这次我们来看一个对开发者、产品经理和所有大语言模型使用者都至关重要的话题如何有效地向任何大语言模型提问。无论你面对的是 OpenAI 的 GPT 系列、Claude、DeepSeek还是开源的 Llama、Qwen、ChatGLM一个高质量的提示词往往是决定输出质量的关键。本文不讨论复杂的理论而是聚焦于一套可立即上手、经过验证的通用 Prompt 工程方法让你能快速提升与任何 LLM 的对话效率。很多人认为 Prompt 工程是“魔法咒语”但实际上它是一套结构化的沟通技术。核心目标很简单让模型准确理解你的意图并输出符合你期望的、高质量的结果。本文将拆解从基础到进阶的 Prompt 构建技巧涵盖角色设定、任务分解、格式约束、思维链引导等关键维度并提供大量可直接复用的模板。无论你是想优化日常问答、进行复杂推理、生成代码还是构建自动化工作流这里都有你需要的实战方案。1. 核心能力速览高质量 Prompt 的通用框架在深入细节前我们先通过一个表格快速了解一个“好 Prompt”通常包含哪些核心要素以及它们各自的作用。这能帮助你建立一个清晰的认知框架。能力项说明与作用角色设定为模型赋予一个专家身份如资深程序员、专业编辑、数据分析师能显著提升回答的专业性和语境贴合度。任务目标清晰、具体地定义你希望模型完成什么。避免模糊指令使用“做什么、达到什么标准”的表述。背景/上下文提供必要的背景信息帮助模型理解问题的来龙去脉减少猜测和无关输出。输入/输出格式明确指定期望的回答格式如 JSON、Markdown 表格、代码块、项目符号列表便于后续程序化处理。步骤/约束条件将复杂任务分解为步骤或列出必须遵守的规则如字数限制、禁用词汇、必须包含的要点。思维链引导要求模型“逐步思考”或“展示推理过程”能极大提升复杂问题尤其是数学、逻辑、代码的解答正确率。示例Few-Shot提供一两个输入-输出的例子是让模型快速掌握你期望格式和风格的最有效方法之一。这个框架是通用的你可以根据实际任务组合使用其中的部分或全部要素。接下来我们将逐一拆解并给出具体示例。2. 适用场景与使用边界2.1 谁需要学习 Prompt 工程开发者需要通过 API 集成 LLM 功能构建稳定的应用。产品/运营人员利用 LLM 进行内容创作、数据分析、用户调研。研究人员/学生使用 LLM 辅助文献综述、思路整理、论文写作。任何频繁使用 ChatGPT 等工具的用户希望获得更精准、高效、可靠的回答。2.2 能解决什么问题提高输出质量与相关性从“还行”的回答变成“精准、专业、可直接使用”的输出。实现复杂任务自动化通过精心设计的 Prompt让 LLM 完成多步骤分析、报告生成、代码重构等。确保输出格式一致性为后续自动化处理如解析 JSON、提取表格数据铺平道路。降低 API 调用成本与时间减少因理解偏差导致的反复调试和重复生成。2.3 不适合什么场景需要 100% 确定性结果的场景LLM 本质是概率模型不适合执行精确计算或法律、医疗等容错率极低的决策。涉及实时、高频数据更新的任务LLM 的知识存在滞后性不适合基于最新实时信息做判断。完全替代专业领域深度工作它可以辅助但不能替代律师起草合同、医生进行诊断等需要专业资质和深度经验的工作。2.4 安全与合规边界隐私与敏感信息避免在 Prompt 中输入个人身份信息、商业秘密、未脱敏的数据库内容。版权与原创性用于生成商业内容时需注意输出内容是否可能侵犯他人版权并进行必要的审核。提示词注入防护如果你将用户输入直接拼接进系统 Prompt需防范用户通过精心构造的输入来“劫持”或“越权”指令。这在构建 AI 应用时至关重要。3. 环境准备与前置条件学习 Prompt 工程本身对硬件没有要求但如果你想在本地或通过 API 进行大量测试和集成需要准备以下环境访问任意一个 LLM在线平台OpenAI ChatGPT, Claude, DeepSeek, 文心一言通义千问等。这是最快捷的起点。API 服务获取相应平台的 API Key如 OpenAI, Anthropic, 智谱 AI, 月之暗面等以便通过代码调用。本地模型如果你有足够的 GPU 资源可以部署 Llama、Qwen 等开源模型通过 Ollama、LM Studio 或 vLLM 等框架提供服务。测试与验证工具浏览器用于访问在线聊天界面。Python 环境可选但推荐如果你计划通过 API 集成或进行批量测试需要安装 Python 及requests库。笔记软件用于保存和整理你的成功 Prompt 模板。思维准备明确目标在写 Prompt 前先想清楚你到底要什么。迭代心态很少有 Prompt 能一次完美需要根据输出结果不断调整和优化。4. 基础构建从零开始写一个高效 Prompt让我们从一个简单的任务升级开始直观感受结构化 Prompt 的威力。原始模糊 Prompt效果差帮我写一篇关于 Python 的文章。