用大模型生成菜谱，本质上是一次信息整理与创作的过程。模型的输出质量高度依赖你给出的输入条件：食材描述得越具体，口味、时间、难度等约束越清晰，生成的菜谱就越贴近真实可用。反过来，一句模糊的“给我推荐几个菜”，往往只会换来模型从训练数据里搬出来的通用答案，步骤笼统、用量随意。本文将从提示词的核心要素、结构化写法、常见场景模板和进阶技巧几个角度，完整讲解如何为大模型写出高质量的菜谱生成提示词。
一、菜谱生成提示词的核心要素
一份好的菜谱提示词，通常包含四个关键信息块：食材清单、口味偏好、烹饪条件和输出格式要求。这四块内容决定了模型是“自由发挥”还是“按需定制”。
首先是食材清单。不要只写“有蔬菜”，而要具体到品种和数量，比如“番茄2个约300克、鸡蛋3个、小葱1小把”。数量信息尤其重要，它能让模型据此推算其他调料的用量比例，避免出现“盐适量”这种等于没说的话。如果某些食材是必须用掉的（比如快过期的），可以在提示词中标注“以上食材必须全部使用”，模型会倾向于设计能消耗掉全部食材的组合方案。
其次是口味偏好和饮食限制。这包括辣度（不辣、微辣、重辣）、菜系倾向（川菜、粤菜、家常菜）、忌口信息（不吃香菜、对花生过敏）以及健康目标（低脂、低糖、高蛋白）。忌口信息建议放在显眼位置并用明确的否定词表达，例如“不要使用任何花生和花生制品，家人过敏”，这样模型会将其视为硬性约束而不是参考建议。
第三是烹饪条件，包括可用厨具（只有一口炒锅还是有烤箱、空气炸锅）、时间预算（30分钟内完成）、烹饪难度（新手友好）以及用餐人数。这些条件直接影响模型对烹饪方式的选择——一个只有电磁炉的宿舍场景，显然不适合生成需要猛火爆炒的菜谱。
最后是输出格式要求。明确告诉模型你希望得到什么样的结构，例如“每个菜谱包含菜名、食材用量表、步骤说明、预计耗时和难度等级”，输出会规整很多。不指定格式时，模型的表现并不稳定，有时详细有时简略。
二、结构化提示词的写法与示例
把上面四块信息组织成结构化的提示词，效果远好于一段口语化描述。推荐使用“角色设定 + 条件输入 + 任务指令 + 输出约束”的四段式结构。角色设定能让模型进入专业语境，比如“你是一位擅长中式家常菜的营养师厨师”，后续输出会自带用量精准、注重搭配的风格。
下面是一个可以直接复用的基础模板：
你是一位擅长中式家常菜的厨师，精通食材搭配和营养学。 我手头的食材： - 鸡胸肉 300克 - 西兰花 半颗约200克 - 胡萝卜 1根 - 蒜 3瓣 - 米饭 2人份 我的条件： 1. 口味清淡，不要辣 2. 目标是减脂餐，少油少盐 3. 只有炒锅和蒸锅，没有烤箱 4. 总烹饪时间控制在40分钟内 5. 新手水平，步骤请写详细 请为我生成一份完整菜谱，包含： - 菜名和菜品简介（1-2句话） - 完整食材表（含调料，精确到克或勺） - 分步骤做法（每步说明火候、时间、食材状态判断标准） - 营养成分估算 - 一个可替换食材建议
这个模板的要点在于“分步骤做法”处要求模型写明火候和判断标准。不加这个要求时，模型经常写出“炒至断生”这类对新手毫无帮助的表述；加上之后，输出会变成“中火翻炒约2分钟，直到西兰花颜色变深绿、茎部可以用筷子轻松插入”这种可执行的描述。这就是细节约束带来的质量差异。
另一个实用技巧是要求模型先做搭配分析再给做法。在提示词中加入“请先说明这几种食材的搭配逻辑和营养互补关系，再给出具体做法”，模型会被引导先做推理，生成的菜谱在搭配合理性上明显更好，还能顺便学到一些食材知识。
三、常见场景的提示词模板
不同场景对菜谱的需求差异很大，提示词也应该针对性调整。这里给出三个高频场景的写法。
场景一：清冰箱模式。适合食材零散、想全部消耗的情况。提示词重点是列出全部食材并声明必须用完：
我冰箱里有以下剩余食材，请设计一顿两人晚餐，要求： 1. 所有食材必须全部用掉，不要剩余 2. 最多做两个菜加一个汤 3. 如果某两种食材搭配不合理，请说明原因并给出取舍建议 食材：鸡蛋4个、内酯豆腐1盒、木耳一小把（干）、青椒2个、剩米饭1碗、洋葱半个
这个写法的巧妙之处在于第3条：允许模型提出异议。大模型在食材知识上通常比普通人强，让它指出不合理的搭配，往往能得到“木耳需要提前泡发40分钟，与你的时间预算冲突，建议换成……”这类更有价值的回答，而不是硬凑一个怪菜谱。
场景二：一人食快手菜。重点是时间、分量和清洗成本：
我一个人吃饭，下班到家只有20分钟做饭时间，锅碗越少越好。 请推荐一道一人食主菜，要求： - 一口锅完成，不另外烧汤 - 分量按一人份计算，食材给出精确用量 - 步骤不超过6步 - 考虑到饭后洗碗方便，尽量避免用到多个容器
场景三：技能进阶模式。想学做某道特定菜时，提示词的重心从“生成”转向“教学”：
我想学做红烧肉，请以教学方式讲解： 1. 先列出传统做法的关键成功要素（比如焯水、炒糖色） 2. 解释每个关键步骤的原理（为什么这么做，不这么做会怎样） 3. 给出新手常见失败原因和规避方法 4. 最后提供一份分步菜谱，火候和时间写具体数值
这种写法利用了模型的解释能力，把一份菜谱扩展成一节小课，学习效果远好于单纯拿到步骤清单。
四、进阶技巧：迭代追问与多方案对比
菜谱生成很少一次到位，掌握迭代方法能把一次输出打磨成理想结果。第一轮拿到菜谱后，可以针对性追问，比如“第二步的腌制能不能提前一晚做”“把其中的生抽换成低钠酱油，用量怎么调”“我家孩子嚼不动西兰花茎，怎么处理”。模型保留上下文的能力使得这些追问无需重复背景，改起来很快。
多方案对比也是提升选择效率的方法。在提示词中直接要求“请给出3个方案：一个最省时的、一个最入味的、一个最省事的，并对比各自的优缺点”，一次就能拿到完整的决策依据。这比连续三次单独提问再自己对比要高效得多，而且模型在对比视角下会更认真地权衡不同做法的取舍。
还有一个容易被忽略的技巧是注入失败经验。如果你之前做某道菜失败过，把失败细节告诉模型：“我上次做番茄炒蛋出水很多，蛋也老了”，模型能据此诊断问题（鸡蛋油温不够、番茄炒太久出汁过多）并在新菜谱中针对性地调整步骤，比如先炒蛋盛出、番茄大火快炒收汁后再合炒。这种基于具体反馈的修正，是通用菜谱无法提供的价值。
最后提醒一点：模型给出的烹饪时间和温度是估算值，不同灶具功率、锅具导热差异很大，实际操作时要把它们当作参考起点而非标准答案，尤其是肉类烹饪的熟成判断，务必结合切开观察等直观方法确认。把大模型当作一个知识渊博的厨房顾问，而不是绝对权威，才是用提示词生成菜谱的正确姿势。