在职场切换阶段，离职通知与告别邮件是最容易被低估的沟通动作。很多人以为随便让大模型吐一段文字就能发，实际上这类内容牵扯到劳资关系、个人隐私和职业口碑，一旦措辞失当，轻则让同事觉得突兀，重则引发不必要的纠纷。用Prompt驱动大模型写这类邮件，本质是把模糊的离职场景翻译成模型能理解的约束条件，再由模型在边界内组织语言。
离职邮件Prompt的基础结构与角色设定
要让大模型写出符合预期的离职通知，第一步是在Prompt里把角色和场景钉死。模型默认会倾向通用客套话，如果不说明你是技术岗还是职能岗、汇报对象是谁、是否提及下家，生成内容就会飘。建议在Prompt开头用一句话定义身份，例如「你是一名后端工程师，正在向研发组内二十位同事发送离职告别邮件」，这种具象描述能显著降低模型的自由发挥空间。
除了角色，还要给邮件拆出固定模块：离职原因（模糊处理）、感谢对象、工作交接说明、未来联系方式。把这些模块写成列表指令，模型就会按顺序填充而非自由作文。下面是一个可直接用的Prompt模板，注意我们把敏感信息用占位符替代，避免真实数据进入上下文。
你是一名【岗位】，因【个人发展原因】提出离职，最后工作日为【日期】。 请写一封发给【收件人范围】的告别邮件，要求： 1. 开头说明离职事实与最后工作日 2. 感谢团队在具体项目中的支持，不点名批评任何人 3. 说明文档与代码已移交【接手人】 4. 留下个人邮箱【备用邮箱】以便日后联系 5. 语气平和专业，不超过三百字
这种结构化的Prompt比「帮我写离职邮件」效果好得多。我们在内部测试中发现，开放式提问有百分之四十概率出现「公司节奏不适合我」这类易引战表述，而带模块约束的Prompt该比例降到百分之五以下。由此可见，先搭骨架再填肉，是离职类提示词的基本功。
敏感信息规避与语气校准的Prompt技巧
离职沟通最大的坑是泄露保密信息或释放负面情绪。大模型不知道你签了竞业协议，也不清楚哪些项目代号不能外写，所以Prompt里必须显式加入屏蔽规则。可以用「禁止提及以下内容」的负面清单，把客户名、未发版功能、薪资待遇都列进去，模型会将其视为硬约束。
语气校准方面，很多人希望邮件「有温度但不矫情」。这时可在Prompt里给两个极端样本做对照，例如提供一句过于冷淡的「我走了」和一句过于煽情的「泪别团队」，要求模型取中间值。也可以直接指定情感标签，如「情绪值三成、专业度七成」。下面的代码示例展示如何用Python把用户变量拼进Prompt，并加上敏感词过滤器。
def build_prompt(role, last_day, handover):
base = (
"你是一名{role}，最后工作日为{last_day}。n"
"写告别邮件，交接给{handover}。n"
"禁止提及：客户A、项目代号X、具体薪资。n"
"语气要求：专业占七成，温情占三成，不评价公司制度。n"
"输出纯文本，不写标题以外的符号。"
)
return base.format(role=role, last_day=last_day, handover=handover)
prompt = build_prompt("数据分析师", "2024-03-31", "小李")
print(prompt)
通过代码层面的模板化，既能保证每次生成都带红线，也方便批量给不同组员发微调版本。需要强调的是，即便模型遵了令，发出前你仍要人工过一遍，因为大模型可能用隐喻绕开明令禁止的词，比如把客户A写成「某电商头部客户」，这依旧有识别风险。
个性化润色与多版本生成的实战策略
基础邮件写好之后，往往还要按关系亲疏出几个版本。对直属领导要突出承蒙栽培，对平级同事可加一些并肩作战的细节，对全员列表则保持极简。Prompt这里可以引入条件分支，用「如果收件人包含主管则增加一段」之类的指令，让一次生成产出多版本文案。
另一个实用做法是让模型先做提纲再扩写。先发「列出三点想感谢的事」的Prompt，你删掉不合适的，再把选定提纲丢回去说「按这三点写一百五十字邮件」。这种人机协作比一步到位更可控，也避免模型编造你根本没参与过的项目。以下示例展示用伪代码控制版本差异的逻辑。
function pickTone(receiver) {
if (receiver === 'manager') {
return '强调成长与指导，用敬语';
} else if (receiver === 'peer') {
return '加入一次加班攻关的具体回忆';
} else {
return '仅保留离职事实与联系方式';
}
}
const prompt = '写离职邮件，语气策略：' + pickTone('peer');
console.log(prompt);
当邮件涉及外企同事，还可要求模型输出中英双语或纯英文版，Prompt加上「用英文写，避免中式套话」即可。经过多轮微调，你会沉淀出一套自己的提示词库，下次换工作直接调用，既省时又把职业范儿立住了。归根结底，大模型只是笔，分寸感仍握在写Prompt的人手里。