模型可能输出任何关于 Python 的内容质量不可控。升级后的结构化 Prompt效果好角色你是一位拥有10年经验的资深软件工程师和技术布道师。 任务为编程初学者撰写一篇关于“为什么应该学习 Python 作为第一门语言”的博客文章引言。 背景读者是零基础、对技术感兴趣的大学生或转行者他们可能对选择哪门语言入门感到困惑。 要求 1. 文章风格需亲切、鼓舞人心避免使用过于晦涩的术语。 2. 突出 Python 在语法简洁性、社区生态、就业市场和应用领域数据分析、AI、Web开发的优势。 3. 字数控制在 300 字左右。 4. 以一个问题或一个引人入胜的观点开头。 输出格式请直接输出完整的文章段落不要添加额外的解释。这个 Prompt 明确了角色、受众、具体主题、风格、要点和格式极大提升了输出质量的确定性和可用性。5. 核心技巧拆解与实战模板5.1 技巧一使用系统指令System Prompt进行角色与规则设定在 API 调用中你可以通过system角色消息来设定模型的整体行为准则这比在用户消息中重复说明更有效。# 使用 OpenAI API 的示例 import openai client openai.OpenAI(api_keyyour-api-key) response client.chat.completions.create( modelgpt-4, messages[ { role: system, content: 你是一位严谨的学术编辑。你的任务是帮助用户改进文本的语法、逻辑和学术表达。你只修改文本不改变原意并以清晰的方式解释你的修改理由。如果用户的要求与学术规范无关请礼貌拒绝。 }, { role: user, content: 请帮我润色这段文字AI is gonna change the world big time. } ] ) print(response.choices[0].message.content)系统指令设定了模型的“人格”和边界使其在整个对话中保持一致的行为模式。5.2 技巧二任务分解与步骤化指令对于复杂任务将指令分解为清晰的步骤可以引导模型进行更有条理的思考。模板请按照以下步骤完成任务 步骤1: [第一步的具体指令] 步骤2: [第二步的具体指令] ... 步骤N: [最后一步的指令包括输出格式]示例数据分析报告生成你是一位数据分析师。请分析以下销售数据并生成一份简要报告。 数据 月份, 销售额(万), 客户数 1月, 120, 1500 2月, 135, 1650 3月, 118, 1550 请按步骤进行 1. 计算每个月的客单价销售额/客户数。 2. 找出销售额最高的月份。 3. 分析客单价的变化趋势。 4. 基于以上分析给出一个简要的业务建议。 请将最终报告以 Markdown 表格和要点列表的形式呈现。5.3 技巧三提供示例Few-Shot Prompting这是让模型快速掌握复杂格式或特定风格的最强技巧。你提供几个输入输出的例子模型会模仿这种模式。示例将自然语言指令转换为特定格式的 JSON请将用户的需求转换为标准化的任务JSON。 示例1 用户输入“明天下午3点提醒我开会” 输出{task_type: reminder, action: create, params: {time: 明天 15:00, event: 开会}} 示例2 用户输入“查询北京下周一的天气” 输出{task_type: query, action: weather, params: {location: 北京, date: 下周一}} 现在请转换以下用户输入 用户输入“把《项目总结》这份文档发给技术部的张三” 输出模型会根据你提供的两个例子推断出转换规则并生成类似结构的 JSON。5.4 技巧四思维链Chain-of-Thought, CoT引导对于需要推理、数学计算或分步决策的问题明确要求模型“逐步思考”可以显著提高答案的准确性。模板请解决以下问题。请确保给出你的逐步推理过程最后再给出最终答案。 问题[你的问题]示例请解决以下逻辑问题。请确保给出你的逐步推理过程最后再给出最终答案。 问题一个房间里有一个灯泡。房间外有三个开关其中只有一个能控制房间里的灯泡。你现在在房间外可以随意拨动开关但只能进入房间一次。如何确定哪个开关控制灯泡模型会先模拟推理过程如打开开关A等10分钟关闭A打开B立即进屋...然后给出答案和解释。5.5 技巧五明确输出格式约束这是实现人机或机机协作的关键。明确的格式便于你后续用脚本自动化处理结果。常用格式指令请以 JSON 格式输出包含字段key1, key2...请生成一个 Markdown 表格表头为列1列2列3请将关键点用项目符号列表列出请将代码包裹在 语言 ... 代码块中请先输出“【分析】”然后是分析段落再输出“【建议】”然后是建议段落6. 