将 AI 驯化为 Linux 终端

请分析以下 Nginx 报错日志：```text2023/10/27 10:00:00 [error] 1234#0: *1 open() "/usr/share/nginx/html/favicon.ico" failed```

这样操作后，AI 能够明确知道反引号内的内容是 只读素材，反引号外的内容才是 处理逻辑。这能瞬间降低 AI 的幻觉概率，特别是在处理包含 SQL 语句或系统命令的日志时，防止 AI 试图执行或修改原始数据。

2. 使用标题层级与列表控制上下文

将提示词本身变成一份 Markdown 文档， 可以优化大模型的上下文。

不要堆砌长难句，AI 在处理长文本时注意力会衰减。使用 Markdown 的标题 # 和列表 - 来拆解需求，就像编写 Ansible Playbook 一样清晰。

定义角色与任务

使用二级标题明确上下文，利用列表定义具体的约束条件。

## Role你是一位资深 Linux 系统管理员，专注于 Shell 脚本自动化。## Task编写一个用于备份 MySQL 数据库的脚本。## Constraints- **禁止** 使用 mysqldump，必须使用 mydumper 工具。- **必须** 包含日志轮转功能，保留最近 7 天的日志。- 脚本执行完毕后 **必须** 发送简单的 curl 请求到监控端点。- **不要** 输出任何解释性文字，只输出代码本身。

这种格式利用了 Markdown 的层级特性。标题 # 充当了锚点，告诉 AI 这是一个新的配置段落。列表项 - 则是具体的参数开关。尤其是配合 加粗 语法，能够显著提高 AI 对关键限制条件的遵循度。注意 不要 使用括号进行补充说明，直接把要求写死在列表项里。

在豆包中的得到的结果如下：

#!/bin/bash# 配置参数MYSQL_HOST="localhost"MYSQL_PORT="3306"MYSQL_USER="backup_user"MYSQL_PASSWORD="your_backup_password"BACKUP_BASE_DIR="/data/mysql_backups"LOG_BASE_DIR="/var/log/mysql_backup"MONITOR_ENDPOINT="https://monitor.example.com/mysql-backup-check"RETENTION_DAYS=7# 动态生成备份和日志文件名（基于时间戳）TIMESTAMP=$(date +%Y%m%d_%H%M%S)BACKUP_DIR="${BACKUP_BASE_DIR}/${TIMESTAMP}"LOG_FILE="${LOG_BASE_DIR}/mysql_backup_${TIMESTAMP}.log"# 创建必要目录mkdir -p "${BACKUP_BASE_DIR}" "${LOG_BASE_DIR}"# 日志轮转：删除超过7天的日志文件find "${LOG_BASE_DIR}" -name "mysql_backup_*.log" -type f -mtime +${RETENTION_DAYS} -delete >> "${LOG_FILE}" 2>&1# 开始备份并记录日志echo "[$(date +%Y-%m-%d\ %H:%M:%S)] Starting MySQL backup with mydumper" >> "${LOG_FILE}"mydumper \  -h "${MYSQL_HOST}" \  -P "${MYSQL_PORT}" \  -u "${MYSQL_USER}" \  -p "${MYSQL_PASSWORD}" \  -o "${BACKUP_DIR}" \  --threads=4 \  --compress \  --lock-all-tables \  >> "${LOG_FILE}" 2>&1# 检查备份执行状态BACKUP_EXIT_CODE=$?if [ ${BACKUP_EXIT_CODE} -eq 0 ]; then    BACKUP_STATUS="success"    echo "[$(date +%Y-%m-%d\ %H:%M:%S)] Backup completed successfully. Backup stored at: ${BACKUP_DIR}" >> "${LOG_FILE}"else    BACKUP_STATUS="failed"    echo "[$(date +%Y-%m-%d\ %H:%M:%S)] Backup failed with exit code: ${BACKUP_EXIT_CODE}" >> "${LOG_FILE}"fi# 发送监控请求curl -s -X POST "${MONITOR_ENDPOINT}" \  -H "Content-Type: application/json" \  -d "{\"status\":\"${BACKUP_STATUS}\",\"timestamp\":\"${TIMESTAMP}\",\"backup_dir\":\"${BACKUP_DIR}\"}" \  >> "${LOG_FILE}" 2>&1# 输出最终状态（供crontab等调用时查看）echo "Backup ${BACKUP_STATUS}. Log file: ${LOG_FILE}"exit ${BACKUP_EXIT_CODE}

3. 使用示例代码进行模板填充

这是 90% 的人都不知道的高级技巧。

很多时候我们需要 AI 输出特定格式的 JSON 或 YAML 用于自动化管道。直接告诉它 请输出 JSON 往往不够，它还是会夹杂 Markdown 的解释文本。

这里运用了 Few-Shot Prompting（少样本提示） 的技巧，结合 Markdown 的 嵌套代码块。通过预设一个 yaml 的代码块结构，相当于给 AI 提供了一个填空题模板。AI 会自动忽略所有寒暄和废话，直接生成可以直接写入文件的配置代码。这完美复刻了 deliverable.md 的精神：明确、纯净、即插即用。

复制以下模板并在提示词中使用：

## Goal将用户的自然语言描述转换为 K8s Deployment 配置。## ExampleInput: 部署一个 nginx，使用 1.19 版本，2个副本。Output:```yamlapiVersion: apps/v1kind: Deploymentmetadata:  name: nginx-deploymentspec:  replicas: 2  selector:    matchLabels:      app: nginx  template:    metadata:      labels:        app: nginx    spec:      containers:      - name: nginx        image: nginx:1.19```## Current TaskInput: 部署一个 Redis，使用 6.0 版本，持久化存储挂载在 /data，限制内存 512Mi。Output:```yaml

最后那个空的 ```yaml 是点睛之笔。它像一个未闭合的标签，强烈暗示 AI 立刻开始写代码，不要说话。

豆包中得到的结果截图：

避坑与总结

虽然 Markdown 强大，但要避免 过度嵌套。不要在提示词里使用超过三级的标题，也不要搞复杂的引用块嵌套，这会消耗过多的 Token 并增加 AI 的推理负担。

简单的标题、列表、代码块组合，就是最高效的沟通协议。

从现在开始，可以把每一次向 AI 提问都当成是在编写一个微型的 Markdown 文档。

• •用代码块保护你的命令
• •用标题层次结构化提示词
• •用列表管理你的需求
• •用预设格式锁定你的答案

然后会发现，AI 的智商似乎突然翻倍了！

如果你有更实用的 Markdown 提示词模板，欢迎在评论区分享。