1. 引言从“智障”到“大神”的差距就在这几行字你是否也有过这样的经历看着别人用 AI 大模型如 ChatGPT、DeepSeek、Claude轻松生成高质量的代码、文案、分析报告宛如“大神”附体。而自己使用时得到的却是答非所问、逻辑混乱、甚至直接报错“Invalid prompt”的“智障”级回复。这种挫败感相信很多开发者都深有体会。问题的核心往往不在于模型本身而在于你与模型沟通的“语言”——也就是Prompt提示词。Prompt 是用户输入给 AI 模型的指令、问题或上下文信息它直接决定了 AI 理解你意图的深度和广度进而影响输出结果的质量。编写高质量的 Prompt是一门被称为提示词工程Prompt Engineering的技术。本文将为你系统性地拆解提示词工程的核心理念与实战技巧。无论你是想用 AI 辅助编程、生成营销文案、进行数据分析还是仅仅想和 AI 进行更高效的对话掌握这些方法都能让你事半功倍。我们将从基础概念讲起逐步深入到高级策略并提供大量可复制的代码示例和最佳实践帮助你彻底告别“无效提问”让 AI 真正成为你的得力助手。2. 核心概念什么是 Prompt 与提示词工程在深入技巧之前我们必须先理解 Prompt 的本质。你可以把大型语言模型LLM想象成一个拥有海量知识但缺乏主动性的超级实习生。这个实习生非常聪明但你需要给他清晰的“任务简报”Prompt他才能高效地完成工作。Prompt提示词就是你给 AI 模型的输入文本。它可以是一个简单的问题“Python 怎么排序列表”一个复杂的指令“写一个函数接收用户输入的字符串返回其中所有元音字母的数量”或者一段包含角色、背景、格式要求的详细描述。提示词工程Prompt Engineering则是设计、优化和迭代这些提示词以从 AI 模型中获得更准确、更相关、更高质量输出的系统性方法。它不仅仅是“问问题”更是一种与 AI 协作的“编程”或“沟通”艺术。为什么它如此重要成本与效率低质量的 Prompt 会导致多次来回对话消耗更多 Token增加使用成本和时间。一个精准的 Prompt 可能一次就得到理想答案。结果质量模糊的指令得到模糊的结果清晰的指令得到精准的结果。这直接决定了 AI 产出物的可用性。可控性与可预测性通过精心设计的 Prompt你可以引导 AI 的思考路径、输出格式和风格使其行为更符合你的预期减少随机性。常见误区误区一Prompt 就是“聊天”。实际上它更像是在编写一份给 AI 的“微型程序”或“需求规格说明书”。误区二模型越强Prompt 越不重要。恰恰相反越强大的模型如 GPT-4、DeepSeek-V3对 Prompt 的细微差别越敏感优秀的 Prompt 能激发出其全部潜力而糟糕的 Prompt 则可能让它“大材小用”。误区三只有一种“正确”的 Prompt。Prompt 工程是高度依赖场景和目标的需要根据具体任务进行设计和调优。理解了这些我们就可以开始学习如何构建一个强大的 Prompt 了。3. 环境与工具准备你的提示词“实验室”虽然提示词工程的核心是文本但拥有合适的工具和环境可以极大提升你的实验效率和效果。这里我们主要介绍两类工具AI 平台/API 和本地实验工具。3.1 选择你的 AI 模型平台你可以通过以下方式与 LLM 交互Web 聊天界面如 ChatGPT Web 版、DeepSeek Web 版、Claude Web 版等。适合快速测试和日常对话。API 接口如 OpenAI API、DeepSeek API、智谱 AI API 等。适合集成到自己的应用中进行自动化调用和批量测试是开发者进行严肃 Prompt 工程的首选。以 DeepSeek API 为例环境准备步骤如下获取 API Key访问 DeepSeek 官方平台注册账号并创建 API Key。妥善保管此 Key它相当于访问凭证。安装必要的库通常使用requests库来发送 HTTP 请求。# 在命令行中安装 requests 库 pip install requests准备一个简单的测试脚本创建一个 Python 文件用于发送你的 Prompt。# 文件test_prompt.py import requests import json # 你的 DeepSeek API Key请从平台获取并替换 API_KEY your_deepseek_api_key_here # DeepSeek API 的端点 API_URL https://api.deepseek.com/v1/chat/completions # 设置请求头包含认证信息 headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } # 构建你的 Prompt 和请求数据 data { model: deepseek-chat, # 指定模型例如 deepseek-chat, deepseek-coder 等 messages: [ {role: user, content: 请用 Python 写一个函数计算斐波那契数列的第 n 项。} ], temperature: 0.7, # 控制随机性0-1之间越高越有创意越低越确定 max_tokens: 1000 # 控制回复的最大长度 } # 发送 POST 请求 response requests.post(API_URL, headersheaders, datajson.dumps(data)) # 检查响应状态并打印结果 if response.status_code 200: result response.json() # 提取 AI 的回复内容 ai_reply result[choices][0][message][content] print(AI 回复) print(ai_reply) else: print(f请求失败状态码{response.status_code}) print(response.text)运行这个脚本你就能看到 AI 对你第一个 Prompt 的回应。这就是我们进行后续所有 Prompt 实验的基础。3.2 本地实验与笔记工具为了系统性地测试和记录不同 Prompt 的效果建议你使用代码编辑器或 IDE如 VS Code、PyCharm方便编写和运行测试脚本。建立 Prompt 实验笔记可以用 Markdown 文件、Notion、或专门的 Prompt 管理工具记录下每个 Prompt 的版本、意图、输入和输出结果方便对比和回溯。注意 Token 与成本API 调用通常是按 Token 数量计费的。一个中文字符大约相当于 1-2 个 Token。在测试时可以通过设置max_tokens参数来控制生成长度避免不必要的消耗。环境准备好后我们就可以开始学习构建 Prompt 的核心要素了。4. Prompt 构建的核心要素与基础技巧一个有效的 Prompt 通常包含多个要素。我们从最简单的开始逐步增加复杂度。4.1 基础结构角色、指令、上下文、输入与输出格式一个结构清晰的 Prompt 通常包含以下部分角色Role指定 AI 扮演的角色。这能激活模型在该角色领域的知识和表达方式。示例你是一位资深的 Python 后端开发工程师。指令Instruction清晰、具体地告诉 AI 你要它做什么。示例请为我编写一个函数用于验证用户输入的电子邮件地址格式是否有效。上下文Context提供完成任务所需的背景信息、约束条件或示例。示例电子邮件地址应包含“”符号且“”后应有域名部分。请考虑常见的格式但无需检查域名是否真实存在。输入Input提供需要 AI 处理的具体数据可选。示例用户输入是“userexample.com”输出格式Output Format明确指定你希望 AI 以何种形式回复。示例请以 JSON 格式返回结果包含两个字段is_valid(布尔值) 和reason(字符串当无效时说明原因)。将它们组合起来# 一个结构化的 Prompt 示例 prompt 你是一位资深的 Python 后端开发工程师。 任务编写一个函数用于验证用户输入的电子邮件地址格式是否有效。 要求 1. 函数应接收一个字符串参数 email。 2. 有效的电子邮件地址应包含一个“”符号且“”之后的部分应包含一个“.”。 3. 函数应返回一个布尔值True 表示格式有效False 表示无效。 4. 请只进行格式检查无需连接网络验证邮箱是否存在。 