深度評測：PromptPilot，字節跳動的“提示詞工廠”

文 | 錦緞

下面的情景是不是有些似曾相識？

當滿懷期待地給AI大模型下達指令，比如“幫我分析一下這周的股價走勢”。

等待數十秒后，得到了一份空洞無物，只有數據羅列的通用模板，令人大失所望。

轉念一想，不應該啊，之前看過的短視頻里介紹AI都和點石成金一樣：

有的人能用AI在朋友圈、小紅書和微博上追逐時尚潮流生成爆款文案；

有的人能用AI生成勝過資深程序員編寫的高質量代碼；

有的人能讓AI充當各領域內的行業專家，隨隨便便來一份分析報告都不在話下；

同樣是AI，天差地別的結果。

不同的AI大模型之間能力存在差距，這是事實。

但造成這一差異的更為主要的原因在于，使用AI的方法，也就是提問的方式。

我們注意到，為了降低使用門檻，加速AI大模型應用普及，各大廠也在“提示詞工程”上下大心思。PromptPilot，便是字節系的大模型提示詞解決方案平臺。

以其為樣本，本文將就“提示詞工程”與字節系的“提示詞工廠”，一探究竟。

01 提示詞的演進過程

人與AI溝通的媒介，即為提示詞（Prompt）。

有人會問：“寫Prompt不就是打字提問嗎？”

非也，這是一門學問。

這門學問在AI誕生至今的短短幾年內，已經經歷了從“遠古時代”到“現代”的飛速進化。

簡單了解一下提示詞的發展路徑，或許能夠幫助理解為什么我們需要更“工程化”的思維。

Stage.1 “魔法咒語”時代

這是最早期的階段，但也是大多數人目前所處的階段。

使用AI大模型和使用搜索引擎的方法并無兩樣，就像最初大家在使用GPT3.5時，只需要隨意拋出問題，就可以把AI當作百科全書使用。

這個階段的提示詞特點也很鮮明，“一問一答，簡單直接”。

當然，使用效果也有些靠運氣。對于一些需要思考、推理或創意的任務，AI的回答時而驚艷，時而平庸。

Stage.2 “啟蒙與引導”時代

此后，AI的發展速度遠超人們的想象。

研究者和“高級玩家”們發現，AI就像一個孩子，直接下命令，它有時根本聽不懂。

但如果給AI一些適當的提示和引導，有助于孩子的成長，最終得到更好的結果。

在這一階段，誕生了兩種里程碑式的AI使用方式：

一是示例學習：在向AI正式發文之前，先給出范例，讓AI進行模仿；

二是思維鏈路：不是直接生成最終答案，而是像做中學數學題一樣，必須把過程寫清楚，最后給出解答。思維鏈路的出現，使AI在計算、推理和邏輯類任務中取得了巨大的飛躍。

因此，這時的AI ，雖然本質上只是一段早已編寫好的程序，但它也可以被視為一個可以教導和啟發的學生。

Stage.3 “系統化工程”時代

這是我們現在所處的時代。AI產品五花八門，其能力已經達到“逆天”的水平。

簡單的小技巧已經無法有效駕馭AI，是時候設計出一套系統化、規范化且可復用的方法來更加有效地利用AI了。

因此，不論是LLM應用開發平臺，還是各家廠商最新版本的AI大模型，如果讓它們自動生成提示詞，都已經不再是零散的指令，而是采用一個包含角色、背景、任務、規則、輸出格式和限制等元素的結構化框架。

其目的也很簡單，讓AI的輸出穩定、可控、易于復制。

02 提示詞工程

“提示詞工程”是什么？

AI給出的回答是：“一門設計和優化提示詞的科學，旨在更有效地與大型語言模型進行溝通，從而引導它們生成更準確、更相關、更高質量的輸出結果。”

如前文所述，提示詞的重要性源于”Garbage In, Garbage Out”原則，AI模型的輸出質量直接取決于輸入提示詞的質量。

優質的提示詞，最重要的功能在于有效減少AI出現“幻覺”的概率，使其回答更加貼近現實和用戶意圖。

同時，提示詞有助于發掘AI的“潛力”。相比簡單的指令，提示詞工程可以讓AI實現更多功能，比如編寫代碼、市場分析、創意生成等更加復雜、更加抽象的任務。

此外，用戶還可以對AI的回答添加格式、語氣、長度等約束條件，靈活地調整答案的展現形式，同時節約調試時間。

對于編寫提示詞的方法，Gemini 2.5 Pro給出了名為R.O.L.E.S.的法則，這里選擇構建工作流時使用的實例：

R - Role（角色）：你希望AI是誰？

這是AI使用者在編寫提示詞時最容易忽略的一步，因為我們常常上來就直接把問題拋給AI。通過賦予AI一個具體且專業的角色，能夠激活它在該領域的知識庫，使其回答更具深度和專業性。

