30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度在尝试使用 ChatGPT、Claude、文心一言等大模型时你是否遇到过这样的困惑明明问的是同一个问题别人能得到精准、详尽的答案而你得到的却是敷衍、错误甚至完全跑偏的回复问题可能不在于模型本身而在于你与模型“沟通”的方式——提示词。提示词工程Prompt Engineering正是解决这一痛点的核心技能。它并非简单的“提问技巧”而是一门系统化地设计、优化指令以高效、稳定地激发大语言模型LLM潜力的工程学科。无论是让模型生成代码、分析数据、创作内容还是构建复杂的智能体Agent应用优秀的提示词都是成功的第一步。本文将为你拆解提示词工程的完整知识体系与实战方法。我们将从核心概念出发逐步深入到高级技巧、实战案例并最终探讨如何将其应用于企业级项目开发。无论你是刚接触 AI 的开发者还是希望提升模型调用效率的工程师都能从中获得一套可立即上手的“沟通秘籍”让你少走 99% 的弯路。1. 提示词工程核心概念与价值在深入技术细节之前我们首先要理解提示词工程究竟是什么以及为什么它在 AI 时代变得如此重要。1.1 什么是提示词工程根据权威的《提示工程指南》Prompt Engineering Guide提示工程是一门较新的学科它专注于提示词的开发和优化旨在帮助用户将大语言模型LLM有效地应用于各种场景和研究领域。简单来说提示词Prompt就是你输入给 AI 模型的指令或问题。而提示词工程就是研究如何设计这些指令以引导模型产生更准确、更相关、更符合预期的输出。它远不止是“怎么问”更涵盖了理解模型的工作原理、能力边界并设计一套与之高效交互的策略和技术栈。1.2 为什么提示词工程至关重要对于不同角色的从业者提示词工程的价值体现在不同层面对于所有用户掌握提示词工程能帮助你更好地理解 LLM 的能力和局限性。你将不再把模型当作一个“黑箱”来碰运气而是成为一个能精准下达指令的“指挥官”。对于研究人员可以利用提示工程来探索和提升 LLM 处理复杂任务如多步推理、数学计算、代码生成的潜力推动模型能力边界。对于开发者这是构建可靠 AI 应用的基础。通过精心设计的提示词你可以提升输出质量与稳定性减少“幻觉”胡言乱语提高答案的相关性和准确性。实现复杂功能通过思维链CoT、ReAct 等高级技巧让模型完成需要规划、工具调用和多步推理的任务。降低开发成本很多时候一个优秀的提示词可以替代大量微调Fine-tuning工作快速让通用模型适配特定场景。增强系统安全性设计能抵抗“提示词注入”攻击的提示保护应用免受恶意输入干扰。1.3 核心应用场景提示词工程的应用几乎覆盖了 LLM 的所有使用场景内容生成与创作撰写文章、邮件、营销文案、诗歌、剧本。代码辅助生成代码片段、解释代码、调试、重构、编写测试用例。信息提取与总结从长文档中提取关键信息、生成摘要、整理会议纪要。问答与推理构建知识库问答系统、解决数学问题、进行逻辑推理。多模态任务结合图像、音频等输入进行描述、分析或生成。智能体Agent开发构建能够自主规划、使用工具如搜索、计算器、API、完成复杂目标的 AI 智能体。理解了其重要性后接下来我们将从最基础的提示词设计原则开始。2. 环境准备与基础工具虽然提示词工程的核心是“设计思想”但一个合适的实验环境能极大提升学习效率和效果。本节将介绍如何搭建一个低成本、高效的提示词开发和测试环境。2.1 核心工具选择你不需要强大的 GPU 或复杂的集群来学习提示词工程。以下工具组合足以应对绝大多数学习和开发需求大模型 API 服务首选OpenAI API提供 GPT-3.5-Turbo, GPT-4 等模型稳定、生态丰富是学习和生产的主流选择。你需要注册账号并获取 API Key。国内替代方案如百度千帆文心一言、阿里云灵积通义千问、智谱 AIGLM等它们也提供了稳定的 API 服务访问速度可能更有优势。作用这是我们的“计算引擎”所有提示词都将发送给这些服务来获取响应。开发与测试工具OpenAI Playground / 官方平台控制台各大厂商通常提供在线的调试平台可以方便地调整参数如温度 Temperature、最大生成长度 max_tokens并实时查看结果非常适合快速实验。Jupyter Notebook / VS Code用于编写、管理和版本化你的提示词脚本。你可以将成功的提示词模板保存为.py或.ipynb文件。LangChain / LlamaIndex 等框架当提示词变得复杂需要串联多个步骤、调用工具或管理上下文时这些框架提供了强大的抽象能力。对于初学者可以先从直接调用 API 开始后期再引入。2.2 基础环境搭建示例Python我们以使用 OpenAI API或兼容 OpenAI 接口的国内服务为例展示最简化的本地测试环境。步骤 1安装必要的 Python 库打开终端或命令行执行以下命令pip install openai如果你打算使用国内服务可能需要安装对应的 SDK例如qianfan百度、dashscope阿里。