高级模式构建可复用的 Prompt 模板与函数当你积累了一批有效的 Prompt 后可以将其模板化甚至封装成“函数”以便在复杂工作流中调用。6.1 模板化示例代码审查助手你可以创建一个包含占位符的模板文件使用时替换具体内容。模板文件code_review_template.txt:角色你是一位资深 {language} 开发专家以严谨和注重细节著称。 任务对以下 {language} 代码进行全面的代码审查。 代码{code_snippet}审查要求 1. 检查潜在的 bug 和安全漏洞。 2. 评估代码性能和可优化的部分。 3. 检查代码风格和是否符合 {style_guide} 规范。 4. 提出具体的、可操作的改进建议。 输出格式 【问题总结】 - [问题1][描述] [严重程度] [建议修改] - [问题2]... 【优化建议】 1. [建议1] 2. [建议2]使用脚本填充并调用:import json def load_prompt_template(template_path, replacements): with open(template_path, r, encodingutf-8) as f: template f.read() for key, value in replacements.items(): template template.replace(f{{{key}}}, value) return template replacements { language: Python, code_snippet: def calculate_average(nums):\n sum 0\n for i in range(len(nums)):\n sum nums[i]\n return sum / len(nums), style_guide: PEP 8 } final_prompt load_prompt_template(code_review_template.txt, replacements) # 然后将 final_prompt 发送给 LLM print(final_prompt)6.2 通过 API 实现“函数化”调用你可以将常用 Prompt 封装成一个 Python 函数输入参数返回 LLM 的处理结果。import openai import json def ask_llm(prompt, modelgpt-3.5-turbo): client openai.OpenAI(api_keyyour-api-key) response client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}], temperature0.7 # 控制创造性0-1之间越高越随机 ) return response.choices[0].message.content def generate_marketing_slogan(product, tone, key_features): 生成营销口号的函数 prompt_template 角色你是顶尖的广告文案创意总监。 任务为产品“{product}”创作3个营销口号。 产品特点{key_features} 口号风格{tone} 要求每个口号不超过10个字朗朗上口突出产品核心卖点。 输出格式以 JSON 数组格式输出字段为 slogans。 prompt prompt_template.format( productproduct, tonetone, key_features, .join(key_features) ) result ask_llm(prompt) try: return json.loads(result) except json.JSONDecodeError: # 如果模型没有返回标准JSON则返回原始文本 return {slogans: [result]} # 调用函数 slogans generate_marketing_slogan( product智能降噪耳机, tone科技感、简洁, key_features[40dB主动降噪, 30小时续航, 透明模式] ) print(slogans)7. 效果验证与迭代优化写出 Prompt 只是第一步根据输出结果进行验证和优化才是关键。7.1 验证清单每次得到 LLM 的输出后问自己以下几个问题准确性输出的事实信息正确吗推理过程逻辑自洽吗完整性是否覆盖了我要求的所有要点有没有遗漏步骤格式符合度输出是否严格遵循了我指定的格式JSON、表格等风格匹配度语气、专业度是否符合角色设定和受众预期冗余度有没有多余的、重复的或无关的内容7.2 迭代优化策略如果输出不理想不要直接重写整个 Prompt。