跳转到主要内容
这些方法适用于使用 MiniMax Token Plan 模型。每一节都会给出一个效果欠佳的 Prompt、一个效果更佳的 Prompt，以及为什么后者更容易被模型稳定执行。
直接跳到你关心的章节——日常 Prompt 用「通用原则」，Agent 工作流用「工具调用」，大量素材用「长上下文」。

​
通用原则

​
指令明确具体

模型更适合处理目标、约束和输出要求都明确的任务。请直接说明要做什么、优先考虑什么，以及什么样的结果才算好。 黄金法则： 把你的 Prompt 给一个完全不了解任务背景的同事看。如果他会困惑，模型也会。
效果欠佳：
效果更佳：

​
补充约束的意图

当你解释某个约束为什么重要时，模型更容易做出正确取舍。意图说明尤其适合格式、安全、可访问性和工作流约束。
效果欠佳：
效果更佳：
当模型可能只满足字面要求、忽略真实使用场景时，请补充说明意图。

​
用示例引导输出

精心准备的示例（few-shot 或 multishot prompting）通常比抽象的风格描述更稳定。示例应当：
  • 相关： 贴近你的真实使用场景。
  • 多样： 覆盖边界情况和模糊输入。
  • 具体： 展示真实的输出风格，而不仅是话题。
效果欠佳：
效果更佳：
对于分类、结构化抽取、边界情况判断这类任务，请给出 3 到 5 个差异化示例，而不是单个。
效果欠佳：
效果更佳：
复杂模式匹配任务请给 3-5 个差异化示例。重复同类示例只会浪费 token，无法教会模型新东西。

​
使用 Prompt 模板

对会反复执行的任务，把 Prompt 写成带命名变量的可复用模板。这样更方便用同一套 Prompt 测试多组输入、对比版本、长期保持行为稳定。
效果欠佳：
效果更佳：
变量能让任务、输入和边界条件都保持清晰，方便后续排查生产环境中的回归。

​
匹配输出语言

当输入是多语言混合，或希望输出固定为某种语言时，请明确说明。例如：“即使素材是英文，也请用中文回复。“否则模型通常会跟随主要输入语言。

​
输出与格式

​
用清晰的段落结构

当 Prompt 中包含指令、素材、示例、约束和输出要求等多类内容时，请为每段加上标签，让模型能区分它们。粗体标签或带冒号的小标题比连续段落更清晰。
效果欠佳：
效果更佳：
建议使用简短、语义明确的标签——任务、背景、素材、约束、输出格式。冒号或加粗即可标识每段，结构保持扁平，避免深层嵌套。

​
设定角色、格式与长度

角色设定最好同时说明专业背景、工作范围和判断标准。输出要求最好明确章节、字段和长度限制，方便人和程序一起校验。
效果欠佳：
效果更佳：
推荐使用明确的输出契约，例如章节名称、表格列名、条数限制和讨论范围。对于需要进入下游评审流程的输出，避免只写”详细一点”或”简短一点”。

​
长上下文

Token Plan 模型支持长上下文窗口，输入和输出容量都很大。长上下文效果更好时，通常具备清晰分隔的素材、索引信息，以及放在素材之后的具体任务。

​
任务放在素材之后

对于长输入，请把问题或任务写在素材之后，而不是之前。任务越靠近模型回答位置，越容易保持关注。
在所有长上下文技巧中，把任务放在 Prompt 末尾对回答质量的提升最大。

​
为素材建索引并分隔

效果欠佳：
效果更佳：
对于特别大的输入，可以先要求模型引用或概述每个文档中的关键内容，再开始回答。基于原文引用能降低噪音，也让最终结论更容易核查。

​
工具调用

Token Plan 模型支持工具调用。好的工具调用 Prompt 会定义何时使用工具、何时不要使用、以及如何把工具结果合并进最终回答。

​
工具定义

为每个工具写清楚名称、用途、输入、返回结构和失败处理方式。模型在决定是否调用工具前，应先理解工具契约。
效果欠佳：
效果更佳：

​
并行工具调用

当多个工具调用彼此独立时，明确要求模型并行调用。只有当一个结果会决定下一次查询或动作时，才保持顺序调用。
效果欠佳：
效果更佳：
独立的只读查询适合并行。像「先找到客户，再更新该客户记录」这样的工作流应保持顺序执行。

​
避免过度调用

在 agentic 工作流中，请明确停止规则。模型应该在工具能实质提升回答质量时使用工具，而不是为了显得忙碌。
效果欠佳：
效果更佳：

​
思考与推理

​
控制推理深度

当任务涉及规划、调试、权衡或长链路执行时，可以明确要求模型深入分析；当任务只是抽取、改写或排版时，建议要求模型直接回答。
效果欠佳：
效果更佳：
对于简单请求，可以明确说明不需要深度分析：

​
降低幻觉

对于模型可能编造事实的任务——引用、API 接口、版本相关行为、客户数据——请明确授权它可以拒绝回答，并提供它可以引用的参考资料。
效果欠佳：
效果更佳：
降低幻觉有三种常用做法：
  • 允许拒绝 —— 明确告诉模型在不知道时应该怎么回答。
  • 来源引用 —— 要求模型引用或标注它所使用的素材。
  • 先约束、再生成 —— 在任务之前说明允许使用的来源、时间范围或产品版本，而不是之后再补。

​
长任务与 Agentic 工作流

对长时间运行的任务，每次只给模型少量当前目标。这样更有利于模型维持状态、记录决策，并避免同时推进太多半相关任务。

​
单窗口状态跟踪

模型可以在一个长上下文窗口内保持较强的任务状态。建议把当前计划、进度和待确认问题保留在 Prompt 或项目记录中。
在支持上下文压缩的工具中使用时，例如 Claude Code，请保持 system prompt 简洁。模型在临近上下文容量阈值时，可能出现任务提前终止。

​
多窗口工作流

当任务天然可以分阶段推进时，使用多个窗口。
1

分阶段处理

第一个窗口搭建框架、测试和脚本，后续窗口继续遍历剩余任务。
2

结构化测试

要求模型创建 tests.py 或 tests.json 跟踪测试，有助于长期迭代。
3

初始化脚本

创建 init.sh 启动服务器、运行测试，避免新窗口重复操作。
4

重启 vs 压缩

单个连续任务适合压缩。新任务或方向大幅变化时，建议开启新窗口。
5

充分利用上下文

要求模型在进入下一部分前，把当前部分彻底完成。
长任务建议的 system prompt：

​
评估与迭代

对重要 Prompt，建议像管理产品配置一样管理。保留一小组评估样例，对比不同 Prompt 版本，并记录每次修改的原因。
效果欠佳：
效果更佳：
这个流程可以避免只为了某一个漂亮示例优化 Prompt，却无意中破坏其他常见场景。