步骤 2准备配置文件创建一个名为.env的文件注意前面的点用于安全地存储你的 API 密钥避免将其硬编码在代码中。# .env 文件内容 OPENAI_API_KEY你的实际API密钥 # 如果使用国内服务可能是 # DASHSCOPE_API_KEY你的阿里云API密钥 # QIANFAN_AK你的百度AK # QIANFAN_SK你的百度SK步骤 3编写第一个提示词测试脚本创建一个 Python 文件例如test_prompt.py。# test_prompt.py import os from openai import OpenAI from dotenv import load_dotenv # 1. 加载环境变量中的API密钥 load_dotenv() client OpenAI( api_keyos.getenv(OPENAI_API_KEY), # 如果使用国内服务可能需要指定base_url # base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1 ) # 2. 定义你的第一个提示词 prompt 请用Python编写一个函数接收一个整数列表作为输入返回这个列表中的最大值。 要求 1. 函数名称为 find_max。 2. 包含详细的代码注释。 3. 提供一个使用示例。 # 3. 调用API try: response client.chat.completions.create( modelgpt-3.5-turbo, # 或 gpt-4, qwen-max 等 messages[ {role: system, content: 你是一个专业的Python程序员助手。}, {role: user, content: prompt} ], temperature0.7, # 控制创造性0-1之间越高越随机 max_tokens500 # 控制回复的最大长度 ) # 4. 打印结果 print(AI回复) print(response.choices[0].message.content) except Exception as e: print(f调用API时出错{e})步骤 4运行脚本在终端中运行python test_prompt.py如果一切配置正确你将看到 AI 生成的带有注释的 Python 函数代码。这个简单的环境足以让我们开始探索提示词设计的奥秘。接下来我们将深入提示词的核心要素。3. 提示词的核心要素与设计原则一个有效的提示词通常不是随意的一句话它包含多个精心设计的部分。理解这些要素是成为提示词工程师的第一步。3.1 提示词的基本结构在与 ChatGPT 这类聊天模型交互时提示词通常以“消息”Message列表的形式组织。主要包含三种角色系统提示System Prompt设定 AI 的“角色”和对话的全局规则。它是最重要的指令之一决定了 AI 的行为基线。作用定义助手的人格、专业领域、回答风格和限制。示例“你是一位资深的软件架构师擅长用简洁清晰的语言解释复杂的技术概念。”最佳实践尽量明确、具体。避免模糊的指令如“请提供帮助”而应使用“请以 bullet points 形式列出三个核心步骤”。用户输入User Input用户提出的具体问题或请求。这是提示词的主体。关键清晰、无歧义、提供必要的上下文。助手回复Assistant Response在多轮对话中也可以包含模型之前的回复以提供上下文连贯性。3.2 设计优秀提示词的通用技巧根据《提示工程指南》和社区最佳实践以下技巧能显著提升提示词效果清晰与具体模糊的指令导致模糊的结果。与其说“写点关于机器学习的东西”不如说“用不超过300字向高中生解释监督学习和无监督学习的区别并各举一个生活化的例子”。提供上下文如果任务需要特定知识请在提示词中提供。例如在让模型总结文章时先把文章内容给它。指定输出格式明确告诉模型你希望的输出格式如 JSON、Markdown 表格、代码块、项目符号列表等。示例“请将以下产品特性以 Markdown 表格形式输出包含‘特性名称’、‘描述’、‘优势’三列。”分解复杂任务将一个大任务拆解成多个清晰的子步骤。这符合模型的处理逻辑能提高准确率。示例不要直接说“为我的电商网站写一个营销计划”。可以分解为“1. 分析目标客户群。2. 提出三个核心营销渠道。3. 为每个渠道设计一个 slogan。4. 制定一个为期一个月的活动时间表。”使用示例少样本学习对于格式固定或逻辑复杂的任务在提示词中提供一两个输入-输出的例子能极大地引导模型模仿。示例请将中文句子翻译成英文并提取其中的动词。 示例1 输入我今天早上吃了面包。 输出I ate bread this morning. 动词吃 (ate) 示例2 输入他明天要去图书馆学习。 输出He will go to the library to study tomorrow. 动词去 (go), 学习 (study) 现在请翻译并提取动词 输入我们上周参观了一家新开的博物馆。