保每個問題都能有效評估這些能力。”

有了崗位背景、候選人情況和考查重點，通用模型就能有的放矢，設計出既實用又貼合實際的題目。

如果背景信息不夠，通用模型就會像盲人摸象，只能根據最常見的情況給出隨機的回答。背景信息能幫它快速鎖定你的需求。比如在人力資源管理場景中，面試題的設計取決于崗位職責和候選人能力要求，只有這樣才能命中靶心，切中面試考查的要害。

避免過度簡化

簡潔是好事，但過度簡化可能會讓通用模型“丈二和尚摸不著頭腦”，影響輸出質量。提示詞需要在簡潔與信息充分之間找到平衡，確保通用模型能準確抓住你的意圖。

示例4

假設你需要AI設計一篇招聘文案。

·過度簡化的提示詞：

“請寫一份招聘文案。”

這個指令太“單薄”，沒說清目標崗位是什么、受眾是誰、文案風格如何，通用模型可能會甩給你一篇大而化之的通用文案，這樣的文案大概率不會貼合實際需求。

·詳細的提示詞：

“請幫我寫一份校園招聘文案，目標崗位是市場營銷專員，面向應屆畢業生。文案要簡潔明了，突出公司文化和職位亮點，字數控制在300字以內。”

有了具體要求，通用模型就能有的放矢，生成一份既吸引人又實用的文案，省去你反復修改的麻煩。

如果指令太簡單，通用模型就像少了導航的司機，只能靠猜開車。適當補充細節，比如崗位背景或輸出要求，能讓通用模型直奔目標，既高效又精準。

使用命令式語氣

通用模型喜歡直來直去的指令。清晰的、命令式的語氣能讓它迅速明白任務，避免含糊其詞或讓它“腦補”你的意圖。用簡明的話告訴它“干什么”“怎么干”，效果會更好。

示例5

·不清晰的提示詞：

“我給你一些候選人簡歷，他們都申請了HR崗位。”

這句話像在吊胃口，通用模型不知道你要它分析、篩選還是干別的，可能得繞幾圈才能猜對意圖。即使是DeepSeek這種推理能力強的模型，也可能會猜錯，浪費時間。

·明確的提示詞：

“請幫我篩選出符合以下條件的候選人：具有三年以上人力資源管理經驗，擅長招聘和員工培訓。”

簡單直接，通用模型馬上就能上手，按條件篩選出結果。

通用模型是按指令行動的“執行者”，命令式語氣就像給它指明跑道，能提升它的響應速度和準確性，避免不必要的對話拉鋸。

考慮通用模型的限制與能力

通用模型很強大，但不是萬能的。它在處理數據、生成內容上得心應手，卻很難像人類一樣理解復雜情感、社交細節或文化背景。寫提示詞時，要清楚它的“邊界”，別指望它干超出能力的事，例如避免過度依賴它執行情感分析或深度人際溝通等任務。

示例6

·不考慮通用模型限制與能力的提示詞：

“請分析這份候選人的面試反饋，并給出是否錄用的建議。”

面試反饋往往夾雜著主觀評價、情感色彩和面試官的個人傾向，這些細膩的東西通用模型很難完全吃透。它可能會機械化分析，得出草率和片面的結論。

·考慮通用模型限制與能力的提示詞：

“請分析這份候選人面試反饋，重點關注其在團隊合作能力、問題解決能力和溝通能力方面的表現。基于這些反饋，提供初步評估，輔助我決定是否錄用。”

這版提示詞把任務限定在通用模型擅長的領域——數據分析和初步判斷，既發揮了它的優勢，又留出了最終拍板的余地。

當任務涉及情感或主觀判斷時，通用模型容易“翻車”。合理設定任務范圍，讓它提供有價值的輔助分析，既能減少偏差，又能加速你的決策過程。

四、推理模型提示詞的寫法與技巧

與具有推理功能的模型例如DeepSeek R1“對話”時，要注意我們的提示詞不能太瑣碎，這時需要像給專家下達任務書，而不是像帶實習生。相比通用模型需要得到詳細引導，推理模型更像一個有獨立思考能力的合作伙伴，HR需要用簡潔但目標明確的方式與它溝通。以下是幾個實用技巧，幫助你在人力資源管理場景中用好推理模型，最大化其推理價值。

