在实际使用各类 AI 大模型如 DeepSeek、GPT 等进行编程、写作或数据分析时很多人都会遇到一个困惑为什么别人用 AI 能生成高质量、逻辑清晰的代码和文章而自己用同样的模型得到的却是答非所问、逻辑混乱甚至被系统拒绝的结果这其中的关键差距往往不在于模型本身而在于你输入给模型的“指令”——也就是 Prompt提示词。Prompt 工程的核心就是通过精心设计的文字指令引导 AI 模型更准确、更高效地理解你的意图并输出符合预期的结果。它决定了你是将 AI 当作一个强大的“副驾驶”还是只能进行简单问答的“智障”工具。本文将带你深入理解 Prompt 提示词工程的核心原则与实战技巧。无论你是开发者希望用 AI 辅助编程还是内容创作者希望提升文案质量掌握这些技巧都能让你与 AI 的协作效率倍增。我们将从基础概念讲起逐步深入到角色设定、结构化指令、迭代优化等高级技巧并提供大量可直接复用的代码示例和排错指南帮助你避开常见陷阱真正用好 AI 这把利器。1. 理解 Prompt 工程为什么几行字能决定 AI 的输出质量1.1 什么是 Prompt 与 Prompt 工程简单来说Prompt 就是你与 AI 模型对话时输入的第一段话或问题。它不仅仅是“提问”更是一份包含了任务背景、目标、约束条件和输出格式的“工作说明书”。例如“写一个函数”是一个模糊的 Prompt“用 Python 写一个函数接收一个整数列表返回去重后的新列表要求时间复杂度为 O(n)并附上测试用例”则是一个相对清晰的 Prompt。Prompt 工程Prompt Engineering则是系统性地设计、优化和测试这些提示词以从特定模型中获取最佳输出的实践。它不是一个固定的公式而是一种需要结合具体任务、模型特性和上下文进行动态调整的技能。其价值在于优秀的 Prompt 能以极低的成本只是多写几行字显著提升 AI 输出的准确性、相关性和可用性。1.2 模型如何“理解”你的 PromptToken 与上下文要写好 Prompt首先需要了解模型处理文本的基本单位Token。对于大多数大语言模型Token 并不是简单的单词或汉字。一个英文单词可能被拆成多个 Token如 “understanding” - “understand”, “ing”一个汉字通常对应一个 Token。模型有一个固定的上下文窗口如 4K、8K、32K Tokens这限制了单次对话中你能输入和模型能输出的文本总量。当你输入一个 Prompt 时模型会将其转换为一系列 Token并基于其海量训练数据中学习到的统计规律预测接下来最可能出现的 Token 序列从而生成回复。一个模糊、矛盾的 Prompt 会导致模型在预测时面临多种可能性从而产生随机或不理想的输出。而一个清晰、具体的 Prompt 则能极大地限制模型的“想象”空间使其输出聚焦于你期望的方向。1.3 从“智障”到“大神”的 Prompt 核心差距低质量 Prompt 的常见特征模糊不清“帮我写点代码。”写什么代码什么语言实现什么功能缺乏上下文“优化它。”“它”指什么优化的目标是什么指令矛盾“用一句话简要概括然后详细分点论述。”模型无法同时满足“一句话”和“分点论述”。忽略格式不指定输出格式导致回复结构混乱难以直接使用。高质量 Prompt 的通用模板包含以下几个关键要素这也是本文后续章节将详细展开的核心角色设定明确告诉 AI 它应该扮演什么专家角色。任务目标清晰、无歧义地描述你要它做什么。背景与约束提供必要的上下文信息和限制条件。输出格式明确指定你希望回复的结构、语言、长度等。2. 构建高效 Prompt 的核心要素与实战模板2.1 要素一明确的角色设定Role Playing为 AI 设定一个角色能立刻激活其在该领域的“知识库”和“表达风格”。这相当于为你找了一位专属顾问。基础用法在 Prompt 开头直接声明角色。你是一位经验丰富的全栈开发工程师精通 Python 和 Vue.js。进阶用法结合场景与性格你是一位严厉的代码审查专家以发现潜在 bug、性能问题和代码坏味道著称。请用直接、犀利的语言指出问题并给出重构建议。代码示例对比角色设定前后的输出差异假设我们需要一个 Python 数据清洗函数。模糊 Prompt写一个函数清洗数据。可能输出一个极其简单、没有处理边界情况的函数。带角色设定的 Prompt你是一位资深数据科学家擅长处理脏数据。请编写一个名为 clean_numeric_data 的 Python 函数用于清洗一个可能包含字符串、None 和异常值的列表将其转换为浮点数列表。具体要求 1. 将数字字符串如123.4转为浮点数。 2. 将 None 替换为 0.0。 3. 忽略无法转换的非数字字符串如abc并在日志中记录警告。 4. 处理完成后打印清洗前后的数据长度对比。 请返回完整的函数代码并附上一个使用示例。