尝试以下策略增加约束如果输出太发散增加更具体的限制条件如“列出前5个最重要的原因”。提供示例如果格式总是不对提供一个完美的输出示例Few-Shot。分解任务如果模型一次性处理复杂任务效果差尝试将其拆分成多个子任务分步询问。调整温度Temperature通过 API 调用时降低temperature如从 0.8 调到 0.2可以使输出更确定、更聚焦调高则可以获得更多样化的创意。更换指令表述有时同义替换关键词就能带来巨大改善。例如将“写一篇报告”改为“以数据分析师的身份撰写一份包含问题、分析和建议的三段式报告”。8. 常见问题与排查方法在使用和优化 Prompt 过程中你可能会遇到以下典型问题。问题现象可能原因排查与解决方案输出偏离主题或答非所问1. 任务描述模糊。2. 缺少必要的背景信息。3. 角色设定不明确或与任务冲突。1. 使用“任务做X以达到Y标准”的句式明确目标。2. 补充关键上下文。3. 检查并强化角色指令确保其与任务强相关。输出格式不符合要求1. 格式指令不清晰。2. 模型“忘记”了格式要求尤其在长对话中。1. 在 Prompt 末尾用醒目的方式重申格式如“请务必以JSON格式输出”。2. 对于复杂格式使用 Few-Shot 示例是最可靠的方法。输出内容过于简略或冗长1. 缺乏对长度、细节程度的约束。2. 温度temperature参数设置不当。1. 增加明确的约束如“用三个要点总结每个要点不超过两句话”。2. 调整temperature求准调低0.1-0.3求创意调高0.7-0.9。在复杂推理任务上出错模型直接跳到了答案没有进行逐步推理。强制使用思维链CoT在问题前加上“让我们一步步思考”或“请展示你的推理过程”。API 调用返回意外错误1. Prompt 过长超出模型上下文限制。2. 输入包含特殊字符或格式导致 API 解析错误。3. 系统指令被后续用户消息覆盖。1. 压缩 Prompt删除不必要的信息。考虑使用“摘要”或“分块”策略处理长文本。2. 确保 JSON 等格式正确转义。对于复杂 Prompt先在 Web UI 中测试。3. 在对话历史中保持system消息的完整性或在关键回合前重新发送核心指令。批量处理时结果不一致1. 没有设置随机种子seed。2. Prompt 本身存在歧义导致不同解读。1. 在 API 调用中设置seed参数以获得可重复的结果如果平台支持。2. 优化 Prompt使其表述唯一、明确。进行多轮测试找出并消除歧义点。9. 最佳实践与使用建议从简单开始逐步增加复杂度先用一个基础 Prompt 获得初步输出然后根据不足逐步添加角色、步骤、格式等约束。不要试图一次性写出完美的长篇 Prompt。建立你的 Prompt 库将经过验证的有效 Prompt 分门别类保存下来如“代码类”、“写作类”、“分析类”、“创意类”并记录其适用模型和场景。为不同的 LLM 微调不同的模型对同一 Prompt 的反应可能不同。为 ChatGPT、Claude、DeepSeek 等主流模型准备稍有不同的“优化版” Prompt。将 Prompt 视为“可调试的程序”像调试代码一样对待 Prompt。如果输出不对不是模型“笨”而是你的“指令程序”不够清晰。分析“错误”输出反向优化你的指令。注意上下文长度模型的上下文窗口有限。对于超长文档处理优先采用“摘要-提炼-汇总”的策略或使用支持长上下文的模型并明确指示模型关注哪些部分。安全第一在构建面向用户的 AI 应用时永远不要相信用户的输入。对用户输入进行过滤和清理防止提示词注入攻击避免将未经检查的用户输入直接拼接进系统指令。10. 总结与下一步掌握 Prompt 工程的核心在于转变思维从“向一个黑盒提问”转变为“为一个强大的、但需要明确指令的智能体编写清晰的操作指南”。本文提供的框架和技巧——角色设定、任务分解、格式约束、思维链和示例学习——构成了这套指南的语法。最值得立即尝试的是应用“角色任务步骤格式”这个最小有效组合。无论是让模型帮你写邮件、分析数据还是生成代码先按这个结构组织你的需求你会立刻感受到输出质量的提升。最容易踩的坑是指令模糊和缺乏验证。避免使用“更好”、“一些”、“大概”这类词汇代之以具体、可衡量的标准。并且永远不要假设第一次的输出就是完美的建立迭代优化的习惯。下一步你可以探索更高级的主题例如使用 LangChain、LlamaIndex 等框架来构建复杂的、包含记忆和工具调用的 AI 智能体Agent。学习自动化测试 Prompt通过设计测试用例集来量化不同 Prompt 版本的效果。深入研究特定领域的 Prompt 模式如法律文书分析、学术论文润色、游戏剧情生成等。Prompt 工程是当前与 AI 协作的最高效接口。投入时间掌握它你将在很大程度上释放大语言模型的潜力将其从有趣的聊天伙伴转变为真正得力的生产工具。 Prompt工程实战指南：从基础到进阶，解锁大语言模型高效对话