请直接给出完整的 Python 函数代码包含函数定义和简单的注释。不要输出任何额外的解释。 将这个 Prompt 发送给 AI你更有可能得到一个直接可用的、符合要求的函数代码块。4.2 进阶技巧一Few-Shot Prompting少样本提示当任务比较复杂或格式要求严格时光靠语言描述可能不够。这时可以提供几个输入-输出的例子让 AI 通过类比来学习你的要求。示例让 AI 将用户查询转换为标准的搜索引擎关键词零样本Zero-Shot仅靠指令。prompt “将以下用户问题转换为更适合搜索引擎搜索的关键词短语‘如何学习 Python 编程’” # AI 可能回复“学习 Python 编程”少样本Few-Shot提供例子。prompt 请将用户问题转换为更适合搜索引擎搜索的关键词短语。 示例 用户问题 “北京明天天气怎么样” 关键词 “北京 明日 天气预报” 用户问题 “推荐几本好看的科幻小说” 关键词 “科幻小说 推荐 书单” 用户问题 “如何学习 Python 编程” 关键词 AI 在看到前两个例子后会模仿其模式更可能输出类似“Python 编程 学习 教程 入门”这样更丰富、更标准的关键词。在代码中使用 Few-Shot Prompting# 文件few_shot_example.py import requests import json API_KEY your_api_key API_URL https://api.deepseek.com/v1/chat/completions headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } data { model: deepseek-chat, messages: [ { role: user, content: 你是一个查询转换器。请将用户问题转换为更适合搜索引擎搜索的关键词短语。 示例 用户问题 “北京明天天气怎么样” 关键词 “北京 明日 天气预报” 用户问题 “推荐几本好看的科幻小说” 关键词 “科幻小说 推荐 书单” 现在请转换以下问题 用户问题 “Python 中如何从列表里删除重复元素” 关键词 } ], temperature: 0.3, # 对于格式模仿任务降低随机性以获得更稳定的输出 max_tokens: 150 } response requests.post(API_URL, headersheaders, datajson.dumps(data)) if response.status_code 200: result response.json() print(转换后的关键词, result[choices][0][message][content].strip()) else: print(请求失败, response.status_code, response.text) # 预期输出可能为“Python 列表 删除 重复元素 方法”4.3 进阶技巧二思维链Chain-of-Thought, CoT对于需要逻辑推理、数学计算或分步决策的复杂问题直接要求答案往往效果不佳。可以鼓励 AI “一步一步思考”展示其推理过程这能显著提高最终答案的准确性。示例一个简单的数学问题糟糕的 Prompt“小明有5个苹果吃了2个又买了3个最后有几个”AI 可能直接输出“6”但你看不到过程也无法判断它是否理解。优秀的 PromptCoT请逐步推理并解答以下问题 问题小明最初有5个苹果。他先吃掉了2个然后又去买了3个新的苹果。请问小明最后有多少个苹果 请一步一步思考。AI 回复可能为1. 小明开始有 5 个苹果。 2. 吃掉 2 个后剩余苹果数5 - 2 3 个。 3. 又买了 3 个苹果数增加3 3 6 个。 4. 所以小明最后有 6 个苹果。这不仅给出了答案还验证了推理过程。在代码生成中的应用你可以要求 AI 先分析需求再设计算法步骤最后编写代码。# 一个要求 CoT 的编程 Prompt 示例 coding_prompt 你是一个经验丰富的算法工程师。请解决以下问题并展示你的思考过程 问题编写一个函数找出一个整数列表中的第二大的数。如果列表元素少于2个则返回 None。 请按以下步骤回复 1. 思路分析简述你将如何解决这个问题可能遇到的边界情况。 2. 算法步骤用伪代码或列表形式列出关键步骤。 3. 代码实现给出完整的 Python 函数代码。 4. 测试用例提供几个测试用例来验证你的函数。 5. 实战案例从零构建一个“代码审查助手” Prompt让我们综合运用以上技巧构建一个实用的“代码审查助手”。这个助手能分析给定的 Python 代码片段并指出潜在的问题和改进建议。5.1 需求分析与 Prompt 设计我们希望助手能检查代码风格PEP 8。识别潜在的 bug如未定义的变量、错误的逻辑。提出性能优化建议。以结构化的、友好的方式输出。第一版 Prompt基础版basic_review_prompt 请审查以下 Python 代码指出其中的问题并给出改进建议。 代码 def calculate_average(numbers): sum 0 for i in range(len(numbers)): sum numbers[i] average sum / len(numbers) return average print(calculate_average([1,2,3,4,5])) 这个 Prompt 能工作但输出可能比较随意比如“这里用了sum作为变量名会覆盖内置函数sum建议改名。循环可以用for num in numbers:更简洁。”5.2 迭代优化增加结构、角色和格式要求第二版 Prompt结构化版structured_review_prompt 角色你是一位严谨且友善的 Python 代码审查专家。 任务对用户提供的 Python 代码进行全面的审查。 请按照以下类别提供反馈如果某个类别没有问题可以写“无” 1. 代码风格与规范 (PEP 8) 2. 潜在 Bug 与逻辑错误 3. 性能与效率优化建议 4. 可读性与维护性建议 5. 其他补充说明 请以清晰、简洁的要点形式列出问题并为每个问题提供具体的修改建议或示例。 待审查的代码 python def calculate_average(numbers): sum 0 for i in range(len(numbers)): sum numbers[i] average sum / len(numbers) return average print(calculate_average([1,2,3,4,5]))### 5.3 最终版集成 Few-Shot 示例处理边界情况 为了让助手更好地理解“优秀反馈”的格式和深度我们提供一个示例。 **第三版 PromptFew-Shot 增强版** python final_review_prompt 角色你是一位严谨且友善的 Python 代码审查专家。 任务对用户提供的 Python 代码进行全面的审查。 请严格按照以下输出格式提供反馈 **代码审查报告** - **代码风格与规范**: - [问题1描述] 建议[修改建议] - [问题2描述] 建议[修改建议] - **潜在 Bug 与逻辑**: - [问题描述] 风险[可能引发的错误] 建议[修改建议] - **性能优化**: - [建议描述] 原因[解释为何能提升性能] - **可读性/维护性**: - [建议描述] - **总体评价与建议**: - [一两句总结] 示例针对另一段代码 用户代码x 10 y 20 result x y print(“结果是” result) 你的输出 **代码审查报告** - **代码风格与规范**: - 运算符周围缺少空格。建议在 和 运算符两侧添加空格如 x 10。 - 字符串拼接类型错误。风险尝试将字符串与整数用 连接会引发 TypeError。建议使用 f-string如 print(f“结果是{result}”)。 - **潜在 Bug 与逻辑**: 无 - **性能优化**: 无 - **可读性/维护性**: - 建议为变量使用更具描述性的名称例如 first_number, second_number, sum_result。 - **总体评价与建议**: - 基础功能正确但需要注意 Python 的语法规范和类型安全建议使用 f-string 进行格式化输出。 