预期输出一个健壮、带有异常处理、日志和验证的函数。2.2 要素二结构化与分步思考Chain-of-Thought对于复杂任务要求模型“一步步思考”或给出结构化步骤能显著提升其推理的准确性和逻辑性。这模仿了人类解决复杂问题时的思维过程。基础用法使用引导词让我们一步步来思考这个问题。首先分析需求的关键点其次设计解决方案的架构最后实现核心代码。进阶用法强制输出特定结构要求模型以特定格式如 JSON、Markdown 表格、编号列表输出其思考过程或结果。实战示例设计一个简单的用户注册 API低效 Prompt设计一个用户注册 API。高效结构化 Prompt你是一位后端架构师。请为一个小型 Web 应用设计一个用户注册 RESTful API。 请按以下步骤和格式输出 【需求分析】 1. 列出该 API 必须处理的输入字段如用户名、密码、邮箱。 2. 列出需要验证的规则如密码强度、邮箱格式、用户名唯一性。 3. 列出成功和失败时应返回的 HTTP 状态码及响应体格式。 【数据库设计】 1. 设计 users 表的字段、类型和约束使用 SQL DDL 语句片段。 2. 说明密码存储的安全考虑。 【API 设计】 1. 端点Endpoint和方法Method。 2. 请求头Headers要求。 3. 请求体Request Body示例JSON 格式。 4. 成功响应示例JSON 格式。 5. 错误响应示例JSON 格式。 【伪代码/关键逻辑】 用 PythonFlask或 Node.jsExpress伪代码写出控制器Controller层的核心处理逻辑包括验证、密码哈希和数据库操作。这种 Prompt 迫使模型进行系统性思考输出结果会非常结构化可直接用于项目讨论或初步开发。2.3 要素三提供示例Few-Shot Learning对于模型难以理解的新概念、特定格式或复杂规则直接在 Prompt 中提供一两个输入-输出示例是最高效的引导方式。这被称为“少样本学习”。适用场景定义非标准的输出格式。解释复杂的业务规则。纠正模型对特定术语的理解。实战示例让 AI 按特定格式生成测试数据假设我们需要生成一批符合内部规范的模拟用户数据。低效 Prompt生成5条用户数据包含ID、名字、年龄和会员等级。输出格式可能五花八门。高效示例 Prompt请生成5条模拟用户数据严格遵循以下 JSON 数组格式其中每个对象代表一个用户 json [ { “user_id”: “自动生成的UUID字符串”, “name”: “中文姓名”, “age”: “介于18到60之间的整数”, “level”: “以下之一青铜、白银、黄金、铂金、钻石” } ]示例 输入无 输出[ { “user_id”: “a1b2c3d4-e5f6-7890-abcd-ef1234567890”, “name”: “张三”, “age”: 28, “level”: “黄金” }, { “user_id”: “b2c3d4e5-f6g7-8901-bcde-f23456789012”, “name”: “李四”, “age”: 35, “level”: “铂金” } ]现在请生成5条新的数据。通过提供一个清晰的输出示例模型几乎能 100% 复现你要求的格式和内容规则。2.4 要素四清晰的约束与边界条件明确的限制可以防止 AI 天马行空确保输出在可控范围内。这对于生成代码、配置或结构化数据尤为重要。常见约束类型技术栈必须/禁止使用某些库、框架、语法。代码规范遵循 PEP 8、命名约定、必须添加注释。输入输出函数签名、参数类型、返回值类型。性能与安全时间复杂度要求、避免 SQL 注入、密码必须哈希。内容与格式字数限制、语言风格、禁止出现的内容。实战示例生成安全的数据库查询代码危险 Prompt写一个 Python 函数根据用户名查询用户信息。模型可能生成包含 SQL 拼接的代码导致注入漏洞。安全约束 Prompt你是一位注重安全的 Python 后端开发者。请编写一个函数 get_user_by_name使用参数化查询parameterized query来防止 SQL 注入从 users 表中查询用户信息。 要求 1. 使用 sqlite3 库假设已连接。 2. 函数接收一个 username 字符串参数。 3. 必须使用 ? 占位符进行参数化查询。 4. 如果未找到用户返回 None。 5. 如果找到返回包含用户 id, username, email 的字典。 6. 包含基本的异常处理。 请只输出函数代码。import sqlite3 def get_user_by_name(db_conn: sqlite3.Connection, username: str): 通过用户名安全查询用户信息。 