目標明確，細節可選

推理模型最擅長根據目標自主推導答案，不需要事無巨細的指令。只要告訴它“要什么”，它就能通過“思維鏈”自己找到路徑。過多的細節反而可能會限制它的發揮。

示例7

假設你要分析員工流失風險。

·過于煩瑣的提示詞：

“請分析以下數據：員工A出勤率80%，績效3/5^[2]，入職1年；員工B出勤率95%，績效4/5，入職3年。按步驟檢查出勤率，再看績效，最后考慮入職時間，告訴我誰可能會離職。”

這種指令束縛了推理過程，推理模型可能會進行機械執行而非深度思考。如果你堅持使用這套提示詞的話，就請關閉“深度思考”功能，以確保可以獲得恰當的結果。

·目標明確的提示詞：

“基于以下數據：員工A出勤率80%，績效3/5，入職1年；員工B出勤率95%，績效4/5，入職3年。分析誰更可能離職，并說明原因。”

目標清晰后，推理模型會自行推導因果關系，輸出邏輯性強的結果。

提示詞越聚焦目標，推理模型就越能發揮自主性。當與推理模型進行配合時，HR只需提供核心問題和必要數據，剩下的交給它去“想明白”。

提供關鍵數據或條件

推理模型的強項是基于輸入進行邏輯推演，因此必須給它足夠的基礎信息。沒有數據或條件，它就會像空轉的引擎，推不出有意義的結論。

示例8

假設你要優化招聘流程。

·缺乏關鍵數據或條件的提示詞：

“請告訴我如何優化招聘流程。”

沒有具體背景，推理模型只能泛泛而談，輸出空洞的建議。

·提供關鍵數據或條件的提示詞：

“當前招聘流程耗時30天，篩選簡歷占15天，面試環節占10天，目標是縮短至20天。請分析瓶頸并提出優化建議。”

有了時間數據和目標，推理模型就能精準定位問題（比如篩選簡歷過慢），并給出可行方案。

數據是推理的“燃料”。HR在設計提示詞時，要確保輸入關鍵指標（如時間、成本、績效），讓推理模型有據可依。

避免干預推理過程

推理模型的“思維鏈”是它的核心優勢，過多干預會打斷它的邏輯推導，降低輸出質量。相信它的能力，把過程交給它，只關注結果是否符合需求。

示例9

假設你要預測團隊士氣。

·干預過多的提示詞：

“分析員工滿意度數據，先看薪資滿意度，再看工作環境滿意度，最后看團隊活動參與率，告訴我士氣如何。”

這種指令限制了推理模型的自由度，可能會使推理模型漏掉其他關鍵因素。

·放手的提示詞：

“基于員工滿意度數據（薪資滿意度70%，工作環境滿意度60%，團隊活動參與率50%），預測團隊士氣變化趨勢，并解釋原因。”

不限定步驟，推理模型會綜合所有變量，得出更全面的結論。

HR應避免手把手教推理模型。它的價值在于自己找路徑，像我們與“專家乙方”打交道一樣，過多的“干擾”反而會適得其反。

明確輸出格式與范圍

推理模型能生成復雜結果，但如果不指定格式或范圍，結果可能會過于冗長或偏離需求。簡單告訴它“要什么”“不要什么”，能讓結果更實用。

示例10

假設你要評估績效管理效果。

·不限格式與范圍的提示詞：

“請分析績效管理系統的效果。”

結果可能會得到長篇大論，包含很多與它的推理過程無關的細節。

·限定格式與范圍的提示詞：

“基于以下數據（員工參與率80%，目標達成率75%，反饋率60%），評估績效管理系統的效果，以表格形式輸出，重點分析效率和員工接受度，不涉及技術細節。”

明確格式與范圍后，推理模型會直奔主題，輸出簡潔實用的表格。

HR可以通過格式要求（如“表格、列表”）或范圍限制（如“不要技術細節”），讓推理結果更符合實際需求。

利用其深度分析能力

推理模型擅長挖掘數據背后的邏輯和趨勢，HR應把復雜、有挑戰性的任務交給它，而不是只讓它進行簡單的內容生成。清楚它的強項，才能物盡其用。

示例11

·不適合推理模型的提示詞：

“寫一篇300字的招聘廣告。”