现在请审查以下代码 python def calculate_average(numbers): sum 0 for i in range(len(numbers)): sum numbers[i] average sum / len(numbers) return average print(calculate_average([1,2,3,4,5]))### 5.4 运行与结果分析 将 final_review_prompt 通过 API 发送给 AI如 DeepSeek-Chat你可能会得到如下高质量的输出代码审查报告代码风格与规范:变量名sum与内置函数sum()重名。建议重命名为total或sum_val以避免遮蔽内置函数。循环索引变量i未使用其索引值。建议直接迭代列表元素如for num in numbers:。潜在 Bug 与逻辑:未处理空列表或len(numbers)为 0 的情况。风险会导致ZeroDivisionError。建议在计算前检查if not numbers: return 0或抛出异常。性能优化:可以使用内置函数sum()替代手动循环求和。原因内置函数由 C 实现效率更高代码更简洁。可读性/维护性:函数功能单一且清晰这点很好。建议可以添加一个简单的文档字符串docstring说明函数用途。总体评价与建议:函数核心逻辑正确但存在遮蔽内置函数和除零风险的隐患。建议优先使用内置函数并始终考虑输入边界条件。通过这个迭代过程我们得到了一个输出格式统一、分析维度全面、建议具体可行的代码审查助手。这正是精心设计 Prompt 的价值所在。 ## 6. 高级策略与参数调优 除了精心设计 Prompt 文本调用 AI 模型时的参数设置也至关重要。 ### 6.1 关键 API 参数解析 在通过 API 调用时以下几个参数直接影响输出 1. **temperature温度0~1 或 0~2** * **作用**控制输出的随机性。 * **低值如 0.1-0.3**输出更确定、更集中、更可预测。适合代码生成、事实问答、格式严格的场景。 * **高值如 0.7-0.9**输出更多样、更有创意、更不可预测。适合创意写作、头脑风暴、生成多个选项。 * *示例*“写一首关于春天的诗”temperature0.2 可能每次都生成相似的诗而 temperature0.8 则每次风格迥异。 2. **max_tokens最大令牌数** * **作用**限制模型生成回复的最大长度Token 数。 * **设置技巧**根据任务需要预估。设置过小会导致回答被截断设置过大会浪费 Token。对于简短问答可以设为 500-1000对于长文生成可能需要 2000。 3. **top_p核采样0~1** * **作用**与 temperature 类似控制随机性但方法不同。它从累积概率超过 top_p 的最小 token 集合中采样。通常与 temperature 二选一进行调整。 * **常用值**0.9 或 0.95 是常见选择能在保持一定创造力的同时避免过于离谱的输出。 **在代码中设置参数** python # 文件api_parameters.py import requests import json API_KEY your_api_key API_URL https://api.deepseek.com/v1/chat/completions headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } # 为不同的任务设置不同的参数 task_configs { “代码生成”: { “prompt”: “写一个 Python 函数用冒泡排序算法对列表进行排序。”, “temperature”: 0.1, “max_tokens”: 800 }, “创意写作”: { “prompt”: “为一个名为‘星海咖啡’的咖啡馆写一段吸引人的社交媒体广告文案。”, “temperature”: 0.8, “max_tokens”: 300 }, “逻辑推理”: { “prompt”: “一个房间里有一个灯泡房间外有三个开关A、B、C其中只有一个开关控制灯泡。你只能进房间一次。如何确定哪个开关控制灯泡假设灯泡初始状态未知且是普通白炽灯开一段时间会发热请一步步推理。”, “temperature”: 0.3, “max_tokens”: 500 } } task_name “代码生成” # 可以切换任务测试 config task_configs[task_name] data { “model”: “deepseek-chat”, “messages”: [{“role”: “user”, “content”: config[“prompt”]}], “temperature”: config[“temperature”], “max_tokens”: config[“max_tokens”] } response requests.post(API_URL, headersheaders, datajson.dumps(data)) if response.status_code 200: result response.json() print(f“任务{task_name}”) print(f“参数temperature{config[‘temperature’]}, max_tokens{config[‘max_tokens’]}”) print(“回复”) print(result[‘choices’][0][‘message’][‘content’]) else: print(“请求失败”, response.status_code, response.text)6.2 系统提示词System Prompt与对话管理在多轮对话中你可以使用system角色消息来设定 AI 的长期行为准则和身份这比在每轮用户消息中重复说明更有效。# 文件system_prompt_demo.py import requests import json API_KEY “your_api_key” API_URL “https://api.deepseek.com/v1/chat/completions” headers { “Authorization”: f“Bearer {API_KEY}”, “Content-Type”: “application/json” } # 使用 system message 来固定 AI 的角色和行为 data { “model”: “deepseek-chat”, “messages”: [ { “role”: “system”, # 系统指令设定背景 “content”: “你是一个专业的英语写作助手专门帮助非母语者修改和润色英文邮件与文档。你的回复应该专业、简洁、直接专注于语法修正和用词优化不要添加无关的闲聊。” }, { “role”: “user”, # 第一轮用户输入 “content”: “请帮我修改这封邮件’Hi manager, I want a day off tomorrow because I not feel good.’” } # 后续可以继续添加 “assistant” 的回复和新的 “user” 消息来进行多轮对话 ], “temperature”: 0.5, “max_tokens”: 500 } response requests.post(API_URL, headersheaders, datajson.dumps(data)) if response.status_code 200: result response.json() print(“AI 润色后的邮件”) print(result[‘choices’][0][‘message’][‘content’]) # 预期输出可能为“Dear Manager, I would like to request a day off tomorrow due to not feeling well.” else: print(“请求失败”, response.status_code, response.text)7. 常见问题与错误排查在使用 Prompt 和 API 时你可能会遇到一些典型问题。