Args: db_conn: 已建立的数据库连接 username: 要查询的用户名 Returns: dict: 包含用户信息的字典或 None如果未找到 if not username or not isinstance(username, str): return None try: cursor db_conn.cursor() # 使用参数化查询避免 SQL 注入 cursor.execute(“SELECT id, username, email FROM users WHERE username ?”, (username,)) row cursor.fetchone() cursor.close() if row: return {“id”: row[0], “username”: row[1], “email”: row[2]} else: return None except sqlite3.Error as e: # 实际项目中应使用日志记录器 print(f“Database error: {e}”) return None通过添加安全约束我们引导模型生成了更健壮、更安全的代码。3. 针对开发者的高级 Prompt 技巧与场景3.1 代码生成与调试场景生成一个功能模块技巧结合角色设定、结构化思考和约束。示例 Prompt角色你是一位精通现代 Python 和 FastAPI 的专家。 任务为我创建一个简单的待办事项TodoAPI 的 service 层模块。 上下文我已经有 models.py定义了 Todo 的 SQLAlchemy 模型包含 id, title, description, completed, created_at和 schemas.py定义了 TodoCreate, TodoUpdate, TodoInDB 的 Pydantic 模型。 要求 1. 创建 services/todo_service.py。 2. 实现基本的 CRUD 操作创建、读取列表、读取单个、更新、删除。 3. 所有数据库操作使用异步 async_session。 4. 包含适当的错误处理如查找不到资源时抛出 HTTPException。 5. 代码风格符合 PEP 8并添加必要的类型注解和文档字符串。 请直接输出完整的 todo_service.py 文件内容。场景解释和调试复杂错误技巧提供完整的错误信息和相关代码片段。示例 Prompt我在运行以下 Python 代码时遇到了错误。请解释错误原因并提供修复建议。 代码 python def process_items(items): result [] for item in items: result.append(item * 2) return result my_list [1, 2, ‘a’, 4] print(process_items(my_list))错误信息TypeError: can‘t multiply sequence by non-int of type ’str‘3.2 代码重构与优化场景优化现有代码技巧提供原始代码并明确优化目标可读性、性能、内存等。示例 Prompt请重构以下 Python 函数提高其可读性和 Pythonic 程度。目标是让代码更简洁、更符合 Python 社区的习惯。 原始函数 python def filter_and_square(nums): new_nums [] for i in range(len(nums)): if nums[i] % 2 0: new_nums.append(nums[i] ** 2) return new_nums请输出重构后的函数并简要说明你做了哪些改进。*预期输出可能使用列表推导式[x**2 for x in nums if x % 2 0]*3.3 技术方案设计与评审场景为新技术选型提供建议技巧提供详细的上下文和对比维度。示例 Prompt项目背景我们需要为一个中等流量日 PV 约 100 万的内容展示网站选择一个后端缓存方案。数据特点是读多写少缓存的数据结构主要是文章详情JSON和热门列表List。 候选方案Redis vs. Memcached。 请从以下维度进行对比分析并给出你的选型建议 1. 性能吞吐量、延迟 2. 数据结构支持 3. 持久化与高可用 4. 内存管理 5. 社区生态与运维复杂度 请以 Markdown 表格形式输出对比结果并在最后给出总结性建议。4. 常见问题排查与 Prompt 优化迭代即使掌握了技巧在实际使用中仍会遇到问题。以下是典型问题及其排查优化路径。4.1 问题模型输出被截断或不完整现象回复在句子中途突然结束。原因达到了模型的上下文窗口或生成长度限制。解决方案简化 Prompt移除不必要的背景描述只保留核心指令。