技巧6：通过示例或明确格式模板，让 AI 知道“该怎么答”

举个例子：如果你希望 AI 对一篇超长文章进行概括，而且希望输出符合一定的结构格式，那么在输入文本之前，明确说明你想要的格式结构是非常重要的。比如你可以要求按照“主题 + 要点”的形式输出，每个主题下以无序列表的方式列出关键观点。

像这样：

请根据以下演讲内容总结其主要信息，采用如下格式：
主题1: <主题名称>
- <要点1>
- <要点2>
...
主题2: <主题名称>
- <要点1>
...

然后再在下方添加长文本正文。

这种方式的好处是：你提前告诉了模型要“怎么答”，而不仅仅是“答什么”，从而提高了输出的结构化和可控性。

为什么这个方式很实用？

在实际应用中，比如做文章摘要或者抽取特定内容，模型往往难以判断哪些内容是重点，从而遗漏关键信息。明确输出格式的 prompt 能在某种程度上引导模型聚焦于你关心的结构或字段。

一个延伸用法是：如果你希望 ChatGPT 回答结构化问题时能自动化处理后续数据，就可以结合格式定义，比如输出 JSON。来看一个例子：

{
  "duration": 4,
  "confidence_level": "high"
}

这种输出方式就更便于后续程序处理，不再需要你手动提取答案中的数值或判断置信度。

更高级一点的用法是什么？

你甚至可以在 prompt 中加入“条件逻辑”，让模型基于输入内容判断输出方式。例如，下面这个 prompt 就实现了分支处理：

你将获得一段被三引号包围的文本。
如果文本中包含步骤，请按以下格式重写这些步骤：
Step 1 - …
Step 2 - …
...
否则，请直接返回：“未检测到步骤内容。”

"""
{文本内容}
"""

这样，如果输入是“泡一杯茶”的流程，模型就会提取步骤列表；而如果输入是一段描述天气的文字，则会判断没有步骤并返回“未检测到步骤内容”。

通过预设输出结构、明确格式、加入判断逻辑，能极大提升 ChatGPT 在文本生成、信息抽取和自动化处理场景中的表现。这种“结构化格式驱动”的提示技巧，不仅让模型输出更清晰，也让你后续处理更简单。对于构建基于 LLM 的产品原型，这类技巧尤其值得掌握。