例如：

# 角色

你是一個頂級的金融數據分析師，能夠解析用戶的請求，并為后續的數據庫檢索程序準備一份精確的數據需求清單。

O - Objective（目標）：你想完成什么核心任務？

用戶需要清楚地告訴AI最終目的是什么。不要擔心語言過于繁瑣，AI“聽不懂”的是短句，而不是長難句。任務越明確，AI的行動路徑就越清晰。

例如：

# 核心任務

你的任務是分析用戶關于“谷歌”（別稱：Google）的指令"{{query}}"。你的最終輸出不是直接回答用戶的問題，而是列出為了回答這個問題，必須從我們的財務知識庫中檢索的**所有基礎數據字段**。

L - Limit&Constraint（限制與約束）：有哪些規則必須遵守？

AI作為一個自由創作的作家，輸出方式向來是不拘一格。要想獲得準確的結果，就必須對其加以限制和約束，包括但不僅限于風格、語氣、字數、禁止事項等等。

例如：

# 輸出要求

- **嚴格遵循格式**: 嚴格輸出由`鍵:值`對、逗號`,`和分號`;`組成的字符串。

- **純凈輸出**: 不要包含任何前綴、解釋、引號、空格或任何其他多余的文字。

- **空處理**: 如果指令與谷歌的財務或市場數據完全無關，輸出NO_QUERY`。

E - Examples（示例）：有沒有可以參考的例子？

如果用戶的要求比較復雜或獨特（比如某一個細分領域），那么提供給AI一個具體的例子會是比較高效的溝通方式，這有助于讓AI迅速理解用戶期望的格式和風格，而不是通過多輪對話讓AI不斷去嘗試。

例如：

# 示例

* *用戶說*: "谷歌的收入和市值是多少？"

* *你的思考*: 用戶直接要“營業收入”和“市值”。這是基礎指標。

* *最終輸出*: 營業收入,市值

S - Steps（步驟）：完成任務需要分幾步？

對于較為復雜的任務，就輪到之前提過的“思維鏈路”出場了。一次把任務灌輸給AI通常得不到理想的結果，但如果能引導AI按照步驟思考和執行，就可以大幅提升輸出結果的邏輯性和準確性。

例如：

# 步驟

首先判斷用戶指定的財務指標是否能夠從給定的財報中直接獲??；若不能獲取，再根據計算公式獲取相關指標；最后分析該指標的含義。

對于上面這套法則，還有一些需要注意的細節：

第一，提示詞的編寫并沒有嚴格的規定，上面的五個部分可以按需修改；

第二，給出的例子中可能包含{}、**、<>等符號，這些符號也是提示詞工程中的小技巧，每種符號都具有特定的功能，可以把一個純自然語言的段落轉變成一個類似于“程序”的指令集。

03 字節的“提示詞工廠”

在明確提示詞的編寫流程后，就該思考這套方法的實用性了。

很明顯，如果按部就班地完成每個步驟，工作量已經接近于寫一篇作文。

換個角度來看，我們需要使用提示詞讓AI完成任務，而寫提示詞恰好就是一項任務。

因此，我們可以再偷個懶，干脆讓AI把提示詞也幫著寫完得了。

字節在6月推出了一款名為PromptPilot的產品，是面向大模型應用的全鏈路優化平臺。

平臺介紹中提到，該產品不僅可以提供精準、專業、可持續迭代的提示詞，還可以覆蓋大模型開發從構想、開發部署到迭代優化的全過程。

該產品免費試用至2025年9月11日，鏈接：https://promptpilot.volcengine.com/home

眼見為實，下面我們來試用一下看看效果如何。

主界面UI看上去很簡潔，功能主要有三個：Prompt生成、Prompt優化和視覺理解Solution。

由于本篇文章主要討論提示詞相關內容，因此只介紹前兩個功能。

圖：PromptPilot使用流程圖

對于沒有提示詞編寫經驗的用戶，可以直接在平臺上生成結構化的提示詞：

圖：生成提示詞界面

任務描述并不需要太復雜，只要表達清楚就好，也不必擔心描述不夠精細，后面還可以進行調整。

這是平臺生成的初版提示詞，雖然尚不完備，可能與用戶的詳細需求仍然存在差異，但其效果已經遠比使用短句給AI下達命令要好。

接下來，需要驗證這份提示詞的效果究竟如何。點擊“驗證Prompt”進入調優環節：

圖：選擇調優模式

PromptPilot提供了兩種調優模式，評分模式類似于“簡答題”，需要用戶填寫分數、評價意見（可選）和理想回答（可選），GSB比較模式則類似于“選擇題”，需要用戶對答案進行比較，并給出Good、Same和Bad的判斷。