分步请求将一个大任务拆分成多个子任务分多次对话完成。明确限制在 Prompt 中指定“请用不超过 500 字总结”或“输出关键代码片段即可”。使用续写指令在回复被截断时输入“请继续”或“接着上面的内容完成”。4.2 问题模型输出不符合格式要求现象要求输出 JSON却返回了纯文本描述。原因指令不够强硬或示例不够清晰。解决方案强化指令使用“必须”、“严格遵循”、“请直接输出”等词语。提供模板直接给出你期望的 JSON 键名或 Markdown 表格的表头。使用 Few-Shot提供 1-2 个完整的输入-输出示例。事后修正将不符合格式的输出连同修正指令再次发给模型“以上输出不是有效的 JSON。请将其转换为如下格式的 JSON{...}”。4.3 问题模型理解错误或答非所问现象回复的内容完全偏离了主题。原因Prompt 存在歧义或模型对某些术语有不同理解。解决方案检查歧义重新审视 Prompt 中的代词它、这个和泛指名词数据、结果将其替换为具体指代。定义术语如果使用了专业术语或缩写在 Prompt 开头进行明确定义。增加上下文提供更详细的背景信息帮助模型定位问题领域。换种说法用更简单、更直白的语言重新表述你的需求。4.4 问题遇到内容安全策略拦截如 “invalid prompt” 错误现象提交 Prompt 后收到类似 “your prompt was flagged as potentially violating our usage policy” 的错误。原因Prompt 中可能包含被模型安全过滤器判定为有害、敏感或违反使用政策的内容即使你并非本意。排查与解决避免敏感词检查 Prompt 是否无意中包含了暴力、歧视、违法、侵犯隐私等内容。即使是技术讨论也需注意措辞。调整表述将可能引发误判的直白描述改为更技术性、中性的表述。例如避免详细描述攻击步骤转而询问防御原理。分解任务如果任务本身涉及审查敏感内容尝试将其分解为不涉及具体敏感信息的技术子问题。使用官方 API如果通过第三方工具遇到此问题尝试使用模型官方的 API 或平台其政策解释可能更清晰。阅读政策仔细阅读所用 AI 平台的内容政策了解其边界。4.5 Prompt 优化迭代清单将 Prompt 工程视为一个迭代过程。每次不理想的输出都是优化输入的机会。初始化根据模板角色、任务、上下文、输出格式起草第一版 Prompt。执行与评估将 Prompt 发送给模型评估输出结果。分析差距输出结果在哪些方面不符合预期内容、格式、深度、长度归因与修正如果是内容偏差增加更精确的背景描述或约束条件。如果是格式错误提供更清晰的格式示例或模板。如果是深度不足要求模型“从以下多个角度深入分析...”或“给出更详细的实现步骤”。如果是冗长或缺失明确指定长度限制或要求覆盖关键点。迭代将修正后的 Prompt 再次发送重复步骤 2-4直到获得满意结果。5. 最佳实践与生产环境建议5.1 将优质 Prompt 模板化与资产化不要每次重写。为你的常见任务创建可复用的 Prompt 模板库。代码审查模板固定角色、审查维度性能、安全、可读性、输出格式。API 设计模板固定分析步骤需求、设计、示例、输出格式Markdown。数据转换模板固定输入示例、输出格式、转换规则。 将这些模板保存在文档或代码片段管理工具中形成团队知识库。5.2 为关键操作保留上下文对于复杂的、多轮对话才能完成的任务注意对话上下文的连续性。大部分模型都有上下文长度限制在达到限制前重要的指令和约定可能会被“遗忘”。对于至关重要的约束条件可以在后续提问中适度重申。5.3 理解模型的局限性与定位知识截止模型的知识不是实时的对于最新的框架版本、库的 API 变更可能不了解需要你提供官方文档片段。逻辑幻觉模型可能会“自信地”输出错误代码或事实。对于关键代码和逻辑必须进行人工复核和测试。计算能力模型不擅长精确计算。不要让它执行复杂的数学运算或生成唯一的标识符如不重复的订单号这些应由程序逻辑保证。5.4 安全与合规性考量代码安全AI 生成的代码可能包含安全漏洞如 SQL 注入、硬编码密钥。必须将其纳入团队的代码审查和安全扫描流程。数据隐私切勿在 Prompt 中输入真实的用户数据、密码、API 密钥、令牌等敏感信息。使用模拟数据进行测试。版权与合规对于生成的商业文案、设计等内容需注意版权和合规风险AI 生成的内容不能直接等同于原创。Prompt 工程是一项实践性极强的技能其核心在于通过精准的沟通将人类模糊的意图转化为机器可精确执行的指令。从今天起在向 AI 提问前多花一分钟思考如何设定角色、如何分解任务、如何明确格式你将发现 AI 从一个时灵时不灵的玩具变成了一个真正可靠的生产力伙伴。开始建立你的 Prompt 工具箱并在实际项目中不断迭代和优化它这是用好现代 AI 辅助开发最关键的一步。 Prompt工程实战：从基础到高级，解锁AI大模型高效协作秘诀
