Matt Pocock关于设计大语言模型（LLM）提示词的经验，分享了一套简单高效的4步法，适合快速单次调用，同时也介绍了更复杂的10步模板，帮你玩转不同场景：

---

4步轻量提示法（适合快速交互）

1.
给模型提供必要背景信息，比如对话记录、文档、链接。用XML标签包裹，明确数据边界。

2.
明确告诉模型任务是什么，要它做什么。可以用标签包裹，也可以直接说明。

3.
说明做这件事的原因，告诉模型“为什么”，这能激发模型反思和优化方案，产出更优结果。

4.
告诉模型返回什么格式的结果，比如只要摘要或者分段输出，方便后续处理。

这4步能让提示简洁且具备足够上下文，尤其适合单次调用如Claude Code。

---

10步完整版模板
适合复杂应用和系统构建，能更细致地划分需求，提升模型理解和表现。
详情见Matt的原帖（x.com/mattpocockuk/status/1958179930262356032）

---

额外思考
-“为什么”不只是给模型信息，更是提醒自己补充关键背景，避免遗漏。
- 结构化提示和灵活使用不同层级，能帮助在效率和效果间找到平衡。
- 这与最新的LAM（Learned Action Model）理念相呼应：让AI知道何时思考，何时执行，提升智能交互体验。

---

总结
简单清晰的提示设计，结合任务背景与目标，能显著提升大模型的表现和实用性。
无论是轻量快速用，还是复杂系统搭建，都值得尝试这套方法论。

---

原推文链接：x.com/mattpocockuk/status/1976570649188438143