7.1 Prompt 相关错误与优化问题现象可能原因解决思路与优化建议回答笼统、不具体指令过于模糊、宽泛。使用具体化和量化的指令。例如将“写一篇介绍文章”改为“写一篇约 500 字的博客文章介绍 Python 列表的三种常用方法并各举一个例子面向编程新手。”忽略部分要求Prompt 过长或结构混乱AI 可能遗漏中间或结尾的信息。1.结构化使用编号、分节、明确标题。2.重要要求前置把最关键的要求放在最前面。3.结尾重申在 Prompt 末尾用“请确保做到以下几点”来总结关键点。格式不符合预期对输出格式的描述不够明确。1.提供模板直接给出你期望的输出格式样例Few-Shot。2.指定标记语言明确要求“以 JSON 格式输出”、“用 Markdown 表格列出”、“使用 YAML”。产生“幻觉”编造信息问题涉及 AI 知识库之外或过于具体的细节。1.要求注明不确定性在 Prompt 中加入“如果你不确定请说明这一点”。2.提供参考信息将确切的资料、数据作为上下文提供给 AI。3.分步验证对于复杂事实让 AI 先列出信息点你再逐一核查。回复被截断max_tokens参数设置过小。根据任务合理增加max_tokens值。如果生成长文本可以要求 AI 分点或分章节输出或者使用“继续”指令让其接着上文生成。7.2 API 调用与 Token 错误问题现象可能原因解决方案invalid prompt: your prompt was flagged as potentially violating our usage policyPrompt 内容触发了平台的安全或内容策略过滤器。1.审查 Prompt检查是否包含暴力、仇恨、违法或其他不安全内容。2.调整表述用更中立、专业的语言重新描述你的请求。3.简化 Prompt过于复杂或歧义的 Prompt 有时也会被误判尝试拆分任务。sign-in could not be completed token exchange failed或token endpoint returned status 403 forbiddenAPI Key 无效、过期、权限不足或所在区域可能受限。1.检查 API Key确认 Key 是否正确复制是否在请求头中正确设置Bearer {API_KEY}。2.查看账户状态登录平台确认 Key 是否有效、是否有余额、是否被禁用。3.网络与区域确认你的网络环境某些服务可能有区域限制。java.lang.IllegalArgumentException: invalid token(客户端错误)在客户端代码如 Android中处理 Token 时出错可能格式不对或已损坏。检查客户端生成或解析 Token 的代码逻辑确保 Token 字符串的完整性和编码正确。消耗 Token 过快Prompt 过长或max_tokens设置过大导致单次请求成本高。1.精简 Prompt删除不必要的上下文和废话。2.压缩信息用更简洁的语言表达。3.调整max_tokens根据实际需要设置不要盲目设大。8. 最佳实践与工程化建议将提示词工程融入日常开发需要遵循一些最佳实践。8.1 Prompt 设计原则清晰明确优于聪明巧妙AI 不是人它按字面理解指令。直接说“列出三个要点”比说“给我一个简洁的总结”更好。迭代优化而非一次成型很少有 Prompt 能一次完美。准备好进行“提问-评估-修改”的循环。将效果好的 Prompt 保存为模板。分解复杂任务不要试图用一个 Prompt 让 AI 完成一个巨大项目。将其分解为多个子任务通过多轮对话或多个 Prompt 链式调用完成。提供参考范例对于格式要求严格的任务Few-Shot 示例是最有效的方法之一。设定思考框架对于推理问题明确要求“逐步思考”或“先分析再回答”。8.2 代码中的 Prompt 管理当在项目中使用 AI 功能时不要将 Prompt 硬编码在业务逻辑中。# 文件prompt_manager.py # 一个简单的 Prompt 管理示例 class PromptManager: def __init__(self): self.prompts { “code_review”: { “system”: “你是一位严谨的 Python 代码审查专家。”, “template”: “”” 请审查以下代码 python {code_snippet}请按以下类别提供反馈1. 风格规范2. 潜在Bug3. 优化建议。以要点形式列出。 “”” }, “sql_generator”: { “system”: “你是一个 SQL 专家能将自然语言转换为安全、高效的 SQL 查询语句。”, “template”: “”” 数据库表结构 {table_schema}请根据以下描述生成对应的 {dialect} SQL 查询语句 {query_description}注意只输出 SQL 语句不要额外解释。 “”” } # 可以继续添加更多 Prompt 模板 }def get_prompt(self, prompt_name, **kwargs): “””获取并格式化指定的 Prompt 模板””” if prompt_name not in self.prompts: raise ValueError(f“未知的 Prompt 模板{prompt_name}”) prompt_info self.prompts[prompt_name] # 格式化模板注入变量 formatted_prompt prompt_info[“template”].format(**kwargs) return prompt_info[“system”], formatted_prompt使用示例manager PromptManager() system_msg, user_prompt manager.get_prompt( “code_review”, code_snippet“def foo(x): return x*2” ) print(“System:”, system_msg) print(“User Prompt:”, user_prompt)然后将 system_msg 和 user_prompt 用于构建 API 请求### 8.3 安全与合规性 * **敏感信息**绝对不要在 Prompt 中发送密码、API Keys、个人身份信息等敏感数据。 * **内容审核**如果你的应用允许用户自定义 Prompt务必在后端或调用 AI 服务前进行内容安全审核防止生成有害内容。 * **结果验证**对于关键任务如代码生成、数据查询AI 的输出必须经过人工或自动化测试验证切勿直接用于生产环境。 * **理解局限性**AI 会“自信地犯错”幻觉。对于事实性问题务必交叉验证信息来源。 ## 9. 总结从“会用”到“精通”的路径 通过本文的探讨你应该已经意识到与 AI 高效协作的关键在于掌握“如何与它对话”的艺术——即提示词工程。从明确角色指令到运用少样本提示和思维链再到精细调整 API 参数每一步都是提升输出质量的有效杠杆。 **核心要点回顾** 1. **Prompt 是给 AI 的“程序”**要像编写需求文档一样设计它力求清晰、具体、结构化。 2. **要素组合是关键**善用“角色-指令-上下文-示例-格式”这个框架来构建你的 Prompt。 3. **迭代是常态**不要期望一蹴而就通过测试和反馈不断优化你的 Prompt。 4. **工具化你的工作流**将有效的 Prompt 模板化、模块化集成到你的开发流程中。 5. **保持警惕与验证**始终对 AI 的输出保持审慎特别是用于关键决策或生产代码时。 **下一步学习方向** * **深入研究特定领域**针对代码生成、文案创作、数据分析等不同场景探索更专业的 Prompt 模式。 * **探索高级框架**了解如 **ReAct**、**Self-Consistency** 等更复杂的提示策略。 * **学习 AI Agent 概念**如何让 AI 使用工具搜索、计算器、代码执行来完成更复杂的任务。 * **关注模型更新**新的模型如 DeepSeek-V3、GPT-4o往往有新的特性和最佳实践。 记住同一个 AI在“大神”手中是瑞士军刀在“新手”手中可能只是钝刀。区别就在于你是否愿意花时间精心打磨那几行与之沟通的“字”。现在就打开你的编辑器开始设计和测试你的第一个“工程级” Prompt 吧。 提示词工程实战：从基础概念到代码审查助手构建