在实际使用各类 AI 大模型如 DeepSeek、GPT 等进行编程、写作或数据分析时很多人都会遇到一个困惑为什么别人用 AI 能生成高质量、逻辑清晰的代码和文章而自己用同样的模型得到的却是答非所问、逻辑混乱甚至被系统拒绝的结果这其中的关键差距往往不在于模型本身而在于你输入给模型的“指令”——也就是 Prompt提示词。Prompt 工程的核心就是通过精心设计的文字指令引导 AI 模型更准确、更高效地理解你的意图并输出符合预期的结果。它决定了你是将 AI 当作一个强大的“副驾驶”还是只能进行简单问答的“智障”工具。本文将带你深入理解 Prompt 提示词工程的核心原则与实战技巧。无论你是开发者希望用 AI 辅助编程还是内容创作者希望提升文案质量掌握这些技巧都能让你与 AI 的协作效率倍增。我们将从基础概念讲起逐步深入到角色设定、结构化指令、迭代优化等高级技巧并提供大量可直接复用的代码示例和排错指南帮助你避开常见陷阱真正用好 AI 这把利器。1. 理解 Prompt 工程为什么几行字能决定 AI 的输出质量1.1 什么是 Prompt 与 Prompt 工程简单来说Prompt 就是你与 AI 模型对话时输入的第一段话或问题。它不仅仅是“提问”更是一份包含了任务背景、目标、约束条件和输出格式的“工作说明书”。例如“写一个函数”是一个模糊的 Prompt“用 Python 写一个函数接收一个整数列表返回去重后的新列表要求时间复杂度为 O(n)并附上测试用例”则是一个相对清晰的 Prompt。Prompt 工程Prompt Engineering则是系统性地设计、优化和测试这些提示词以从特定模型中获取最佳输出的实践。它不是一个固定的公式而是一种需要结合具体任务、模型特性和上下文进行动态调整的技能。其价值在于优秀的 Prompt 能以极低的成本只是多写几行字显著提升 AI 输出的准确性、相关性和可用性。1.2 模型如何“理解”你的 PromptToken 与上下文要写好 Prompt首先需要了解模型处理文本的基本单位Token。对于大多数大语言模型Token 并不是简单的单词或汉字。一个英文单词可能被拆成多个 Token如 “understanding” - “understand”, “ing”一个汉字通常对应一个 Token。模型有一个固定的上下文窗口如 4K、8K、32K Tokens这限制了单次对话中你能输入和模型能输出的文本总量。当你输入一个 Prompt 时模型会将其转换为一系列 Token并基于其海量训练数据中学习到的统计规律预测接下来最可能出现的 Token 序列从而生成回复。一个模糊、矛盾的 Prompt 会导致模型在预测时面临多种可能性从而产生随机或不理想的输出。而一个清晰、具体的 Prompt 则能极大地限制模型的“想象”空间使其输出聚焦于你期望的方向。1.3 从“智障”到“大神”的 Prompt 核心差距低质量 Prompt 的常见特征模糊不清“帮我写点代码。”写什么代码什么语言实现什么功能缺乏上下文“优化它。”“它”指什么优化的目标是什么指令矛盾“用一句话简要概括然后详细分点论述。”模型无法同时满足“一句话”和“分点论述”。忽略格式不指定输出格式导致回复结构混乱难以直接使用。高质量 Prompt 的通用模板包含以下几个关键要素这也是本文后续章节将详细展开的核心角色设定明确告诉 AI 它应该扮演什么专家角色。任务目标清晰、无歧义地描述你要它做什么。背景与约束提供必要的上下文信息和限制条件。输出格式明确指定你希望回复的结构、语言、长度等。2. 构建高效 Prompt 的核心要素与实战模板2.1 要素一明确的角色设定Role Playing为 AI 设定一个角色能立刻激活其在该领域的“知识库”和“表达风格”。这相当于为你找了一位专属顾问。基础用法在 Prompt 开头直接声明角色。你是一位经验丰富的全栈开发工程师精通 Python 和 Vue.js。进阶用法结合场景与性格你是一位严厉的代码审查专家以发现潜在 bug、性能问题和代码坏味道著称。请用直接、犀利的语言指出问题并给出重构建议。代码示例对比角色设定前后的输出差异假设我们需要一个 Python 数据清洗函数。模糊 Prompt写一个函数清洗数据。可能输出一个极其简单、没有处理边界情况的函数。带角色设定的 Prompt你是一位资深数据科学家擅长处理脏数据。请编写一个名为 clean_numeric_data 的 Python 函数用于清洗一个可能包含字符串、None 和异常值的列表将其转换为浮点数列表。具体要求 1. 将数字字符串如123.4转为浮点数。 2. 将 None 替换为 0.0。 3. 忽略无法转换的非数字字符串如abc并在日志中记录警告。 4. 处理完成后打印清洗前后的数据长度对比。 