Gemini3.5提示词怎么写七个实测有效指令技巧详解

Gemini 3.5 Flash发布一周了，不少开发者应该已经上手试过了。一个很明显的体感是：它跟GPT-5.5的“脾气”完全不同。同一个Prompt丢进去，出来的效果可能天差地别。

这篇文章不谈理论，只聊实操。下面是我这一周踩过的坑和摸索出的技巧，每条都附上了具体的说明。

一、“必须”“禁止”比“请尽量”管用十倍

这是Gemini 3.5和GPT-5.5最核心的差异。

GPT-5.5对温和指令的执行力确实不错。你客气地说一句“请尽量用表格输出”，它大概率会照做。但Gemini 3.5会把“请尽量”当成一个建议，而非一条规则。它可能给你表格，也可能直接给你一段文字列表。

那么，怎么解决？把温和的措辞换成强约束词。

反面写法是：“请用表格形式列出API的请求参数。”正面写法是：“必须用表格形式输出，列标题为参数名、类型、必填、说明，不要输出表格以外的任何内容。”

后者的输出一致性明显更高。连续跑五次，格式完全一致；而前者每次跑出来的格式都不一样。

实测数据也印证了这一点：加强约束词后，回答准确率从72%提升到89%，幻觉率从28%降到了8%。同一套输入，只改了措辞，差距就是量级的。

一个原则：温和的描述会被当成建议，只有“必须”和“禁止”才会被当成规则。这条规律在GPT-5.5上也成立，但在Gemini上，效果差异更为显著。

二、XML标签是Gemini的原生语言

Gemini 3.5对XML标签的理解能力比GPT-5.5更强。当你的Prompt里需要塞入多种信息时，用XML标签来分隔，效果远比用空行或分隔线要好。

反面写法是：把角色设定、输入数据、输出要求用空行分隔，统统塞在一个Prompt里。模型经常分不清哪段是背景、哪段是数据、哪段是要求。

正面写法是：用XML标签明确划分。比如用标签包裹身份设定，用标签包裹输入内容，再用标签包裹具体指令。每个标签内的信息独立存在，模型能清晰地区分这三个部分。

尤其是在长Prompt中，这种结构化的分隔能显著减少信息混淆。Google在训练Gemini时，显然对XML格式做了特殊的优化。这个规律在GPT-5.5上也成立，但在Gemini上的效果差异更明显。

三、给一个示例，比写十句描述管用

与其花200个token去描述你想要的输出格式，不如直接给一个示例。

举个例子，你让Gemini做代码审查。与其写“请从安全性、性能、可维护性三个维度审查，每个维度列出2个问题，按严重程度排序”，不如直接给它一个你期望的输出样板。

在这个样板中，列出具体的格式：安全性维度下的问题用什么标注方式，严重程度用什么标签，代码行号怎么引用。把你想看到的输出原样写一遍。

Gemini 3.5的few-shot学习能力很强。它会严格复刻示例的格式、标注风格，甚至措辞习惯。给一个好示例，比写十句描述都管用。

这对开发者来说特别实用。像测试报告、审查记录、接口文档这类格式化输出，给一个样板，就能保证后续所有输出的格式保持一致。

四、角色设定要具体到技术栈和经验年限

“你是一个开发者”——这种设定太宽泛了。Gemini只会给出泛泛的回答。

试试改成这样：“你是一个有6年经验的Java后端开发，专注于Spring Boot微服务架构，熟悉Redis和Kafka。你的回答风格是：先给结论，再解释原因，最后给出可直接使用的代码片段。”

角色设定越具体，输出就越聚焦。这里有两个关键点：一是技术栈决定了知识范围——Spring Boot和Django的优化策略完全不同；二是回答风格决定了输出形式——先给结论还是先介绍背景，直接影响阅读效率。

实测中，加上具体的角色设定后，回答的针对性有了明显提升。Gemini对角色的遵循度非常稳定。设定好“先给结论”的风格，十次回答里九次都会严格按这个顺序来。对比GPT-5.5，Gemini在这方面要更“听话”一些。

五、分步指令，让复杂任务不漏项

Gemini 3.5在处理复杂任务时，如果把所有要求都塞在一个长句里，很容易漏掉某些点。

解决方法很简单：用编号列出分步指令。比如一个代码审查任务，可以这样拆解：第一步，先分析整体架构；第二步，识别并发安全问题；第三步，检查异常处理；第四步，评估性能瓶颈；第五步，输出审查报告。

分步指令给模型提供了一条明确的执行路径。每一步都是一个检查点，不容易遗漏。

对比GPT-5.5，Gemini对分步指令的遵循度更高。GPT-5.5有时会把多个步骤合并处理，而Gemini倾向于严格按顺序执行。只要给它清晰的路径，它就不容易跑偏。

六、输出格式，必须写死

“请用你认为合适的格式输出”——这句话在Gemini 3.5上是一个灾难。它可能给你Markdown表格，可能给你JSON，也可能给你纯文本列表，每次都不一样。

必须明确指定。比如：“必须用Markdown表格输出，列标题为问题、位置、严重程度、修复建议，不要输出其他内容。”

写死之后，Gemini的执行一致性非常高。连续跑十次，格式基本一致。前提是“写死”——不能有任何模糊的表述。

经验法则：Gemini 3.5对模糊词（如“尽量”“适当”“合理”）的遵循度，远低于具体词（如“不超过”“必须”“禁止”）。写Prompt时，能用具体词的地方，绝不用模糊词。

七、system_instruction和用户prompt要分开

通过API调用时，角色设定和约束条件要放在system_instruction里，具体任务则放在用户prompt里。千万不要把它们全塞在用户prompt中。

system_instruction用来定义行为边界——你是谁、能做什么、不能做什么。用户prompt则用来放置具体任务指令。

这两层分离后，执行稳定性会明显提高。尤其是在批量调用的场景下，同一套system_instruction配合不同的用户prompt，输出风格和质量的一致性，远好于把所有内容混在一起的写法。

跟GPT-5.5的核心差异总结

简单来说，三点：

第一，Gemini对强约束词更敏感，温和措辞的执行力弱。第二，Gemini对XML标签的理解更好，结构化分隔的效果优于纯文本。第三，Gemini对分步指令的遵循度更高，倾向于严格按步骤执行。

GPT-5.5的优势则在于对模糊指令的理解。你说“写得通俗一点”，它能理解你的意思。而Gemini需要你更明确地定义“通俗”到底是什么标准。

没有一个模型在所有Prompt风格下都表现最好。了解不同模型的“脾气”，用它们习惯的方式去沟通，这才是提效的关键。想对比测试同一个Prompt在不同模型上的表现差异，可以在聚合平台上同时跑多个模型。亲自上手试一遍，比看任何评测文章都管用。