1. 引言从“智障”到“大神”的差距就在这几行字你是否也有过这样的经历看着别人用 AI 大模型如 ChatGPT、DeepSeek、Claude轻松生成高质量的代码、文案、分析报告宛如“大神”附体。而自己使用时得到的却是答非所问、逻辑混乱、甚至直接报错“Invalid prompt”的“智障”级回复。这种挫败感相信很多开发者都深有体会。问题的核心往往不在于模型本身而在于你与模型沟通的“语言”——也就是Prompt提示词。Prompt 是用户输入给 AI 模型的指令、问题或上下文信息它直接决定了 AI 理解你意图的深度和广度进而影响输出结果的质量。编写高质量的 Prompt是一门被称为提示词工程Prompt Engineering的技术。本文将为你系统性地拆解提示词工程的核心理念与实战技巧。无论你是想用 AI 辅助编程、生成营销文案、进行数据分析还是仅仅想和 AI 进行更高效的对话掌握这些方法都能让你事半功倍。我们将从基础概念讲起逐步深入到高级策略并提供大量可复制的代码示例和最佳实践帮助你彻底告别“无效提问”让 AI 真正成为你的得力助手。2. 核心概念什么是 Prompt 与提示词工程在深入技巧之前我们必须先理解 Prompt 的本质。你可以把大型语言模型LLM想象成一个拥有海量知识但缺乏主动性的超级实习生。这个实习生非常聪明但你需要给他清晰的“任务简报”Prompt他才能高效地完成工作。Prompt提示词就是你给 AI 模型的输入文本。它可以是一个简单的问题“Python 怎么排序列表”一个复杂的指令“写一个函数接收用户输入的字符串返回其中所有元音字母的数量”或者一段包含角色、背景、格式要求的详细描述。提示词工程Prompt Engineering则是设计、优化和迭代这些提示词以从 AI 模型中获得更准确、更相关、更高质量输出的系统性方法。它不仅仅是“问问题”更是一种与 AI 协作的“编程”或“沟通”艺术。为什么它如此重要成本与效率低质量的 Prompt 会导致多次来回对话消耗更多 Token增加使用成本和时间。一个精准的 Prompt 可能一次就得到理想答案。结果质量模糊的指令得到模糊的结果清晰的指令得到精准的结果。这直接决定了 AI 产出物的可用性。可控性与可预测性通过精心设计的 Prompt你可以引导 AI 的思考路径、输出格式和风格使其行为更符合你的预期减少随机性。常见误区误区一Prompt 就是“聊天”。实际上它更像是在编写一份给 AI 的“微型程序”或“需求规格说明书”。误区二模型越强Prompt 越不重要。恰恰相反越强大的模型如 GPT-4、DeepSeek-V3对 Prompt 的细微差别越敏感优秀的 Prompt 能激发出其全部潜力而糟糕的 Prompt 则可能让它“大材小用”。误区三只有一种“正确”的 Prompt。Prompt 工程是高度依赖场景和目标的需要根据具体任务进行设计和调优。理解了这些我们就可以开始学习如何构建一个强大的 Prompt 了。3. 环境与工具准备你的提示词“实验室”虽然提示词工程的核心是文本但拥有合适的工具和环境可以极大提升你的实验效率和效果。这里我们主要介绍两类工具AI 平台/API 和本地实验工具。3.1 选择你的 AI 模型平台你可以通过以下方式与 LLM 交互Web 聊天界面如 ChatGPT Web 版、DeepSeek Web 版、Claude Web 版等。适合快速测试和日常对话。API 接口如 OpenAI API、DeepSeek API、智谱 AI API 等。适合集成到自己的应用中进行自动化调用和批量测试是开发者进行严肃 Prompt 工程的首选。以 DeepSeek API 为例环境准备步骤如下获取 API Key访问 DeepSeek 官方平台注册账号并创建 API Key。妥善保管此 Key它相当于访问凭证。安装必要的库通常使用requests库来发送 HTTP 请求。# 在命令行中安装 requests 库 pip install requests准备一个简单的测试脚本创建一个 Python 文件用于发送你的 Prompt。# 文件test_prompt.py import requests import json # 你的 DeepSeek API Key请从平台获取并替换 API_KEY your_deepseek_api_key_here # DeepSeek API 的端点 API_URL https://api.deepseek.com/v1/chat/completions # 设置请求头包含认证信息 headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } # 构建你的 Prompt 和请求数据 data { model: deepseek-chat, # 指定模型例如 deepseek-chat, deepseek-coder 等 messages: [ {role: user, content: 请用 Python 写一个函数计算斐波那契数列的第 n 项。} ], temperature: 0.7, # 控制随机性0-1之间越高越有创意越低越确定 max_tokens: 1000 # 控制回复的最大长度 } # 发送 POST 请求 response requests.post(API_URL, headersheaders, datajson.dumps(data)) # 检查响应状态并打印结果 if response.status_code 200: result response.json() # 提取 AI 的回复内容 ai_reply result[choices][0][message][content] print(AI 回复) print(ai_reply) else: print(f请求失败状态码{response.status_code}) print(response.text)运行这个脚本你就能看到 AI 对你第一个 Prompt 的回应。这就是我们进行后续所有 Prompt 实验的基础。3.2 本地实验与笔记工具为了系统性地测试和记录不同 Prompt 的效果建议你使用代码编辑器或 IDE如 VS Code、PyCharm方便编写和运行测试脚本。建立 Prompt 实验笔记可以用 Markdown 文件、Notion、或专门的 Prompt 管理工具记录下每个 Prompt 的版本、意图、输入和输出结果方便对比和回溯。注意 Token 与成本API 调用通常是按 Token 数量计费的。一个中文字符大约相当于 1-2 个 Token。在测试时可以通过设置max_tokens参数来控制生成长度避免不必要的消耗。环境准备好后我们就可以开始学习构建 Prompt 的核心要素了。4. Prompt 构建的核心要素与基础技巧一个有效的 Prompt 通常包含多个要素。我们从最简单的开始逐步增加复杂度。4.1 基础结构角色、指令、上下文、输入与输出格式一个结构清晰的 Prompt 通常包含以下部分角色Role指定 AI 扮演的角色。这能激活模型在该角色领域的知识和表达方式。示例你是一位资深的 Python 后端开发工程师。指令Instruction清晰、具体地告诉 AI 你要它做什么。示例请为我编写一个函数用于验证用户输入的电子邮件地址格式是否有效。上下文Context提供完成任务所需的背景信息、约束条件或示例。示例电子邮件地址应包含“”符号且“”后应有域名部分。请考虑常见的格式但无需检查域名是否真实存在。输入Input提供需要 AI 处理的具体数据可选。示例用户输入是“userexample.com”输出格式Output Format明确指定你希望 AI 以何种形式回复。示例请以 JSON 格式返回结果包含两个字段is_valid(布尔值) 和reason(字符串当无效时说明原因)。将它们组合起来# 一个结构化的 Prompt 示例 prompt 你是一位资深的 Python 后端开发工程师。 任务编写一个函数用于验证用户输入的电子邮件地址格式是否有效。 要求 1. 函数应接收一个字符串参数 email。 2. 有效的电子邮件地址应包含一个“”符号且“”之后的部分应包含一个“.”。 3. 函数应返回一个布尔值True 表示格式有效False 表示无效。 4. 请只进行格式检查无需连接网络验证邮箱是否存在。 