请返回完整的函数代码并附上一个使用示例。预期输出一个健壮、带有异常处理、日志和验证的函数。2.2 要素二结构化与分步思考Chain-of-Thought对于复杂任务要求模型“一步步思考”或给出结构化步骤能显著提升其推理的准确性和逻辑性。这模仿了人类解决复杂问题时的思维过程。基础用法使用引导词让我们一步步来思考这个问题。首先分析需求的关键点其次设计解决方案的架构最后实现核心代码。进阶用法强制输出特定结构要求模型以特定格式如 JSON、Markdown 表格、编号列表输出其思考过程或结果。实战示例设计一个简单的用户注册 API低效 Prompt设计一个用户注册 API。高效结构化 Prompt你是一位后端架构师。请为一个小型 Web 应用设计一个用户注册 RESTful API。 请按以下步骤和格式输出 【需求分析】 1. 列出该 API 必须处理的输入字段如用户名、密码、邮箱。 2. 列出需要验证的规则如密码强度、邮箱格式、用户名唯一性。 3. 列出成功和失败时应返回的 HTTP 状态码及响应体格式。 【数据库设计】 1. 设计 users 表的字段、类型和约束使用 SQL DDL 语句片段。 2. 说明密码存储的安全考虑。 【API 设计】 1. 端点Endpoint和方法Method。 2. 请求头Headers要求。 3. 请求体Request Body示例JSON 格式。 4. 成功响应示例JSON 格式。 5. 错误响应示例JSON 格式。 【伪代码/关键逻辑】 用 PythonFlask或 Node.jsExpress伪代码写出控制器Controller层的核心处理逻辑包括验证、密码哈希和数据库操作。这种 Prompt 迫使模型进行系统性思考输出结果会非常结构化可直接用于项目讨论或初步开发。2.3 要素三提供示例Few-Shot Learning对于模型难以理解的新概念、特定格式或复杂规则直接在 Prompt 中提供一两个输入-输出示例是最高效的引导方式。这被称为“少样本学习”。适用场景定义非标准的输出格式。解释复杂的业务规则。纠正模型对特定术语的理解。实战示例让 AI 按特定格式生成测试数据假设我们需要生成一批符合内部规范的模拟用户数据。低效 Prompt生成5条用户数据包含ID、名字、年龄和会员等级。输出格式可能五花八门。高效示例 Prompt请生成5条模拟用户数据严格遵循以下 JSON 数组格式其中每个对象代表一个用户 json [ { “user_id”: “自动生成的UUID字符串”, “name”: “中文姓名”, “age”: “介于18到60之间的整数”, “level”: “以下之一青铜、白银、黄金、铂金、钻石” } ]示例 输入无 输出[ { “user_id”: “a1b2c3d4-e5f6-7890-abcd-ef1234567890”, “name”: “张三”, “age”: 28, “level”: “黄金” }, { “user_id”: “b2c3d4e5-f6g7-8901-bcde-f23456789012”, “name”: “李四”, “age”: 35, “level”: “铂金” } ]现在请生成5条新的数据。通过提供一个清晰的输出示例模型几乎能 100% 复现你要求的格式和内容规则。2.4 要素四清晰的约束与边界条件明确的限制可以防止 AI 天马行空确保输出在可控范围内。这对于生成代码、配置或结构化数据尤为重要。常见约束类型技术栈必须/禁止使用某些库、框架、语法。代码规范遵循 PEP 8、命名约定、必须添加注释。输入输出函数签名、参数类型、返回值类型。性能与安全时间复杂度要求、避免 SQL 注入、密码必须哈希。内容与格式字数限制、语言风格、禁止出现的内容。实战示例生成安全的数据库查询代码危险 Prompt写一个 Python 函数根据用户名查询用户信息。模型可能生成包含 SQL 拼接的代码导致注入漏洞。安全约束 Prompt你是一位注重安全的 Python 后端开发者。请编写一个函数 get_user_by_name使用参数化查询parameterized query来防止 SQL 注入从 users 表中查询用户信息。 要求 1. 使用 sqlite3 库假设已连接。 2. 函数接收一个 username 字符串参数。 3. 必须使用 ? 占位符进行参数化查询。 4. 如果未找到用户返回 None。 5. 如果找到返回包含用户 id, username, email 的字典。 6. 包含基本的异常处理。 请只输出函数代码。import sqlite3 def get_user_by_name(db_conn: sqlite3.Connection, username: str): 通过用户名安全查询用户信息。 