Promptify.ai 官方 Prompt 模板全解析：六大分类实战指南（附可复用模板）

作者：杜有龙
适用读者：大模型开发者、Prompt 工程师、AI 产品经理

在构建企业级 AI 应用时，重复编写低效 Prompt 是常见痛点。而开源项目 Promptify.ai（https://promptify.ai）提供了一套高度结构化、参数化、场景化的 Prompt 模板库，覆盖主流 AI 应用场景。

本文基于其官网分类逻辑（通过“Filters”筛选器组织），系统梳理 六大核心 Prompt 类型，每类包含：

• 分类定义
• 典型应用场景
• 标准模板结构（Jinja2 风格）
• 可直接复制的示例
• 工程化使用建议

助你快速实现 Prompt 的标准化与工业化生产。

---

一、📝 Content Generation（内容生成类）

📌 定义

用于生成原创文本内容，强调风格、语气、格式控制。

🔧 典型场景

• 营销文案
• 社交媒体帖子
• 产品描述
• 故事创作

🧩 标准模板（Jinja2）

jinja2

编辑

1你是一位{{ role }}，请以{{ tone }}的语气，为{{ audience }}撰写一篇关于{{ topic }}的{{ format }}。
2要求：
3- 字数：{{ word_count }}
4- 必须包含关键词：{{ keywords|join(', ') }}
5- 避免使用：{{ avoid_words|join(', ') }}
6
7请直接输出内容，不要解释。

💡 示例调用

python

编辑

1template.render(
2    role="美妆博主",
3    tone="活泼亲切",
4    audience="18-25岁女生",
5    topic="秋冬保湿面霜推荐",
6    format="小红书笔记",
7    word_count=200,
8    keywords=["干皮救星", "平价好用", "不搓泥"],
9    avoid_words=["昂贵", "医美"]
10)

---

二、🔍 Information Extraction（信息抽取类）

📌 定义

从非结构化文本中提取结构化字段，常用于数据清洗与知识入库。

🔧 典型场景

• 简历解析
• 合同条款提取
• 新闻事件要素识别（5W1H）

🧩 标准模板

jinja2

编辑

1你是一个专业的信息提取助手。
2请从以下文本中提取指定字段，若未提及则填"N/A"。
3字段列表：{{ fields|join(', ') }}
4输出格式：JSON（仅输出 JSON，无其他文字）
5
6原文：
7{{ text }}

💡 示例输出

输入字段：["公司名称", "融资轮次", "金额"]
输出：{"公司名称": "智谱AI", "融资轮次": "B轮", "金额": "数亿元"}

✅ 工程提示：配合正则后处理，可直接入库数据库。

---

三、❓ Question Answering（问答推理类）

📌 定义

基于给定上下文回答问题，强调事实一致性，避免幻觉。

🔧 典型场景

• 智能客服
• 企业知识库问答
• 法律/医疗咨询辅助

🧩 标准模板（RAG 友好）

jinja2

编辑

1你是一个{{ domain }}领域专家。请仅基于以下上下文回答问题。
2若上下文无法回答，请回复："根据现有资料无法确定"。
3
4上下文：
5{{ context }}
6
7问题：
8{{ question }}
9
10回答要求：
11- 简洁明确
12- 不编造信息
13- 如引用上下文，请用引号标注

💡 关键设计

• 强制约束 仅基于上下文
• 明确拒绝机制，降低幻觉风险
• 适用于 LangChain / LlamaIndex 的 RetrievalQA 链

---

四、🔄 Text Rewriting（文本改写类）

📌 定义

对已有文本进行风格转换、简化、扩写或本地化。

🔧 典型场景

• 学术论文通俗化
• 广告语优化
• 多语言内容预处理

🧩 标准模板

jinja2

编辑

1请将以下文本按要求改写：
2原文：{{ original_text }}
3
4改写目标：
5- 风格：{{ target_style }}
6- 保留关键信息：{{ key_points|join('; ') }}
7- 长度：{{ length_constraint }}
8
9仅输出改写后文本，无需说明。

💡 风格示例

• target_style: "政府公文" / "抖音短视频口播" / "儿童绘本语言"

---

五、📊 Classification & Judgment（分类判别类）

📌 定义

对输入内容进行标签分类或风险/情感判断。

🔧 典型场景

• 舆情监控
• 内容安全审核
• 用户意图识别（Intent Detection）

🧩 标准模板

jinja2

编辑

1你是一个{{ task_name }}分类器。
2请对以下内容进行判断，仅输出以下标签之一：{{ labels|join(', ') }}
3
4待分类内容：
5{{ input_text }}
6
7注意：不要解释，只输出标签。

💡 输出规范

• 严格限制输出为预设标签
• 便于后续程序解析（如 if response == "违规"）
• 支持多级分类（如：一级标签 + 二级子类）

---

六、💻 Code & Technical（代码技术类）

📌 定义

生成、解释、调试或优化代码。

🔧 典型场景

• 自动化脚本生成
• SQL 查询构建
• 编程教学辅助

🧩 标准模板

jinja2

编辑

1你是一位资深{{ language }}开发者。
2请根据需求生成高质量、可运行的代码。
3
4需求：
5{{ requirement }}
6
7约束：
8- 使用框架：{{ framework }}
9- 包含错误处理
10- 添加必要注释
11- 输出仅为代码，无其他文字

💡 最佳实践

• 结合单元测试要求（如：“请同时生成 pytest 测试用例”）
• 指定 Python 版本、依赖库版本等环境信息

---

🏗️ 工程化落地建议

1. 模板管理：使用 Jinja2 或 string.Template 实现参数化
2. 版本控制：将 .prompt 文件纳入 Git，记录 A/B 测试效果
3. 与 RAG 集成：在 QA 和 Extraction 模板中预留 {context} 插槽
4. 评估指标：针对每类模板定义专属评估标准（如 Extraction 的 F1 值）

---

结语

Promptify.ai 的六大分类体系，本质上是将 Prompt 工程从“艺术”转化为“工程” 的一次重要尝试。掌握这些标准化模板，不仅能提升开发效率，更能确保 AI 应用的稳定性、可维护性与可扩展性。

资源推荐：

• Promptify GitHub（社区版）：https://github.com/prompt-engineering/promptify
• CSDN 专栏：《大模型应用开发：从 Prompt 到 Agent》