请直接给出完整的 Python 函数代码包含函数定义和简单的注释。不要输出任何额外的解释。 将这个 Prompt 发送给 AI你更有可能得到一个直接可用的、符合要求的函数代码块。4.2 进阶技巧一Few-Shot Prompting少样本提示当任务比较复杂或格式要求严格时光靠语言描述可能不够。这时可以提供几个输入-输出的例子让 AI 通过类比来学习你的要求。示例让 AI 将用户查询转换为标准的搜索引擎关键词零样本Zero-Shot仅靠指令。prompt “将以下用户问题转换为更适合搜索引擎搜索的关键词短语‘如何学习 Python 编程’” # AI 可能回复“学习 Python 编程”少样本Few-Shot提供例子。prompt 请将用户问题转换为更适合搜索引擎搜索的关键词短语。 示例 用户问题 “北京明天天气怎么样” 关键词 “北京 明日 天气预报” 用户问题 “推荐几本好看的科幻小说” 关键词 “科幻小说 推荐 书单” 用户问题 “如何学习 Python 编程” 关键词 AI 在看到前两个例子后会模仿其模式更可能输出类似“Python 编程 学习 教程 入门”这样更丰富、更标准的关键词。在代码中使用 Few-Shot Prompting# 文件few_shot_example.py import requests import json API_KEY your_api_key API_URL https://api.deepseek.com/v1/chat/completions headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } data { model: deepseek-chat, messages: [ { role: user, content: 你是一个查询转换器。请将用户问题转换为更适合搜索引擎搜索的关键词短语。 示例 用户问题 “北京明天天气怎么样” 关键词 “北京 明日 天气预报” 用户问题 “推荐几本好看的科幻小说” 关键词 “科幻小说 推荐 书单” 现在请转换以下问题 用户问题 “Python 中如何从列表里删除重复元素” 关键词 } ], temperature: 0.3, # 对于格式模仿任务降低随机性以获得更稳定的输出 max_tokens: 150 } response requests.post(API_URL, headersheaders, datajson.dumps(data)) if response.status_code 200: result response.json() print(转换后的关键词, result[choices][0][message][content].strip()) else: print(请求失败, response.status_code, response.text) # 预期输出可能为“Python 列表 删除 重复元素 方法”4.3 进阶技巧二思维链Chain-of-Thought, CoT对于需要逻辑推理、数学计算或分步决策的复杂问题直接要求答案往往效果不佳。可以鼓励 AI “一步一步思考”展示其推理过程这能显著提高最终答案的准确性。示例一个简单的数学问题糟糕的 Prompt“小明有5个苹果吃了2个又买了3个最后有几个”AI 可能直接输出“6”但你看不到过程也无法判断它是否理解。优秀的 PromptCoT请逐步推理并解答以下问题 问题小明最初有5个苹果。他先吃掉了2个然后又去买了3个新的苹果。请问小明最后有多少个苹果 请一步一步思考。AI 回复可能为1. 小明开始有 5 个苹果。 2. 吃掉 2 个后剩余苹果数5 - 2 3 个。 3. 又买了 3 个苹果数增加3 3 6 个。 4. 所以小明最后有 6 个苹果。这不仅给出了答案还验证了推理过程。在代码生成中的应用你可以要求 AI 先分析需求再设计算法步骤最后编写代码。# 一个要求 CoT 的编程 Prompt 示例 coding_prompt 你是一个经验丰富的算法工程师。请解决以下问题并展示你的思考过程 问题编写一个函数找出一个整数列表中的第二大的数。如果列表元素少于2个则返回 None。 请按以下步骤回复 1. 思路分析简述你将如何解决这个问题可能遇到的边界情况。 2. 算法步骤用伪代码或列表形式列出关键步骤。 3. 代码实现给出完整的 Python 函数代码。 4. 测试用例提供几个测试用例来验证你的函数。 5. 实战案例从零构建一个“代码审查助手” Prompt让我们综合运用以上技巧构建一个实用的“代码审查助手”。这个助手能分析给定的 Python 代码片段并指出潜在的问题和改进建议。5.1 需求分析与 Prompt 设计我们希望助手能检查代码风格PEP 8。识别潜在的 bug如未定义的变量、错误的逻辑。提出性能优化建议。以结构化的、友好的方式输出。第一版 Prompt基础版basic_review_prompt 请审查以下 Python 代码指出其中的问题并给出改进建议。 代码 def calculate_average(numbers): sum 0 for i in range(len(numbers)): sum numbers[i] average sum / len(numbers) return average print(calculate_average([1,2,3,4,5])) 这个 Prompt 能工作但输出可能比较随意比如“这里用了sum作为变量名会覆盖内置函数sum建议改名。循环可以用for num in numbers:更简洁。”5.2 迭代优化增加结构、角色和格式要求第二版 Prompt结构化版structured_review_prompt 角色你是一位严谨且友善的 Python 代码审查专家。 任务对用户提供的 Python 代码进行全面的审查。 请按照以下类别提供反馈如果某个类别没有问题可以写“无” 1. 代码风格与规范 (PEP 8) 2. 潜在 Bug 与逻辑错误 3. 性能与效率优化建议 4. 可读性与维护性建议 5. 其他补充说明 请以清晰、简洁的要点形式列出问题并为每个问题提供具体的修改建议或示例。 待审查的代码 python def calculate_average(numbers): sum 0 for i in range(len(numbers)): sum numbers[i] average sum / len(numbers) return average print(calculate_average([1,2,3,4,5]))### 5.3 最终版集成 Few-Shot 示例处理边界情况 为了让助手更好地理解“优秀反馈”的格式和深度我们提供一个示例。 **第三版 PromptFew-Shot 增强版** python final_review_prompt 角色你是一位严谨且友善的 Python 代码审查专家。 任务对用户提供的 Python 代码进行全面的审查。 请严格按照以下输出格式提供反馈 **代码审查报告** - **代码风格与规范**: - [问题1描述] 建议[修改建议] - [问题2描述] 建议[修改建议] - **潜在 Bug 与逻辑**: - [问题描述] 风险[可能引发的错误] 建议[修改建议] - **性能优化**: - [建议描述] 原因[解释为何能提升性能] - **可读性/维护性**: - [建议描述] - **总体评价与建议**: - [一两句总结] 示例针对另一段代码 用户代码x 10 y 20 result x y print(“结果是” result) 你的输出 **代码审查报告** - **代码风格与规范**: - 运算符周围缺少空格。建议在 和 运算符两侧添加空格如 x 10。 - 字符串拼接类型错误。风险尝试将字符串与整数用 连接会引发 TypeError。建议使用 f-string如 print(f“结果是{result}”)。 - **潜在 Bug 与逻辑**: 无 - **性能优化**: 无 - **可读性/维护性**: - 建议为变量使用更具描述性的名称例如 first_number, second_number, sum_result。 - **总体评价与建议**: - 基础功能正确但需要注意 Python 的语法规范和类型安全建议使用 f-string 进行格式化输出。 