Args: db_conn: 已建立的数据库连接 username: 要查询的用户名 Returns: dict: 包含用户信息的字典或 None如果未找到 if not username or not isinstance(username, str): return None try: cursor db_conn.cursor() # 使用参数化查询避免 SQL 注入 cursor.execute(“SELECT id, username, email FROM users WHERE username ?”, (username,)) row cursor.fetchone() cursor.close() if row: return {“id”: row[0], “username”: row[1], “email”: row[2]} else: return None except sqlite3.Error as e: # 实际项目中应使用日志记录器 print(f“Database error: {e}”) return None通过添加安全约束我们引导模型生成了更健壮、更安全的代码。3. 针对开发者的高级 Prompt 技巧与场景3.1 代码生成与调试场景生成一个功能模块技巧结合角色设定、结构化思考和约束。示例 Prompt角色你是一位精通现代 Python 和 FastAPI 的专家。 任务为我创建一个简单的待办事项TodoAPI 的 service 层模块。 上下文我已经有 models.py定义了 Todo 的 SQLAlchemy 模型包含 id, title, description, completed, created_at和 schemas.py定义了 TodoCreate, TodoUpdate, TodoInDB 的 Pydantic 模型。 要求 1. 创建 services/todo_service.py。 2. 实现基本的 CRUD 操作创建、读取列表、读取单个、更新、删除。 3. 所有数据库操作使用异步 async_session。 4. 包含适当的错误处理如查找不到资源时抛出 HTTPException。 5. 代码风格符合 PEP 8并添加必要的类型注解和文档字符串。 请直接输出完整的 todo_service.py 文件内容。场景解释和调试复杂错误技巧提供完整的错误信息和相关代码片段。示例 Prompt我在运行以下 Python 代码时遇到了错误。请解释错误原因并提供修复建议。 代码 python def process_items(items): result [] for item in items: result.append(item * 2) return result my_list [1, 2, ‘a’, 4] print(process_items(my_list))错误信息TypeError: can‘t multiply sequence by non-int of type ’str‘3.2 代码重构与优化场景优化现有代码技巧提供原始代码并明确优化目标可读性、性能、内存等。示例 Prompt请重构以下 Python 函数提高其可读性和 Pythonic 程度。目标是让代码更简洁、更符合 Python 社区的习惯。 原始函数 python def filter_and_square(nums): new_nums [] for i in range(len(nums)): if nums[i] % 2 0: new_nums.append(nums[i] ** 2) return new_nums请输出重构后的函数并简要说明你做了哪些改进。*预期输出可能使用列表推导式[x**2 for x in nums if x % 2 0]*3.3 技术方案设计与评审场景为新技术选型提供建议技巧提供详细的上下文和对比维度。示例 Prompt项目背景我们需要为一个中等流量日 PV 约 100 万的内容展示网站选择一个后端缓存方案。数据特点是读多写少缓存的数据结构主要是文章详情JSON和热门列表List。 候选方案Redis vs. Memcached。 请从以下维度进行对比分析并给出你的选型建议 1. 性能吞吐量、延迟 2. 数据结构支持 3. 持久化与高可用 4. 内存管理 5. 社区生态与运维复杂度 请以 Markdown 表格形式输出对比结果并在最后给出总结性建议。4. 常见问题排查与 Prompt 优化迭代即使掌握了技巧在实际使用中仍会遇到问题。以下是典型问题及其排查优化路径。4.1 问题模型输出被截断或不完整现象回复在句子中途突然结束。原因达到了模型的上下文窗口或生成长度限制。解决方案简化 Prompt移除不必要的背景描述只保留核心指令。