这次我们来看一个对开发者、产品经理和所有大语言模型使用者都至关重要的话题如何有效地向任何大语言模型提问。无论你面对的是 OpenAI 的 GPT 系列、Claude、DeepSeek还是开源的 Llama、Qwen、ChatGLM一个高质量的提示词往往是决定输出质量的关键。本文不讨论复杂的理论而是聚焦于一套可立即上手、经过验证的通用 Prompt 工程方法让你能快速提升与任何 LLM 的对话效率。很多人认为 Prompt 工程是“魔法咒语”但实际上它是一套结构化的沟通技术。核心目标很简单让模型准确理解你的意图并输出符合你期望的、高质量的结果。本文将拆解从基础到进阶的 Prompt 构建技巧涵盖角色设定、任务分解、格式约束、思维链引导等关键维度并提供大量可直接复用的模板。无论你是想优化日常问答、进行复杂推理、生成代码还是构建自动化工作流这里都有你需要的实战方案。1. 核心能力速览高质量 Prompt 的通用框架在深入细节前我们先通过一个表格快速了解一个“好 Prompt”通常包含哪些核心要素以及它们各自的作用。这能帮助你建立一个清晰的认知框架。能力项说明与作用角色设定为模型赋予一个专家身份如资深程序员、专业编辑、数据分析师能显著提升回答的专业性和语境贴合度。任务目标清晰、具体地定义你希望模型完成什么。避免模糊指令使用“做什么、达到什么标准”的表述。背景/上下文提供必要的背景信息帮助模型理解问题的来龙去脉减少猜测和无关输出。输入/输出格式明确指定期望的回答格式如 JSON、Markdown 表格、代码块、项目符号列表便于后续程序化处理。步骤/约束条件将复杂任务分解为步骤或列出必须遵守的规则如字数限制、禁用词汇、必须包含的要点。思维链引导要求模型“逐步思考”或“展示推理过程”能极大提升复杂问题尤其是数学、逻辑、代码的解答正确率。示例Few-Shot提供一两个输入-输出的例子是让模型快速掌握你期望格式和风格的最有效方法之一。这个框架是通用的你可以根据实际任务组合使用其中的部分或全部要素。接下来我们将逐一拆解并给出具体示例。2. 适用场景与使用边界2.1 谁需要学习 Prompt 工程开发者需要通过 API 集成 LLM 功能构建稳定的应用。产品/运营人员利用 LLM 进行内容创作、数据分析、用户调研。研究人员/学生使用 LLM 辅助文献综述、思路整理、论文写作。任何频繁使用 ChatGPT 等工具的用户希望获得更精准、高效、可靠的回答。2.2 能解决什么问题提高输出质量与相关性从“还行”的回答变成“精准、专业、可直接使用”的输出。实现复杂任务自动化通过精心设计的 Prompt让 LLM 完成多步骤分析、报告生成、代码重构等。确保输出格式一致性为后续自动化处理如解析 JSON、提取表格数据铺平道路。降低 API 调用成本与时间减少因理解偏差导致的反复调试和重复生成。2.3 不适合什么场景需要 100% 确定性结果的场景LLM 本质是概率模型不适合执行精确计算或法律、医疗等容错率极低的决策。涉及实时、高频数据更新的任务LLM 的知识存在滞后性不适合基于最新实时信息做判断。完全替代专业领域深度工作它可以辅助但不能替代律师起草合同、医生进行诊断等需要专业资质和深度经验的工作。2.4 安全与合规边界隐私与敏感信息避免在 Prompt 中输入个人身份信息、商业秘密、未脱敏的数据库内容。版权与原创性用于生成商业内容时需注意输出内容是否可能侵犯他人版权并进行必要的审核。提示词注入防护如果你将用户输入直接拼接进系统 Prompt需防范用户通过精心构造的输入来“劫持”或“越权”指令。这在构建 AI 应用时至关重要。3. 环境准备与前置条件学习 Prompt 工程本身对硬件没有要求但如果你想在本地或通过 API 进行大量测试和集成需要准备以下环境访问任意一个 LLM在线平台OpenAI ChatGPT, Claude, DeepSeek, 文心一言通义千问等。这是最快捷的起点。API 服务获取相应平台的 API Key如 OpenAI, Anthropic, 智谱 AI, 月之暗面等以便通过代码调用。本地模型如果你有足够的 GPU 资源可以部署 Llama、Qwen 等开源模型通过 Ollama、LM Studio 或 vLLM 等框架提供服务。测试与验证工具浏览器用于访问在线聊天界面。Python 环境可选但推荐如果你计划通过 API 集成或进行批量测试需要安装 Python 及requests库。笔记软件用于保存和整理你的成功 Prompt 模板。思维准备明确目标在写 Prompt 前先想清楚你到底要什么。迭代心态很少有 Prompt 能一次完美需要根据输出结果不断调整和优化。4. 基础构建从零开始写一个高效 Prompt让我们从一个简单的任务升级开始直观感受结构化 Prompt 的威力。