這是通用模型的強項，將推理模型用在這上面是大材小用；并且，推理模型很可能會發揮它的強大功能，給你一篇非常復雜的廣告，既慢又效果不好。

·適合推理模型的提示詞：

“基于過去6個月的招聘數據（應聘者100人，錄用10人，平均面試耗時2小時），分析招聘效率瓶頸，并提出改進建議。”

這種任務需要邏輯推導和洞察，正是推理模型的“主場”。

推理模型不是“文案機器”，而是“分析專家”。HR應聚焦數據驅動的決策任務，比如風險預測、流程優化，充分發揮其深度思考能力。

五、提示詞實例與應用

為了讓你更直觀地掌握提示詞的用法，下面是HR常見場景的幾個實例。它們展示了如何通過精準提示詞，引導大模型高效完成任務，產出實用結果。

以下示例均采用通用模型的對話方式展開。當我們能夠熟練掌握通用模型的對話技巧時，轉而使用推理模型將如虎添翼，進一步提升效率與增加深度。

崗位說明書生成

崗位說明書是招聘的“門面”，既要清晰傳遞信息，又要吸引人才。好的提示詞能讓大模型快速生成符合需求的崗位說明書。

示例12

請根據以下職位要求，寫一份崗位說明書。

職位：產品經理。

職責：負責產品規劃、市場分析、團隊管理。

要求：本科及以上學歷，五年以上產品經理經驗，具有創新意識和團隊合作能力。

解析：職位、職責、要求一目了然，大模型能據此直接生成一份結構清晰、重點突出的崗位說明書，避免需要通過多次對話反復修改的情況。

簡歷篩選

篩選簡歷是HR的“體力活”，精準的提示詞能讓大模型幫你快速挑出硬性條件（否決性條件）符合要求的候選人。

示例13

請根據以下職位要求，評估并為這兩份簡歷排序。

職位：數據分析師。

要求：三年以上數據分析經驗，熟練使用Excel和Python，具備中臺項目經驗和良好溝通能力。

兩份簡歷：候選人1（略），候選人2（略）。

解析：明確的要求和簡歷信息，讓大模型能按條件逐項比對，輸出排序結果，既省時又省力。

設計面試題和考查標準

面試題是考驗候選人能力的最重要的工具，清晰的提示詞能讓大模型設計出有針對性的問題。

示例14

為銷售經理崗位生成10個面試題，重點考查客戶管理能力、團隊協作能力和銷售技巧。

解析：任務目標和考查重點明確，大模型能直奔主題，設計出貼合崗位需求的題目，幫你高效評估候選人。

寫校園招聘slogan和海報文案

校招宣傳要抓眼球，好的提示詞能讓大模型產出既有創意又實用的文案。

示例15

我們是一家網絡游戲公司，計劃在上海大學組織校招，主要面向計算機相關專業的學生。請提供5個招聘slogan建議和2份海報文案建議，每份不超過100字。

崗位：計算機程序員。

要求：理解二次元，對新事物充滿熱情。

解析：背景、崗位信息、要求齊全，大模型能生成契合公司調性和學生喜好的文案，助力校招。

寫感謝信或通知

面試后的溝通能體現公司專業性，精準提示詞能讓大模型快速搞定感謝信或通知。

示例16

請寫一封感謝信，感謝候選人參加銷售經理崗位面試。內容要簡潔，表達對候選人背景的認可，并告知一周內通知結果。

解析：語氣和內容要求清晰，大模型能生成一封既專業又友好的信件，節省HR時間。

寫好提示詞是與大模型高效協作的“敲門磚”。通過清晰、具體、帶上下文的指令，HR能精準引導大模型，產出符合需求的結果。不管是招聘、培訓還是日常事務，掌握提示詞相關技能都能讓大模型成為你的得力助手。隨著AI技術的發展，這項技能會越來越重要，為你的工作注入更多智能動力。準備好試試了嗎？

由于人力資源管理工作具有特殊性，涉及候選人簡歷、個人隱私信息等內容的部分均為保密信息，因此本書會全部略去。

同時，在后面的示例中，涉及公司戰略、業務敏感信息之類的內容，本書也會進行省略，請讀者在實踐過程中，注意根據實際需要進行添加。

此外，在后面的示例中，一些不是很必要的，在日常工作中常見的內容，例如工作總結或者一些會議紀要等文稿示例，出于節約篇幅的原因，本書也在不影響意思表達和效果呈現的前提下，進行了相應省略。