分步请求将一个大任务拆分成多个子任务分多次对话完成。明确限制在 Prompt 中指定“请用不超过 500 字总结”或“输出关键代码片段即可”。使用续写指令在回复被截断时输入“请继续”或“接着上面的内容完成”。4.2 问题模型输出不符合格式要求现象要求输出 JSON却返回了纯文本描述。原因指令不够强硬或示例不够清晰。解决方案强化指令使用“必须”、“严格遵循”、“请直接输出”等词语。提供模板直接给出你期望的 JSON 键名或 Markdown 表格的表头。使用 Few-Shot提供 1-2 个完整的输入-输出示例。事后修正将不符合格式的输出连同修正指令再次发给模型“以上输出不是有效的 JSON。请将其转换为如下格式的 JSON{...}”。4.3 问题模型理解错误或答非所问现象回复的内容完全偏离了主题。原因Prompt 存在歧义或模型对某些术语有不同理解。解决方案检查歧义重新审视 Prompt 中的代词它、这个和泛指名词数据、结果将其替换为具体指代。定义术语如果使用了专业术语或缩写在 Prompt 开头进行明确定义。增加上下文提供更详细的背景信息帮助模型定位问题领域。换种说法用更简单、更直白的语言重新表述你的需求。4.4 问题遇到内容安全策略拦截如 “invalid prompt” 错误现象提交 Prompt 后收到类似 “your prompt was flagged as potentially violating our usage policy” 的错误。原因Prompt 中可能包含被模型安全过滤器判定为有害、敏感或违反使用政策的内容即使你并非本意。排查与解决避免敏感词检查 Prompt 是否无意中包含了暴力、歧视、违法、侵犯隐私等内容。即使是技术讨论也需注意措辞。调整表述将可能引发误判的直白描述改为更技术性、中性的表述。例如避免详细描述攻击步骤转而询问防御原理。分解任务如果任务本身涉及审查敏感内容尝试将其分解为不涉及具体敏感信息的技术子问题。使用官方 API如果通过第三方工具遇到此问题尝试使用模型官方的 API 或平台其政策解释可能更清晰。阅读政策仔细阅读所用 AI 平台的内容政策了解其边界。4.5 Prompt 优化迭代清单将 Prompt 工程视为一个迭代过程。每次不理想的输出都是优化输入的机会。初始化根据模板角色、任务、上下文、输出格式起草第一版 Prompt。执行与评估将 Prompt 发送给模型评估输出结果。分析差距输出结果在哪些方面不符合预期内容、格式、深度、长度归因与修正如果是内容偏差增加更精确的背景描述或约束条件。如果是格式错误提供更清晰的格式示例或模板。如果是深度不足要求模型“从以下多个角度深入分析...”或“给出更详细的实现步骤”。如果是冗长或缺失明确指定长度限制或要求覆盖关键点。迭代将修正后的 Prompt 再次发送重复步骤 2-4直到获得满意结果。5. 最佳实践与生产环境建议5.1 将优质 Prompt 模板化与资产化不要每次重写。为你的常见任务创建可复用的 Prompt 模板库。代码审查模板固定角色、审查维度性能、安全、可读性、输出格式。API 设计模板固定分析步骤需求、设计、示例、输出格式Markdown。数据转换模板固定输入示例、输出格式、转换规则。 将这些模板保存在文档或代码片段管理工具中形成团队知识库。5.2 为关键操作保留上下文对于复杂的、多轮对话才能完成的任务注意对话上下文的连续性。大部分模型都有上下文长度限制在达到限制前重要的指令和约定可能会被“遗忘”。对于至关重要的约束条件可以在后续提问中适度重申。5.3 理解模型的局限性与定位知识截止模型的知识不是实时的对于最新的框架版本、库的 API 变更可能不了解需要你提供官方文档片段。逻辑幻觉模型可能会“自信地”输出错误代码或事实。对于关键代码和逻辑必须进行人工复核和测试。计算能力模型不擅长精确计算。不要让它执行复杂的数学运算或生成唯一的标识符如不重复的订单号这些应由程序逻辑保证。5.4 安全与合规性考量代码安全AI 生成的代码可能包含安全漏洞如 SQL 注入、硬编码密钥。必须将其纳入团队的代码审查和安全扫描流程。数据隐私切勿在 Prompt 中输入真实的用户数据、密码、API 密钥、令牌等敏感信息。使用模拟数据进行测试。版权与合规对于生成的商业文案、设计等内容需注意版权和合规风险AI 生成的内容不能直接等同于原创。Prompt 工程是一项实践性极强的技能其核心在于通过精准的沟通将人类模糊的意图转化为机器可精确执行的指令。从今天起在向 AI 提问前多花一分钟思考如何设定角色、如何分解任务、如何明确格式你将发现 AI 从一个时灵时不灵的玩具变成了一个真正可靠的生产力伙伴。开始建立你的 Prompt 工具箱并在实际项目中不断迭代和优化它这是用好现代 AI 辅助开发最关键的一步。