原始模糊 Prompt效果差帮我写一篇关于 Python 的文章。模型可能输出任何关于 Python 的内容质量不可控。升级后的结构化 Prompt效果好角色你是一位拥有10年经验的资深软件工程师和技术布道师。 任务为编程初学者撰写一篇关于“为什么应该学习 Python 作为第一门语言”的博客文章引言。 背景读者是零基础、对技术感兴趣的大学生或转行者他们可能对选择哪门语言入门感到困惑。 要求 1. 文章风格需亲切、鼓舞人心避免使用过于晦涩的术语。 2. 突出 Python 在语法简洁性、社区生态、就业市场和应用领域数据分析、AI、Web开发的优势。 3. 字数控制在 300 字左右。 4. 以一个问题或一个引人入胜的观点开头。 输出格式请直接输出完整的文章段落不要添加额外的解释。这个 Prompt 明确了角色、受众、具体主题、风格、要点和格式极大提升了输出质量的确定性和可用性。5. 核心技巧拆解与实战模板5.1 技巧一使用系统指令System Prompt进行角色与规则设定在 API 调用中你可以通过system角色消息来设定模型的整体行为准则这比在用户消息中重复说明更有效。# 使用 OpenAI API 的示例 import openai client openai.OpenAI(api_keyyour-api-key) response client.chat.completions.create( modelgpt-4, messages[ { role: system, content: 你是一位严谨的学术编辑。你的任务是帮助用户改进文本的语法、逻辑和学术表达。你只修改文本不改变原意并以清晰的方式解释你的修改理由。如果用户的要求与学术规范无关请礼貌拒绝。 }, { role: user, content: 请帮我润色这段文字AI is gonna change the world big time. } ] ) print(response.choices[0].message.content)系统指令设定了模型的“人格”和边界使其在整个对话中保持一致的行为模式。5.2 技巧二任务分解与步骤化指令对于复杂任务将指令分解为清晰的步骤可以引导模型进行更有条理的思考。模板请按照以下步骤完成任务 步骤1: [第一步的具体指令] 步骤2: [第二步的具体指令] ... 步骤N: [最后一步的指令包括输出格式]示例数据分析报告生成你是一位数据分析师。请分析以下销售数据并生成一份简要报告。 数据 月份, 销售额(万), 客户数 1月, 120, 1500 2月, 135, 1650 3月, 118, 1550 请按步骤进行 1. 计算每个月的客单价销售额/客户数。 2. 找出销售额最高的月份。 3. 分析客单价的变化趋势。 4. 基于以上分析给出一个简要的业务建议。 请将最终报告以 Markdown 表格和要点列表的形式呈现。5.3 技巧三提供示例Few-Shot Prompting这是让模型快速掌握复杂格式或特定风格的最强技巧。你提供几个输入输出的例子模型会模仿这种模式。示例将自然语言指令转换为特定格式的 JSON请将用户的需求转换为标准化的任务JSON。 示例1 用户输入“明天下午3点提醒我开会” 输出{task_type: reminder, action: create, params: {time: 明天 15:00, event: 开会}} 示例2 用户输入“查询北京下周一的天气” 输出{task_type: query, action: weather, params: {location: 北京, date: 下周一}} 现在请转换以下用户输入 用户输入“把《项目总结》这份文档发给技术部的张三” 输出模型会根据你提供的两个例子推断出转换规则并生成类似结构的 JSON。5.4 技巧四思维链Chain-of-Thought, CoT引导对于需要推理、数学计算或分步决策的问题明确要求模型“逐步思考”可以显著提高答案的准确性。模板请解决以下问题。请确保给出你的逐步推理过程最后再给出最终答案。 问题[你的问题]示例请解决以下逻辑问题。请确保给出你的逐步推理过程最后再给出最终答案。 问题一个房间里有一个灯泡。房间外有三个开关其中只有一个能控制房间里的灯泡。你现在在房间外可以随意拨动开关但只能进入房间一次。如何确定哪个开关控制灯泡模型会先模拟推理过程如打开开关A等10分钟关闭A打开B立即进屋...然后给出答案和解释。5.5 技巧五明确输出格式约束这是实现人机或机机协作的关键。明确的格式便于你后续用脚本自动化处理结果。常用格式指令请以 JSON 格式输出包含字段key1, key2...请生成一个 Markdown 表格表头为列1列2列3请将关键点用项目符号列表列出请将代码包裹在 语言 ... 代码块中请先输出“【分析】”然后是分析段落再输出“【建议】”然后是建议段落6. 