迭代优化提示词设计是一个迭代过程。根据第一次的输出结果调整你的指令增加细节或改变表述方式。3.3 关键参数解析在调用 API 时除了提示词内容一些参数也至关重要温度Temperature控制输出的随机性。值越高如 0.8-1.0输出越多样、有创意值越低如 0-0.3输出越确定、保守。代码生成、事实问答建议用低温0.1-0.3创意写作可用高温0.7-0.9。最大生成长度max_tokens限制模型回复的最大长度。设置过小会导致回答被截断设置过大会浪费资源。需要根据任务预估。Top-p核采样与温度类似控制随机性的一种更高级方式。通常设置 0.9-1.0与温度配合使用。掌握了这些基础要素和技巧你已经能写出比大多数人更好的提示词了。但要想解决更复杂的问题我们需要进入“高级技巧”的领域。4. 高级提示工程技术实战当基础技巧无法满足复杂任务需求时我们需要借助一些经过研究验证的高级模式。这些技术是构建强大 AI 应用的核心。4.1 思维链Chain-of-Thought, CoT核心思想要求模型在给出最终答案前先展示其推理步骤。这尤其适用于数学、逻辑推理等复杂问题。基础 CoT在提示词中明确要求模型“逐步思考”。示例提示词问题一个篮子里有15个苹果。小明拿走了3个小红又放进去比现在篮子里苹果数多一半的苹果。最后篮子里有多少个苹果 请逐步推理。少样本 CoT提供几个带有推理步骤的例子让模型学会模仿。示例提示词示例1 问题我有3个鸡蛋打碎了2个煎了1个吃了1个还剩几个 推理最初有3个。打碎2个鸡蛋还在但碎了数量不变3个。煎了1个这1个来自3个之中煎完还是1个鸡蛋但状态变了数量变为1个被煎的那个。吃了1个就是吃了那个被煎的鸡蛋所以剩下0个。 答案0 示例2 问题房间里有5盏灯关了2盏又打开了1盏现在亮着几盏 推理最初5盏都亮。关了2盏亮着的灯变成5-23盏。又打开1盏这1盏可能是之前关掉的也可能是新的。假设是打开了一盏之前关掉的那么亮着的灯变成314盏。 答案4 现在请回答新问题 问题一个书店第一周卖了100本书第二周比第一周多卖20%第三周卖的是前两周总和的一半。第三周卖了多少本 请逐步推理。4.2 检索增强生成Retrieval-Augmented Generation, RAG核心思想让模型在回答问题时参考外部知识库如公司文档、产品手册、最新新闻而不是仅依赖其内部训练数据。这是解决模型“幻觉”和知识过时问题的关键技术。简易 RAG 工作流程知识库准备将文档切分成片段Chunk并转换为向量Embedding存入向量数据库如 Chroma, Pinecone, Milvus。检索当用户提问时将问题也转换为向量在向量数据库中检索出最相关的几个文档片段。增强提示将检索到的相关片段作为上下文和原始问题一起构成新的提示词发送给 LLM。生成LLM 基于提供的上下文生成答案。示例提示词结构用于 RAG你是一个专业的客服助手请严格根据提供的“参考信息”来回答问题。如果参考信息中没有相关答案请直接说“根据现有资料我无法回答这个问题”不要编造信息。 参考信息{从向量数据库检索到的相关文本片段1} {从向量数据库检索到的相关文本片段2}用户问题{用户的实际问题}4.3 ReAct 框架Reason Act核心思想让模型学会“思考-行动”的循环以完成需要多步交互或使用外部工具的任务。这是构建 AI 智能体Agent的基础范式。模式模型输出应遵循Thought: ... Action: ... Observation: ...的格式。Thought分析当前情况决定下一步做什么。Action执行一个动作如调用一个工具搜索、计算器、查询数据库。Observation工具返回的结果。示例提示词简化版你是一个智能助手可以调用以下工具 1. 搜索工具[search(query)]用于获取最新信息。 2. 计算器[calculator(expression)]用于计算数学表达式。 请以以下格式回应 Thought: 我对问题的思考 Action: 要调用的工具如 search(“今日北京天气”) Observation: 工具返回的结果 ...这个循环可以重复多次 Thought: 我现在有足够信息回答问题了 Answer: 最终答案 现在开始 问题苹果公司最新发布的 iPhone 起售价是多少人民币按照当前汇率大概相当于多少美元假设1美元≈7.2人民币4.4 程序辅助语言模型Program-Aided Language Models核心思想让模型生成可执行的程序代码如 Python来解决问题而不是直接生成答案。然后在安全环境中运行这段代码得到结果。这特别适合需要精确计算的数学、数据处理任务。示例提示词请编写一个Python函数来解决以下问题然后调用这个函数并输出结果。 问题计算斐波那契数列中所有小于100的偶数之和。 要求 1. 函数名称为 sum_even_fibonacci。 2. 最终打印出“斐波那契数列中小于100的偶数之和为{结果}”这些高级技术可以组合使用以应对极其复杂的场景。