Prompt 工程基础

系统提示词设计、常用技巧和最佳实践。

什么是 Prompt 工程？

Prompt 工程是设计和优化输入提示词的技术，目的是引导大模型生成更准确、更符合预期的输出。

好的 Prompt 可以：

• 提高回答的准确性和相关性
• 控制输出的格式和风格
• 减少幻觉和错误信息
• 降低 Token 消耗和成本

Prompt 工程不是玄学，而是有章可循的技术。核心原则是：清晰、具体、有示例。

为什么 Prompt 工程如此重要？

大语言模型本质上是”预测下一个 Token”的系统。它的输出完全取决于输入。同样的问题，不同的问法可能得到截然不同的答案。Prompt 工程就是研究如何”问对问题”的学问。

Prompt 工程的核心原则：

Prompt 结构

一个完整的 Prompt 通常包含以下几个部分，不是每个部分都必需，根据任务复杂度选择：

flowchart TB
    subgraph Prompt
        A[System 系统指令]
        B[Context 上下文]
        C[Examples 示例]
        D[Task 任务]
        E[Format 格式要求]
    end
    
    A --> B --> C --> D --> E

各部分详解：

角色设定

角色设定是 System Prompt 的核心。通过明确的角色定义，可以让模型”进入状态”，生成更专业、更一致的回答。

为什么角色设定有效？

模型在训练时接触了大量不同角色的文本（医生、律师、程序员等）。通过角色设定，你实际上是在激活模型中与该角色相关的知识和表达方式。

好的角色设定包含三要素：

1. 身份：你是谁（专家、助手、翻译等）
2. 任务：你要做什么
3. 约束：你的行为边界

基础模板

你是一个 [角色]，专长于 [领域]。
你的任务是 [目标]。
回答要求：[约束条件]

示例

你是一个资深 Python 开发者。
你的任务是审查代码并提出改进建议。
回答要求：简洁、给出代码示例、指出潜在问题。

角色设定的常见模式：

常用技巧

以下是经过验证的 Prompt 技巧，可以显著提升模型输出质量。

1. Few-shot（少样本）

通过提供几个示例，让模型理解你期望的输入输出格式。这是最有效的技巧之一，特别适合格式化输出、分类任务。

为什么 Few-shot 有效？

模型会从示例中学习模式，包括：

• 输入输出的对应关系
• 输出的格式和风格
• 任务的边界和约束

示例数量建议：2-5 个，太少可能不够，太多会浪费 Token。

flowchart LR
    A[示例1] --> B[示例2] --> C[实际问题]
    
    style A fill:#e1f5fe
    style B fill:#e1f5fe
    style C fill:#fff3e0

将英文翻译成中文：

English: Hello
中文: 你好

English: Thank you
中文: 谢谢

English: Good morning
中文:

Few-shot 最佳实践：

2. Chain of Thought（思维链）

让模型”展示思考过程”，而不是直接给出答案。这对于数学计算、逻辑推理、复杂分析特别有效。

为什么 CoT 有效？

原理：强制模型分步骤思考，减少跳跃式推理带来的错误。当模型需要”写出”中间步骤时，它实际上在进行更深入的推理。

flowchart LR
    A[问题] --> B[步骤1] --> C[步骤2] --> D[步骤3] --> E[答案]

触发词：

• “让我们一步步思考”
• “Let’s think step by step”
• “请详细说明你的推理过程”
• “首先…然后…最后…”

CoT 示例对比：

# 不使用 CoT
问：小明有 5 个苹果，给了小红 2 个，又买了 3 个，现在有几个？
答：6 个

# 使用 CoT
问：小明有 5 个苹果，给了小红 2 个，又买了 3 个，现在有几个？请一步步思考。
答：
1. 小明最初有 5 个苹果
2. 给了小红 2 个后：5 - 2 = 3 个
3. 又买了 3 个后：3 + 3 = 6 个
所以小明现在有 6 个苹果。

3. 输出格式控制

明确指定输出格式可以让结果更易于程序解析。模型对格式指令的遵循度很高，但建议配合示例使用。

格式控制技巧：

# 强制 JSON 输出
请分析以下文本的情感，以 JSON 格式输出：
{
  "sentiment": "positive/negative/neutral",
  "confidence": 0.0-1.0,
  "keywords": ["关键词1", "关键词2"]
}

文本：这个产品太棒了！

注意事项：

• 使用 JSON Mode（response_format: {"type": "json_object"}）可以保证输出有效 JSON
• 复杂格式建议提供完整示例
• 避免过于复杂的嵌套结构

System Prompt 设计

System Prompt 是整个对话的”宪法”，定义了 AI 的行为准则。好的 System Prompt 应该结构清晰、职责明确。

结构化模板

# 角色
你是...

# 能力
- 能力1
- 能力2

# 限制
- 不要...
- 避免...

# 输出格式
使用...格式回复

提示词优化

Prompt 工程是一个迭代过程。很少有人能一次写出完美的 Prompt，通常需要多次测试和调整。

优化流程：

1. 写初始 Prompt
2. 测试多个输入
3. 分析失败案例
4. 针对性调整
5. 重复测试

flowchart TD
    A[初始 Prompt] --> B[测试]
    B --> C{效果好?}
    C -->|否| D[分析问题]
    D --> E[调整 Prompt]
    E --> B
    C -->|是| F[固化使用]