高级模式构建可复用的 Prompt 模板与函数当你积累了一批有效的 Prompt 后可以将其模板化甚至封装成“函数”以便在复杂工作流中调用。6.1 模板化示例代码审查助手你可以创建一个包含占位符的模板文件使用时替换具体内容。模板文件code_review_template.txt:角色你是一位资深 {language} 开发专家以严谨和注重细节著称。 任务对以下 {language} 代码进行全面的代码审查。 代码{code_snippet}审查要求 1. 检查潜在的 bug 和安全漏洞。 2. 评估代码性能和可优化的部分。 3. 检查代码风格和是否符合 {style_guide} 规范。 4. 提出具体的、可操作的改进建议。 输出格式 【问题总结】 - [问题1][描述] [严重程度] [建议修改] - [问题2]... 【优化建议】 1. [建议1] 2. [建议2]使用脚本填充并调用:import json def load_prompt_template(template_path, replacements): with open(template_path, r, encodingutf-8) as f: template f.read() for key, value in replacements.items(): template template.replace(f{{{key}}}, value) return template replacements { language: Python, code_snippet: def calculate_average(nums):\n sum 0\n for i in range(len(nums)):\n sum nums[i]\n return sum / len(nums), style_guide: PEP 8 } final_prompt load_prompt_template(code_review_template.txt, replacements) # 然后将 final_prompt 发送给 LLM print(final_prompt)6.2 通过 API 实现“函数化”调用你可以将常用 Prompt 封装成一个 Python 函数输入参数返回 LLM 的处理结果。import openai import json def ask_llm(prompt, modelgpt-3.5-turbo): client openai.OpenAI(api_keyyour-api-key) response client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}], temperature0.7 # 控制创造性0-1之间越高越随机 ) return response.choices[0].message.content def generate_marketing_slogan(product, tone, key_features): 生成营销口号的函数 prompt_template 角色你是顶尖的广告文案创意总监。 任务为产品“{product}”创作3个营销口号。 产品特点{key_features} 口号风格{tone} 要求每个口号不超过10个字朗朗上口突出产品核心卖点。 输出格式以 JSON 数组格式输出字段为 slogans。 prompt prompt_template.format( productproduct, tonetone, key_features, .join(key_features) ) result ask_llm(prompt) try: return json.loads(result) except json.JSONDecodeError: # 如果模型没有返回标准JSON则返回原始文本 return {slogans: [result]} # 调用函数 slogans generate_marketing_slogan( product智能降噪耳机, tone科技感、简洁, key_features[40dB主动降噪, 30小时续航, 透明模式] ) print(slogans)7. 效果验证与迭代优化写出 Prompt 只是第一步根据输出结果进行验证和优化才是关键。7.1 验证清单每次得到 LLM 的输出后问自己以下几个问题准确性输出的事实信息正确吗推理过程逻辑自洽吗完整性是否覆盖了我要求的所有要点有没有遗漏步骤格式符合度输出是否严格遵循了我指定的格式JSON、表格等风格匹配度语气、专业度是否符合角色设定和受众预期冗余度有没有多余的、重复的或无关的内容7.2 迭代优化策略如果输出不理想不要直接重写整个 Prompt。