要提升chatglm回答的准确性与可控性，需依其架构特点设计提示词：第一步用动词明确任务类型；第二步限定输出格式；第三步前置否定约束；再嵌入真实简洁的领域知识，并用“除非特别说明”固化默认规则；最后以量化指令控制长度、具象化风格要求。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要让ChatGLM输出更准确、可控、符合预期的回答，必须针对其架构特点设计提示词——它对指令明确性、上下文结构和角色设定高度敏感，模糊或冗长的提问常导致泛化回答或逻辑偏移。
明确任务类型与输出格式
第一步：在开头用动词直接定义动作，例如“提取”“改写”“判断”“列出”，避免使用“请帮忙”“能不能”等弱指令表述。ChatGLM对祈使句响应更稳定。
第二步：紧接限定输出格式，如“只输出JSON，字段为{‘result’: bool, ‘reason’: str}”或“用中文分点陈述，每点不超过15字”。不加格式约束时，模型易自行补全解释性内容。
第三步：若需排除某类信息，用否定短语前置强调，例如“不引用任何文献”“不添加主观评价”“不使用比喻修辞”。放在句末容易被忽略。
注入领域知识与约束条件
方法一：在提示词中嵌入最小必要背景信息。例如问法律问题时，写“根据《中华人民共和国劳动合同法》第39条，员工严重失职导致重大损害的，用人单位可解除劳动合同。请据此判断以下情形是否合法……”。模型无法主动调用最新法规条文，缺上下文就只能靠猜测。
方法二：用“除非特别说明，否则……”句式固化默认规则。例如：“除非特别说明，否则所有数字单位统一用‘万元’，保留一位小数，不加逗号分隔。”这比在每轮追问里重复强调更可靠。
【关键前提】所有嵌入的知识必须真实、简洁、无歧义。错误前提会引发模型基于错误逻辑推演，且不会自我质疑。
控制生成长度与风格
用“用一句话概括”“限30字内回答”“分三段，每段首句为结论”等具体指令替代“简要回答”“说得通俗些”这类模糊要求。ChatGLM对量化约束响应精准，对形容词类描述响应不稳定。
需要正式语气时，加一句“采用政府公文语体，禁用口语词和网络用语”；需要技术文档风格时，写“按RFC文档格式组织，含‘摘要’‘适用范围’‘注意事项’三级标题”。风格指令必须具象到可识别的语言特征。