接下来我们将通过一个综合性的实战项目将所学知识融会贯通。5. 综合实战构建一个智能技术问答助手假设我们要为一个技术团队构建一个内部问答助手它能够回答关于公司内部技术栈如自定义框架、私有 API的问题。我们将结合 RAG 和 CoT 技术来实现。项目目标助手能基于内部技术文档Markdown/PDF 格式回答员工问题对于复杂问题能展示推理过程。5.1 项目架构与流程知识库处理将内部技术文档转换为向量存储。问答流程用户提问。系统检索相关文档片段。构建一个结合了角色设定、上下文和 CoT 要求的提示词。将提示词发送给 LLM。返回格式化的答案。5.2 分步实现步骤 1环境与依赖安装我们使用 LangChain 来简化 RAG 流程因为它集成了文档加载、文本分割、向量化、检索等多个组件。pip install langchain langchain-openai chromadb pypdf python-dotenv tiktoken # langchain-openai: LangChain 的 OpenAI 集成 # chromadb: 轻量级向量数据库 # pypdf: 用于读取PDF文档 # tiktoken: OpenAI的Tokenizer用于计算文本长度步骤 2准备知识库文档将你的内部技术文档例如internal_guide.md放在项目目录下。步骤 3实现代码创建一个tech_assistant.py文件。# tech_assistant.py import os from dotenv import load_dotenv from langchain_openai import OpenAIEmbeddings, ChatOpenAI from langchain_community.document_loaders import TextLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain_chroma import Chroma from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough # 1. 加载环境变量 load_dotenv() # 2. 定义文件路径和模型 DOC_PATH ./internal_guide.md PERSIST_DIRECTORY ./chroma_db # 向量数据库存储目录 # 初始化Embedding模型和LLM embeddings OpenAIEmbeddings(modeltext-embedding-3-small) llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.1) # 低温度保证答案稳定 # 3. 知识库处理与向量存储如果尚未创建 def create_or_load_knowledge_base(): if os.path.exists(PERSIST_DIRECTORY): # 加载已有的向量库 print(加载已有向量数据库...) vectorstore Chroma(persist_directoryPERSIST_DIRECTORY, embedding_functionembeddings) else: # 创建新的向量库 print(创建新的向量数据库...) # 加载文档 loader TextLoader(DOC_PATH, encodingutf-8) documents loader.load() # 分割文本 text_splitter RecursiveCharacterTextSplitter(chunk_size500, chunk_overlap50) splits text_splitter.split_documents(documents) # 创建向量存储并持久化 vectorstore Chroma.from_documents(documentssplits, embeddingembeddings, persist_directoryPERSIST_DIRECTORY) vectorstore.persist() return vectorstore # 4. 创建检索器 vectorstore create_or_load_knowledge_base() retriever vectorstore.as_retriever(search_kwargs{k: 3}) # 检索最相关的3个片段 # 5. 定义提示词模板 template 你是一名资深技术专家负责回答关于公司内部技术栈的问题。 请严格根据以下提供的“上下文信息”进行回答。如果上下文信息不足以回答问题请如实告知不要编造。 在回答时请遵循以下格式 分析 首先简要分析用户的问题核心是什么并说明将从上下文中寻找哪些相关信息。 /分析 答案 然后给出清晰、准确的答案。