常见问题与解决

高级技巧

Self-Consistency（自洽性）

对同一问题多次采样，选择出现最多的答案。适合有明确答案的任务（数学、选择题）。

flowchart TD
    A[问题] --> B[采样1]
    A --> C[采样2]
    A --> D[采样3]
    
    B --> E[答案A]
    C --> F[答案A]
    D --> G[答案B]
    
    E & F & G --> H[投票: A获胜]

Tree of Thoughts（思维树）

让模型探索多条推理路径，评估每条路径的可行性，选择最优解。适合复杂规划、创意任务。

flowchart TD
    A[问题] --> B[方案1]
    A --> C[方案2]
    A --> D[方案3]
    
    B --> E[评估: 7分]
    C --> F[评估: 9分]
    D --> G[评估: 5分]
    
    F --> H[选择方案2]

请用思维树方法解决这个问题：
1. 列出 3 种可能的方案
2. 评估每种方案的优缺点
3. 选择最佳方案并详细说明

问题：如何提高团队的代码质量？

ReAct（推理+行动）

结合推理和行动，让模型在思考和执行之间交替。这是 Agent 的核心模式。

你可以使用以下工具：
- search(query): 搜索信息
- calculate(expression): 计算数学表达式

请按以下格式回答：
Thought: 我需要思考...
Action: search("关键词")
Observation: 搜索结果...
Thought: 根据结果，我认为...
Answer: 最终答案

反面示例（负面提示）

告诉模型”不要做什么”，有时比”要做什么”更有效。人类也是如此——知道什么是错的，往往比知道什么是对的更容易。

你是一个代码审查助手。

不要：
- 不要只说"代码看起来不错"
- 不要忽略潜在的安全问题
- 不要给出模糊的建议

要：
- 指出具体的问题行号
- 给出修改后的代码示例
- 解释为什么这样改更好

分解复杂任务

将复杂任务分解为多个简单步骤，逐步完成。

任务：写一篇关于人工智能的博客文章

请按以下步骤完成：
1. 首先，列出文章大纲（3-5 个主要部分）
2. 然后，为每个部分写 2-3 句话的摘要
3. 接着，扩展第一部分的内容
4. 继续扩展其他部分
5. 最后，写引言和结论

各厂商差异

不同模型对 Prompt 的响应有所不同，了解这些差异可以帮助你写出更好的 Prompt。

针对不同模型的建议：

实用模板

以下是经过验证的实用模板，可以直接使用或根据需要修改。

代码审查

你是一位资深代码审查专家。请审查以下代码：

## 审查维度
1. **正确性**：是否有 bug 或逻辑错误
2. **安全性**：是否有安全漏洞
3. **性能**：是否有性能问题
4. **可读性**：代码是否清晰易懂
5. **最佳实践**：是否遵循语言/框架的最佳实践

## 输出格式
- 问题列表（按严重程度排序）
- 改进建议
- 代码质量评分（1-10分）

## 代码
```{language}
{code}
```

文档生成

为以下函数生成专业的文档注释。

## 要求
- 使用 {docstring_style} 风格（如 Google、NumPy、Sphinx）
- 包含功能描述
- 参数说明（类型、含义、默认值）
- 返回值说明
- 异常说明（如果有）
- 使用示例

## 函数
```{language}
{function}
```

数据提取

从以下文本中提取结构化信息。

## 输出格式
```json
{
  "name": "姓名",
  "date": "日期（YYYY-MM-DD 格式）",
  "amount": "金额（数字）",
  "currency": "货币单位"
}
```

## 规则
- 如果信息不存在，使用 null
- 日期统一转换为 YYYY-MM-DD 格式
- 金额只保留数字

## 文本
{text}

翻译

你是一位专业翻译，精通中英双语。

## 任务
将以下{source_lang}文本翻译成{target_lang}。

## 要求
- 保持原文的语气和风格
- 专业术语使用标准译法
- 如有多种译法，选择最自然的表达
- 保留原文的格式（如列表、标题）

## 原文
{text}

摘要生成

请为以下文章生成摘要。

## 要求
- 长度：{length}字以内
- 包含文章的核心观点
- 保持客观，不添加个人观点
- 使用简洁的语言

## 文章
{article}

问答助手

你是一个专业的{domain}领域助手。

## 你的职责
- 回答用户关于{domain}的问题
- 提供准确、有帮助的信息
- 如果不确定，诚实地说"我不确定"

## 回答风格
- 简洁明了
- 使用通俗易懂的语言
- 必要时给出示例
- 复杂问题分步骤解答

## 限制
- 不提供{prohibited_topics}相关建议
- 不编造信息
- 超出能力范围时建议咨询专业人士

Prompt 调试技巧

1. 使用分隔符

清晰分隔不同部分，避免混淆：

### 指令 ###
{instructions}

### 输入 ###
{input}

### 输出 ###

2. 明确输出起始

告诉模型从哪里开始输出：

请分析以下文本的情感。

文本：{text}

分析结果：

3. 使用 XML 标签

Claude 特别擅长处理 XML 标签：

<instructions>
分析以下文档
</instructions>

<document>
{document}
</document>

<output_format>
JSON
</output_format>

4. 迭代优化记录

记录每次修改和效果：

常见错误

相关文档

• 02-OpenAI-Chat-Completions-API
• 13-大模型-Agent与工具调用
• 21-大模型-代码助手开发
• 19-大模型-聊天机器人开发