尝试以下策略增加约束如果输出太发散增加更具体的限制条件如“列出前5个最重要的原因”。提供示例如果格式总是不对提供一个完美的输出示例Few-Shot。分解任务如果模型一次性处理复杂任务效果差尝试将其拆分成多个子任务分步询问。调整温度Temperature通过 API 调用时降低temperature如从 0.8 调到 0.2可以使输出更确定、更聚焦调高则可以获得更多样化的创意。更换指令表述有时同义替换关键词就能带来巨大改善。例如将“写一篇报告”改为“以数据分析师的身份撰写一份包含问题、分析和建议的三段式报告”。8. 常见问题与排查方法在使用和优化 Prompt 过程中你可能会遇到以下典型问题。问题现象可能原因排查与解决方案输出偏离主题或答非所问1. 任务描述模糊。2. 缺少必要的背景信息。3. 角色设定不明确或与任务冲突。1. 使用“任务做X以达到Y标准”的句式明确目标。2. 补充关键上下文。3. 检查并强化角色指令确保其与任务强相关。输出格式不符合要求1. 格式指令不清晰。2. 模型“忘记”了格式要求尤其在长对话中。1. 在 Prompt 末尾用醒目的方式重申格式如“请务必以JSON格式输出”。2. 对于复杂格式使用 Few-Shot 示例是最可靠的方法。输出内容过于简略或冗长1. 缺乏对长度、细节程度的约束。2. 温度temperature参数设置不当。1. 增加明确的约束如“用三个要点总结每个要点不超过两句话”。2. 调整temperature求准调低0.1-0.3求创意调高0.7-0.9。在复杂推理任务上出错模型直接跳到了答案没有进行逐步推理。强制使用思维链CoT在问题前加上“让我们一步步思考”或“请展示你的推理过程”。API 调用返回意外错误1. Prompt 过长超出模型上下文限制。2. 输入包含特殊字符或格式导致 API 解析错误。3. 系统指令被后续用户消息覆盖。1. 压缩 Prompt删除不必要的信息。考虑使用“摘要”或“分块”策略处理长文本。2. 确保 JSON 等格式正确转义。对于复杂 Prompt先在 Web UI 中测试。3. 在对话历史中保持system消息的完整性或在关键回合前重新发送核心指令。批量处理时结果不一致1. 没有设置随机种子seed。2. Prompt 本身存在歧义导致不同解读。1. 在 API 调用中设置seed参数以获得可重复的结果如果平台支持。2. 优化 Prompt使其表述唯一、明确。进行多轮测试找出并消除歧义点。9. 最佳实践与使用建议从简单开始逐步增加复杂度先用一个基础 Prompt 获得初步输出然后根据不足逐步添加角色、步骤、格式等约束。不要试图一次性写出完美的长篇 Prompt。建立你的 Prompt 库将经过验证的有效 Prompt 分门别类保存下来如“代码类”、“写作类”、“分析类”、“创意类”并记录其适用模型和场景。为不同的 LLM 微调不同的模型对同一 Prompt 的反应可能不同。为 ChatGPT、Claude、DeepSeek 等主流模型准备稍有不同的“优化版” Prompt。将 Prompt 视为“可调试的程序”像调试代码一样对待 Prompt。如果输出不对不是模型“笨”而是你的“指令程序”不够清晰。分析“错误”输出反向优化你的指令。注意上下文长度模型的上下文窗口有限。对于超长文档处理优先采用“摘要-提炼-汇总”的策略或使用支持长上下文的模型并明确指示模型关注哪些部分。安全第一在构建面向用户的 AI 应用时永远不要相信用户的输入。对用户输入进行过滤和清理防止提示词注入攻击避免将未经检查的用户输入直接拼接进系统指令。10. 总结与下一步掌握 Prompt 工程的核心在于转变思维从“向一个黑盒提问”转变为“为一个强大的、但需要明确指令的智能体编写清晰的操作指南”。本文提供的框架和技巧——角色设定、任务分解、格式约束、思维链和示例学习——构成了这套指南的语法。最值得立即尝试的是应用“角色任务步骤格式”这个最小有效组合。无论是让模型帮你写邮件、分析数据还是生成代码先按这个结构组织你的需求你会立刻感受到输出质量的提升。最容易踩的坑是指令模糊和缺乏验证。避免使用“更好”、“一些”、“大概”这类词汇代之以具体、可衡量的标准。并且永远不要假设第一次的输出就是完美的建立迭代优化的习惯。下一步你可以探索更高级的主题例如使用 LangChain、LlamaIndex 等框架来构建复杂的、包含记忆和工具调用的 AI 智能体Agent。学习自动化测试 Prompt通过设计测试用例集来量化不同 Prompt 版本的效果。深入研究特定领域的 Prompt 模式如法律文书分析、学术论文润色、游戏剧情生成等。Prompt 工程是当前与 AI 协作的最高效接口。投入时间掌握它你将在很大程度上释放大语言模型的潜力将其从有趣的聊天伙伴转变为真正得力的生产工具。