现在请审查以下代码 python def calculate_average(numbers): sum 0 for i in range(len(numbers)): sum numbers[i] average sum / len(numbers) return average print(calculate_average([1,2,3,4,5]))### 5.4 运行与结果分析 将 final_review_prompt 通过 API 发送给 AI如 DeepSeek-Chat你可能会得到如下高质量的输出代码审查报告代码风格与规范:变量名sum与内置函数sum()重名。建议重命名为total或sum_val以避免遮蔽内置函数。循环索引变量i未使用其索引值。建议直接迭代列表元素如for num in numbers:。潜在 Bug 与逻辑:未处理空列表或len(numbers)为 0 的情况。风险会导致ZeroDivisionError。建议在计算前检查if not numbers: return 0或抛出异常。性能优化:可以使用内置函数sum()替代手动循环求和。原因内置函数由 C 实现效率更高代码更简洁。可读性/维护性:函数功能单一且清晰这点很好。建议可以添加一个简单的文档字符串docstring说明函数用途。总体评价与建议:函数核心逻辑正确但存在遮蔽内置函数和除零风险的隐患。建议优先使用内置函数并始终考虑输入边界条件。通过这个迭代过程我们得到了一个输出格式统一、分析维度全面、建议具体可行的代码审查助手。这正是精心设计 Prompt 的价值所在。 ## 6. 高级策略与参数调优 除了精心设计 Prompt 文本调用 AI 模型时的参数设置也至关重要。 ### 6.1 关键 API 参数解析 在通过 API 调用时以下几个参数直接影响输出 1. **temperature温度0~1 或 0~2** * **作用**控制输出的随机性。 * **低值如 0.1-0.3**输出更确定、更集中、更可预测。适合代码生成、事实问答、格式严格的场景。 * **高值如 0.7-0.9**输出更多样、更有创意、更不可预测。适合创意写作、头脑风暴、生成多个选项。 * *示例*“写一首关于春天的诗”temperature0.2 可能每次都生成相似的诗而 temperature0.8 则每次风格迥异。 2. **max_tokens最大令牌数** * **作用**限制模型生成回复的最大长度Token 数。 * **设置技巧**根据任务需要预估。设置过小会导致回答被截断设置过大会浪费 Token。对于简短问答可以设为 500-1000对于长文生成可能需要 2000。 3. **top_p核采样0~1** * **作用**与 temperature 类似控制随机性但方法不同。它从累积概率超过 top_p 的最小 token 集合中采样。通常与 temperature 二选一进行调整。 * **常用值**0.9 或 0.95 是常见选择能在保持一定创造力的同时避免过于离谱的输出。 **在代码中设置参数** python # 文件api_parameters.py import requests import json API_KEY your_api_key API_URL https://api.deepseek.com/v1/chat/completions headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } # 为不同的任务设置不同的参数 task_configs { “代码生成”: { “prompt”: “写一个 Python 函数用冒泡排序算法对列表进行排序。”, “temperature”: 0.1, “max_tokens”: 800 }, “创意写作”: { “prompt”: “为一个名为‘星海咖啡’的咖啡馆写一段吸引人的社交媒体广告文案。”, “temperature”: 0.8, “max_tokens”: 300 }, “逻辑推理”: { “prompt”: “一个房间里有一个灯泡房间外有三个开关A、B、C其中只有一个开关控制灯泡。你只能进房间一次。如何确定哪个开关控制灯泡假设灯泡初始状态未知且是普通白炽灯开一段时间会发热请一步步推理。”, “temperature”: 0.3, “max_tokens”: 500 } } task_name “代码生成” # 可以切换任务测试 config task_configs[task_name] data { “model”: “deepseek-chat”, “messages”: [{“role”: “user”, “content”: config[“prompt”]}], “temperature”: config[“temperature”], “max_tokens”: config[“max_tokens”] } response requests.post(API_URL, headersheaders, datajson.dumps(data)) if response.status_code 200: result response.json() print(f“任务{task_name}”) print(f“参数temperature{config[‘temperature’]}, max_tokens{config[‘max_tokens’]}”) print(“回复”) print(result[‘choices’][0][‘message’][‘content’]) else: print(“请求失败”, response.status_code, response.text)6.2 系统提示词System Prompt与对话管理在多轮对话中你可以使用system角色消息来设定 AI 的长期行为准则和身份这比在每轮用户消息中重复说明更有效。# 文件system_prompt_demo.py import requests import json API_KEY “your_api_key” API_URL “https://api.deepseek.com/v1/chat/completions” headers { “Authorization”: f“Bearer {API_KEY}”, “Content-Type”: “application/json” } # 使用 system message 来固定 AI 的角色和行为 data { “model”: “deepseek-chat”, “messages”: [ { “role”: “system”, # 系统指令设定背景 “content”: “你是一个专业的英语写作助手专门帮助非母语者修改和润色英文邮件与文档。你的回复应该专业、简洁、直接专注于语法修正和用词优化不要添加无关的闲聊。” }, { “role”: “user”, # 第一轮用户输入 “content”: “请帮我修改这封邮件’Hi manager, I want a day off tomorrow because I not feel good.’” } # 后续可以继续添加 “assistant” 的回复和新的 “user” 消息来进行多轮对话 ], “temperature”: 0.5, “max_tokens”: 500 } response requests.post(API_URL, headersheaders, datajson.dumps(data)) if response.status_code 200: result response.json() print(“AI 润色后的邮件”) print(result[‘choices’][0][‘message’][‘content’]) # 预期输出可能为“Dear Manager, I would like to request a day off tomorrow due to not feeling well.” else: print(“请求失败”, response.status_code, response.text)7. 常见问题与错误排查在使用 Prompt 和 API 时你可能会遇到一些典型问题。