如果涉及步骤请分点说明。如果涉及代码请提供示例。 /答案 上下文信息 {context} 用户问题 {question} prompt ChatPromptTemplate.from_template(template) # 6. 构建处理链 def format_docs(docs): return \n\n.join([doc.page_content for doc in docs]) rag_chain ( {context: retriever | format_docs, question: RunnablePassthrough()} | prompt | llm | StrOutputParser() ) # 7. 问答函数 def ask_question(question): print(f\n用户问题{question}) print(- * 50) answer rag_chain.invoke(question) print(answer) # 8. 主程序 if __name__ __main__: print(技术问答助手已启动输入 quit 退出) while True: user_input input(\n请输入你的技术问题) if user_input.lower() quit: print(再见) break ask_question(user_input)步骤 4准备知识库文件创建一个示例internal_guide.md文件。# 内部技术栈指南 ## 微服务框架StarLight StarLight 是公司自研的基于 Java 的微服务框架当前版本为 2.3.1。 ### 核心特性 - 自动服务注册与发现集成 Nacos。 - 声明式 HTTP 客户端使用 FeignClient 注解。 - 统一配置管理支持动态刷新。 - 内置熔断器与降级策略基于 Resilience4j。 ### 快速开始 1. 在 pom.xml 中添加依赖 xml dependency groupIdcom.company/groupId artifactIdstarlight-spring-boot-starter/artifactId version2.3.1/version /dependency在主类上添加EnableStarLight注解。使用StarLightClient(name service-name)注入远程服务客户端。配置中心默认配置中心地址为http://config-center.internal.company.com。应用启动时会自动拉取以{application.name}命名的配置。数据库规范主库使用所有写操作和核心读操作必须使用主库连接池配置为datasource.primary。读写分离对于报表类、非实时性查询可使用只读从库。在代码中使用ReadOnly注解标记的方法会自动路由到从库。发布流程开发完成在 GitLab 创建 Merge Request。通过代码评审和 CI 流水线包括单元测试、集成测试。合并到release分支触发自动构建 Docker 镜像。镜像推送至内部 Harbor 仓库标签为{项目名}:{git commit hash短码}。在 K8s 管理平台选择镜像进行灰度发布。**步骤 5运行与测试** 1. 确保你的 .env 文件中有正确的 OPENAI_API_KEY。 2. 首次运行 python tech_assistant.py它会读取 internal_guide.md分割文本生成向量并存入 ./chroma_db 目录。 3. 之后运行会直接加载已有的向量数据库速度更快。 4. 在提示符下输入问题例如“我们公司的微服务框架叫什么怎么快速引入依赖” 或 “发布流程的第三步是什么” 你将看到助手首先输出 分析.../分析然后给出基于文档的 答案.../答案。这个实战项目融合了 RAG确保答案来源于知识库和 CoT要求模型先分析再回答的思想是一个接近生产可用的原型。 ## 6. 常见问题与排查思路 在实践中你可能会遇到各种问题。下表总结了一些典型问题及其解决方法 | 问题现象 | 可能原因 | 排查与解决思路 | | :--- | :--- | :--- | | **回答完全偏离主题或胡言乱语幻觉** | 1. 提示词指令不清晰。br2. 温度Temperature设置过高。br3. 缺乏足够的上下文或约束。 | 1. **优化提示词**增加系统指令的约束如“严格根据以下信息回答”。br2. **降低温度**尝试将 temperature 设为 0.1 或 0.2。br3. **使用 RAG**提供准确的参考信息作为上下文。 | | **回答格式不符合要求** | 1. 未在提示词中明确指定格式。br2. 模型未能理解格式指令。 | 1. **明确指定格式**在提示词中详细说明如“请以 JSON 格式输出包含 name 和 age 字段”。