让大模型写一篇教程，听起来是最简单的任务之一，但实际操作中翻车率却出奇地高。你让腾讯元宝写一份AI工作流搭建教程，它可能先给你讲三段人工智能发展史，再罗列七八款工具，最后才不情不愿地进入正题，而正题部分又写得松散潦草。这就是典型的内容发散问题：模型在缺乏强约束的情况下，倾向于面面俱到，结果每一块都浅尝辄止。要解决这个问题，关键不在于换模型，而在于把提示词写得更有收敛性。
为什么教程类提示词特别容易发散
教程是一个边界模糊的任务类型。同样叫AI工作流教程，可以是面向零基础用户的操作指南，也可以是面向工程师的方案设计文档，还可以是产品评测性质的对比分析。当你只丢给元宝一句写一份AI工作流教程时，模型会自行猜测你的意图，而它的猜测倾向于覆盖尽可能多的可能性，因为从训练目标看，覆盖面广通常意味着更安全。
另一个发散来源是概念关联。AI工作流这个话题本身关联了大量子概念：提示词工程、Agent框架、Dify和Coze这类平台、RAG、函数调用等等。模型在生成时会不断被这些关联概念吸引，写着写着就偏离主线。理解这一点很重要，因为它告诉我们约束的方向：不是不让模型提这些概念，而是明确规定哪些可以提、提到什么程度、在哪个位置提。
此外，元宝这类对话产品通常有较长的上下文窗口，如果你在多轮对话中先聊了别的话题再要求写教程，前文内容也会被模型当作参考素材掺进教程里，进一步加剧发散。所以写教程提示词时，开一个新会话往往是成本最低的收敛手段。
四个核心约束手段：角色、结构、篇幅、示例
第一，用角色限定收窄视角
角色设定不是装饰，而是直接决定内容的取舍口径。对比下面两种写法：
发散写法：帮我写一篇AI工作流教程。 收敛写法：你是一名专注于办公自动化方向的教程作者， 只写腾讯元宝和IMA搭配使用的实操教程， 不涉及Dify、Coze等开发平台，不讨论行业趋势。
第二种写法里，不涉及和不讨论这两个否定式约束非常关键。很多人写提示词只说要什么，忘了说要什么，而模型恰恰最需要后者来明确边界。角色越具体，边界越清晰，输出越收敛。
第二，用结构模板锁定文章骨架
发散最直观的表现就是结构乱。解决办法是在提示词里直接给出目录骨架，让模型做填空题而不是作文题。例如：
请严格按照以下结构输出，不得增删一级标题： 1. 适用场景与前置准备（不超过200字） 2. 第一步：在元宝中创建自定义智能体 3. 第二步：配置提示词模板与知识库 4. 第三步：串联多个智能体形成工作流 5. 常见报错与解决办法（列3个以内） 每个步骤必须包含操作路径、截图位置说明、预期结果三要素。
这个骨架把每个小节的内容要素都规定死了，模型几乎没有自由发挥的空间。注意不得超过增删一级标题这句话，它能有效防止模型自作主张加一个延伸阅读或者写在最后之类的章节，这些章节正是发散的重灾区。
第三，用篇幅硬指标控制展开程度
篇幅约束要具体到数字。全文不超过1500字，每个小节300字以内，代码示例不超过20行，这样的硬指标比写得简洁一点有效得多。模型对简短这类形容词的理解弹性很大，但对数字的理解相当精确。如果你希望内容更充实，可以反过来用下限约束，比如每个步骤至少给出两个具体操作细节，这样能防止另一种极端，内容过于单薄。
第四，用示例锚定文风和颗粒度
在提示词末尾附上一小段你满意的示例文字，是收敛效果最好的手段之一。示例不需要完整，一两百字即可，但它向模型传递了词汇风格、句式长短、细节颗粒度这三类难以用语言描述清楚的信息。模型模仿示例的能力远强于理解抽象要求的能力，这是提示词工程里性价比最高的技巧。
可直接套用的收敛型提示词模板
把上面四个手段整合起来，下面是一个经过实践验证的模板，你只需要替换方括号里的内容：
# 角色 你是一名[具体领域]的教程作者，写作风格[简洁/口语化/严谨]，只聚焦[具体工具或主题]。 # 任务 写一篇面向[目标读者]的实操教程，主题是[教程主题]。 # 硬性约束 1. 全文[字数]字左右，共[章节]个一级标题，结构如下：[目录骨架] 2. 每个操作步骤必须包含：操作路径、具体参数、预期结果 3. 不涉及：[明确排除的内容1]、[内容2] 4. 不使用营销化表达，不写铺垫和总结性抒情段落 # 输出格式 使用Markdown标题分层，步骤部分用有序列表，配置内容用代码块呈现。 # 示例 [粘贴一段100-200字的满意示例]
使用这个模板时有个细节值得注意：明确排除的内容这一项，建议每次都认真填写。根据实际使用经验，排除项写三条左右效果最好，写得太多反而会稀释约束的权重，模型可能忽略其中一部分。
多轮对话中的发散治理
即使首条提示词写得很好，后续追问也可能让内容跑偏。比如你让元宝扩写第二步，它可能顺手把第三步也改了。治理方法是在每条追问里重复关键约束：
只扩写第二步的内容，其余章节保持原样不动。 扩写时保持每步三要素结构，新增内容不超过300字。
保持原样不动这类指令要显式写出来，不要默认模型能理解。另外，如果对话已经超过十几轮，上下文中的旧内容会开始干扰输出，此时更稳妥的做法是把当前版本复制出来，开新会话粘贴后继续修改。虽然麻烦一点，但比起反复纠正跑偏的内容，总成本反而更低。
收敛之后再谈质量：几个进阶技巧
解决发散只是第一步，收敛之后还可以进一步提升教程质量。第一招是要求模型先输出大纲等你确认再写正文，这个两阶段流程能把结构问题消灭在萌芽状态，避免写完两千字才发现方向不对。第二招是在提示词里加入读者画像，比如读者是每天要用Excel两小时但没写过代码的财务人员，画像越具体，模型对内容深度的把握越准确。
第三招是迭代式反馈。第一版输出后，不要笼统地说写得不好，而是指出具体问题：第二步缺少参数说明，第五步的报错案例太老。具体的负反馈能让模型精准修正，笼统的负反馈则可能触发模型大改，反而引入新的发散。提示词工程的本质是沟通，你说得越清楚，模型回报的结果就越接近预期。
总的来说，让腾讯元宝稳定输出不跑题的教程，核心思路就是把开放性任务改造成约束充分的填空式任务。角色限定划定边界，结构模板锁定骨架，数字指标控制篇幅，示例锚定文风，四板斧下去，内容发散的问题基本可以杜绝。剩下的精力，就可以放到打磨内容本身的质量上了。