7.1 Prompt 相关错误与优化问题现象可能原因解决思路与优化建议回答笼统、不具体指令过于模糊、宽泛。使用具体化和量化的指令。例如将“写一篇介绍文章”改为“写一篇约 500 字的博客文章介绍 Python 列表的三种常用方法并各举一个例子面向编程新手。”忽略部分要求Prompt 过长或结构混乱AI 可能遗漏中间或结尾的信息。1.结构化使用编号、分节、明确标题。2.重要要求前置把最关键的要求放在最前面。3.结尾重申在 Prompt 末尾用“请确保做到以下几点”来总结关键点。格式不符合预期对输出格式的描述不够明确。1.提供模板直接给出你期望的输出格式样例Few-Shot。2.指定标记语言明确要求“以 JSON 格式输出”、“用 Markdown 表格列出”、“使用 YAML”。产生“幻觉”编造信息问题涉及 AI 知识库之外或过于具体的细节。1.要求注明不确定性在 Prompt 中加入“如果你不确定请说明这一点”。2.提供参考信息将确切的资料、数据作为上下文提供给 AI。3.分步验证对于复杂事实让 AI 先列出信息点你再逐一核查。回复被截断max_tokens参数设置过小。根据任务合理增加max_tokens值。如果生成长文本可以要求 AI 分点或分章节输出或者使用“继续”指令让其接着上文生成。7.2 API 调用与 Token 错误问题现象可能原因解决方案invalid prompt: your prompt was flagged as potentially violating our usage policyPrompt 内容触发了平台的安全或内容策略过滤器。1.审查 Prompt检查是否包含暴力、仇恨、违法或其他不安全内容。2.调整表述用更中立、专业的语言重新描述你的请求。3.简化 Prompt过于复杂或歧义的 Prompt 有时也会被误判尝试拆分任务。sign-in could not be completed token exchange failed或token endpoint returned status 403 forbiddenAPI Key 无效、过期、权限不足或所在区域可能受限。1.检查 API Key确认 Key 是否正确复制是否在请求头中正确设置Bearer {API_KEY}。2.查看账户状态登录平台确认 Key 是否有效、是否有余额、是否被禁用。3.网络与区域确认你的网络环境某些服务可能有区域限制。java.lang.IllegalArgumentException: invalid token(客户端错误)在客户端代码如 Android中处理 Token 时出错可能格式不对或已损坏。检查客户端生成或解析 Token 的代码逻辑确保 Token 字符串的完整性和编码正确。消耗 Token 过快Prompt 过长或max_tokens设置过大导致单次请求成本高。1.精简 Prompt删除不必要的上下文和废话。2.压缩信息用更简洁的语言表达。3.调整max_tokens根据实际需要设置不要盲目设大。8. 最佳实践与工程化建议将提示词工程融入日常开发需要遵循一些最佳实践。8.1 Prompt 设计原则清晰明确优于聪明巧妙AI 不是人它按字面理解指令。直接说“列出三个要点”比说“给我一个简洁的总结”更好。迭代优化而非一次成型很少有 Prompt 能一次完美。准备好进行“提问-评估-修改”的循环。将效果好的 Prompt 保存为模板。分解复杂任务不要试图用一个 Prompt 让 AI 完成一个巨大项目。将其分解为多个子任务通过多轮对话或多个 Prompt 链式调用完成。提供参考范例对于格式要求严格的任务Few-Shot 示例是最有效的方法之一。设定思考框架对于推理问题明确要求“逐步思考”或“先分析再回答”。8.2 代码中的 Prompt 管理当在项目中使用 AI 功能时不要将 Prompt 硬编码在业务逻辑中。# 文件prompt_manager.py # 一个简单的 Prompt 管理示例 class PromptManager: def __init__(self): self.prompts { “code_review”: { “system”: “你是一位严谨的 Python 代码审查专家。”, “template”: “”” 请审查以下代码 python {code_snippet}请按以下类别提供反馈1. 风格规范2. 潜在Bug3. 优化建议。以要点形式列出。 “”” }, “sql_generator”: { “system”: “你是一个 SQL 专家能将自然语言转换为安全、高效的 SQL 查询语句。”, “template”: “”” 数据库表结构 {table_schema}请根据以下描述生成对应的 {dialect} SQL 查询语句 {query_description}注意只输出 SQL 语句不要额外解释。 “”” } # 可以继续添加更多 Prompt 模板 }def get_prompt(self, prompt_name, **kwargs): “””获取并格式化指定的 Prompt 模板””” if prompt_name not in self.prompts: raise ValueError(f“未知的 Prompt 模板{prompt_name}”) prompt_info self.prompts[prompt_name] # 格式化模板注入变量 formatted_prompt prompt_info[“template”].format(**kwargs) return prompt_info[“system”], formatted_prompt使用示例manager PromptManager() system_msg, user_prompt manager.get_prompt( “code_review”, code_snippet“def foo(x): return x*2” ) print(“System:”, system_msg) print(“User Prompt:”, user_prompt)然后将 system_msg 和 user_prompt 用于构建 API 请求### 8.3 安全与合规性 * **敏感信息**绝对不要在 Prompt 中发送密码、API Keys、个人身份信息等敏感数据。 * **内容审核**如果你的应用允许用户自定义 Prompt务必在后端或调用 AI 服务前进行内容安全审核防止生成有害内容。 * **结果验证**对于关键任务如代码生成、数据查询AI 的输出必须经过人工或自动化测试验证切勿直接用于生产环境。 * **理解局限性**AI 会“自信地犯错”幻觉。对于事实性问题务必交叉验证信息来源。 ## 9. 总结从“会用”到“精通”的路径 通过本文的探讨你应该已经意识到与 AI 高效协作的关键在于掌握“如何与它对话”的艺术——即提示词工程。从明确角色指令到运用少样本提示和思维链再到精细调整 API 参数每一步都是提升输出质量的有效杠杆。 **核心要点回顾** 1. **Prompt 是给 AI 的“程序”**要像编写需求文档一样设计它力求清晰、具体、结构化。 2. **要素组合是关键**善用“角色-指令-上下文-示例-格式”这个框架来构建你的 Prompt。 3. **迭代是常态**不要期望一蹴而就通过测试和反馈不断优化你的 Prompt。 4. **工具化你的工作流**将有效的 Prompt 模板化、模块化集成到你的开发流程中。 5. **保持警惕与验证**始终对 AI 的输出保持审慎特别是用于关键决策或生产代码时。 **下一步学习方向** * **深入研究特定领域**针对代码生成、文案创作、数据分析等不同场景探索更专业的 Prompt 模式。 * **探索高级框架**了解如 **ReAct**、**Self-Consistency** 等更复杂的提示策略。 * **学习 AI Agent 概念**如何让 AI 使用工具搜索、计算器、代码执行来完成更复杂的任务。 * **关注模型更新**新的模型如 DeepSeek-V3、GPT-4o往往有新的特性和最佳实践。 记住同一个 AI在“大神”手中是瑞士军刀在“新手”手中可能只是钝刀。区别就在于你是否愿意花时间精心打磨那几行与之沟通的“字”。现在就打开你的编辑器开始设计和测试你的第一个“工程级” Prompt 吧。