br2. **提供示例**使用少样本学习在提示词中给出一个格式正确的例子。 | | **处理长文档时效果差** | 1. 模型有上下文长度限制Token 数限制。br2. 检索到的文档片段不相关或信息不全。 | 1. **优化文本分割**调整 chunk_size 和 chunk_overlap确保语义完整性。br2. **改进检索**尝试不同的 Embedding 模型、调整检索数量 k、或使用更高级的检索器如 MMR 搜索兼顾相关性与多样性。br3. **摘要或分层**对长文档先进行摘要或采用分层检索策略。 | | **API 调用速度慢或超时** | 1. 网络问题。br2. 提示词或上下文过长。br3. 模型负载高。 | 1. **检查网络**。br2. **精简提示词和上下文**移除不必要的信息。br3. **设置合理的超时参数**并实现重试机制。br4. 考虑使用更快的模型如 GPT-3.5-Turbo 比 GPT-4 快。 | | **回答包含敏感或不安全信息** | 1. 提示词被恶意注入Prompt Injection。br2. 模型自身的安全机制未触发。 | 1. **输入过滤**对用户输入进行清洗过滤特殊字符和危险指令。br2. **系统提示加固**在系统提示中强调安全规则如“你绝不能生成有害、非法或不道德的内容”。br3. **输出后处理**对模型输出进行二次检查和过滤。 | | **RAG 效果不佳检索不到相关内容** | 1. Embedding 模型不适合当前领域。br2. 文档分割方式不合理破坏了语义。br3. 查询问题表述与文档措辞差异大。 | 1. **尝试不同的 Embedding 模型**或在特定领域数据上微调 Embedding 模型。br2. **优化分块策略**按章节、标题分块或使用语义分割模型。br3. **查询重写**先用 LLM 对用户原始问题进行扩展或重写再用重写后的问题进行检索。 | ## 7. 最佳实践与工程化建议 将提示词工程从实验脚本应用到生产系统需要遵循工程化原则。 ### 7.1 提示词管理 * **版本化与模板化**不要将提示词硬编码在代码中。使用配置文件如 YAML、JSON或数据库来管理提示词模板便于版本控制和 A/B 测试。 yaml # prompts.yaml tech_support: system: “你是一名专业的IT技术支持工程师语气友好且专业。” user_template: “用户遇到了以下问题{user_issue}。根据我们的知识库回答\n{context}” code_review: system: “你是一个严谨的代码审查助手专注于发现代码中的bug、坏味道和性能问题。” user_template: “请审查以下{language}代码\n{code}\n请按‘安全性’、‘性能’、‘可读性’分类给出建议。” * **参数化**将提示词中可变的部分如用户输入、检索到的上下文设计为参数提高复用性。 ### 7.2 性能与成本优化 * **缓存**对频繁出现的、结果确定的查询如常见问题解答进行结果缓存避免重复调用 LLM节省成本和延迟。 * **精简上下文**在保证效果的前提下尽可能减少发送给模型的 Token 数量。这包括优化提示词长度、压缩检索到的上下文等。 * **模型选型**根据任务复杂度选择合适的模型。简单的分类、提取任务可用小模型如 GPT-3.5-Turbo复杂的推理、创作任务再用大模型如 GPT-4。许多国产模型在特定任务上性价比很高。 ### 7.3 评估与监控 * **建立评估体系**定义清晰的成功指标如答案准确率、相关性、用户满意度。可以使用 LLM 本身基于规则或更高级的模型进行自动评估结合人工抽查。 * **日志与监控**记录每一次交互的提示词、完整响应、Token 使用量、延迟和成本。这有助于分析问题、优化提示词和理解使用模式。 * **迭代闭环**收集用户反馈如点赞/点踩将不满意的案例纳入分析持续迭代和优化你的提示词库和系统流程。 ### 7.4 安全与合规 * **权限控制**确保只有授权用户能访问 AI 助手并对不同用户设置不同的知识库访问权限。 * **审计跟踪**记录谁在什么时候问了什么问题得到了什么回答满足合规性要求。 * **内容过滤**在输入和输出端部署内容安全过滤器防止生成或传播有害信息。 从理解提示词的基本要素到掌握思维链、RAG 等高级技术再到构建一个完整的实战项目我们系统地走过了提示词工程的核心路径。这项技能的本质是“人机协作”的桥梁建设它要求我们既理解人的意图也洞察机器的“思维”方式。随着 AI 技术的不断演进提示词工程将成为像编程语言一样的基础能力。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 [点击领海量免费额度](https://taotoken.net/models/detail/chat?modelIddeepseek-v4-proutm_sourcett_blog_mr)