提示詞的重要性我們已經提過很多次，因此更推薦選擇評分模式。

圖：調優界面

選擇評分模式進入調優界面后，需要進行幾項設置：

首先，如果用戶覺得提示詞無法滿足需求，可以使用“一鍵改寫Prompt”。

然后，在提示詞中可以看到熟悉的標識{{AI_NEWS}}，表示這里需要填入相關領域的AI新聞。點擊“填寫變量”，將新聞內容粘貼進去即可。

PromptPilot還提供了一項很貼心的服務：AI生成變量內容。

也就是說，如果我們并沒有足夠的新聞，就可以讓AI現編一條。這個功能在不需要信息真實性的情況下能幫上大忙，快速構造數據集就靠它了。

不過，我們需要真實新聞才能發布文章，而有些聰明的模型可以識別出虛假的新聞，因此這里還是不要使用AI生成變量內容。

最后，在模型回答窗口中可以自由選擇大模型版本，其中DeepSeek和豆包的部分版本免費。

這里，考慮嘗試一下豆包的新模型：Doubao-Seed-1.6-Thinking，開啟深度思考功能。

完成上述設置后，點擊“保存并生成模型回答”，平臺會調用選擇的模型，按照給定的提示詞開始編寫文章。生成文章后，需要點擊“添加至評測集”。

只靠一篇文章是無法衡量提示詞質量的優劣的，因此我們需要更多的數據來進行評判。

圖：評測數據集界面

與前面的操作相同，我們需要把新聞粘貼至評測數據集中的AI_NEWS一列。

點擊“生成全部回答”，模型開始編寫對應的文章。

評分同樣可以由AI完成，點擊“智能評分”-“AI評分標準”-“生成評分標準”即可獲得一套較為詳細的評分標準，用戶可以在此基礎上進行修改或是直接使用。

開啟智能評分功能后，AI在文章編寫文章后會自動生成評分及理由。需要注意的是，智能評分功能并不完善，經常出現全是滿分的情況，而這樣的評分對于調優Prompt沒有意義。

當然，這個環節也可以由我們手動完成，主觀的評閱意見能夠使文章的風格更接近于理想中的狀態。但新聞數量較多時，人工評閱的工作量還是有些過大。

這個時候，就又輪到“老朋友”工作流登場了。

既然PromptPilot是火山引擎的工具，而大模型我們又選擇了豆包，因此工作流我們也選擇字節系的Coze進行開發。

圖：AI生成文章評分工作流

工作流的結構很簡單，開始節點接收兩個參數：news（原始新聞）和article（AI生成的文章）。

大模型節點用來進行評分，同樣將上面兩個參數作為輸入，并開始編寫提示詞。

既然研究AI，當然提示詞也要讓AI來生成。需要注意的是，適當提高文章評分的區分度，有助于提示詞的優化。

因此，我讓AI生成了一份評分標準，并告知需要嚴格評判產生區分度，并生成了對應的結構化提示詞。

圖：AI評分提示詞|

提示詞編寫完成后，大模型節點的模型同樣選擇豆包·1.6·深度思考·多模態。

現在，只需要運行工作流，把新聞原文和AI生成的文章粘貼進去就可以得到評分及打分理由，完成后粘貼到PromptPilot中即可。

最終，數據集包含36條新聞及對應文章，開始進行提示詞的智能優化。

圖：智能優化界面

可以看到，平臺推薦的數據是50條以上并給出理想回答，但這并非必須。只有評分是必須項。

智能優化環節花費了約17分鐘，迭代了28次，結果如下：

圖：智能優化結果

這樣，我們就得到了一份優化后的提示詞，相比上一版提示詞增加了更多任務描述和細節。

下拉該頁面還可以看到根據新的提示詞生成的文章，這里就不一一展示了。

但還請不要忘記，提示詞工程并非到此而止，而是可以繼續通過添加數據、評分和理想回答的方法進行下一輪優化，直到它能夠完全滿足需求。

至此，我們已經掌握了一套標準化的用于優化提示詞的方法。

而事實上，這個過程就是我們常常提到的——強化學習。

04 結語

回到最初的問題：為什么同樣的AI，在不同人手中會產生天壤之別？

答案正是提示詞工程——與AI高效寫作的藝術與科學。

它并非計算機行業的專利，而是未來人們需要具備的基礎素養。

掌握它，意味著駕馭AI，擁有放大自身價值的能力。

然而，知易行難。“知道”結構化提示詞的重要性，與“做到”在每次向AI提問時熟練運用，中間還存在一道不那么容易跨越的鴻溝。

坦誠地說，字節跳動當前版本PromptPilot遠非完美，也絕非終點。

請不要指望它能一鍵生成滿足所有精細化需求，同時還擁有絕佳效果的“神級”提示詞。

在面對較為復雜或創新需求的任務時，我們會清楚地感受到它提供的框架仍然有所局限。

同時別忘了，它也有一定的使用門檻，需要我們花時間去學習、去配置、去適應。

但與此同時，這也揭示了PromptPilot的核心價值：它并非“答案機”，而是“思維矯正器”。

在學習和使用PromptPilot的過程中，它強行打破了我們用大白話隨口一問的慣性。

它的結構化編輯器更像是一個“思維腳手架”，也許本身并不美觀，但能保證搭建出的建筑地基穩固、結構完整。

而它的存在，能夠幫助那些面對AI聊天框總是無從下手，或是因AI輸出質量不佳而苦惱的用戶，完整從0到1的初次躍遷。

它的目標用戶，并非那些隨手寫出上百字的復雜指令的提示詞工程師，而是每一個希望告別低效提問，著手建立系統化和結構化思維的“學生”。

最終，在熟練掌握思維模式后，我們可能不再使用PromptPilot，但已經具備了與AI高效對話的底層能力。

而這，正是AI時代真正的通行證。