Prompt Engineering 提示词工程

约 2547 字大约 8 分钟

2025-09-05

Prompt 提示词

Prompt（提示词）是用户与大语言模型（LLM）交互时输入的指令或上下文信息，用于引导 AI 生成符合预期的输出结果。它可以是一段文字、一个问题、一些描述或带有特定参数的指令，本质上是连接人类意图与 AI 能力的桥梁。

Prompt 的核心价值在于它能够显著提升 AI 输出的准确性和可控性。通过精心设计的 Prompt，用户可以：

减少歧义：明确任务边界，避免模型“自由发挥”。
提高效率：一个精心设计的 Prompt 可以使 AI 在最短的时间内生成最符合需求的答案或内容。
适配专业场景：针对不同领域（如编程、法律、教育）定制指令，获得更专业的输出。

常见类型及示例

类型	说明	示例
指令型	明确要求 AI 完成特定动作（如创作、总结、翻译、分析等）	“写一封求职邮件，主题为‘应聘产品经理岗位’，突出项目管理经验。”
角色扮演型	为 AI 指定一个角色，使其输出更专业、更符合特定视角	“假设你是哈佛大学的时间管理教授，用轻松幽默的语言写一篇给拖延症患者的 5 分钟速读指南。”
结构化输出型	要求 AI 返回特定格式的数据，如 JSON、表格等，便于程序解析	“以 JSON 格式返回中国 GDP 排名前 5 的城市，包含字段：城市名、GDP（亿元）、同比增长率。”
思维链（CoT）型	引导 AI 展示推理过程，适用于复杂问题或逻辑分析	“请分步骤解答：小明有 12 个苹果，吃掉 1/3 后分给朋友一半，还剩多少？”
少样本学习（Few-Shot）型	提供 1-3 个输入-输出示例，让 AI 模仿学习特定模式或风格	示例 1：输入：“嘿，明天能交报告吗？” -> 输出：“您好，请问报告能否在明日提交？期待您的回复。” 任务：改写“这方案行不行？快点反馈！”

Prompt 的应用场景

Prompt 的应用场景非常广泛，几乎涵盖了所有与 AI 交互的领域

内容创作：撰写文章、脚本、诗歌、邮件、营销文案等。
代码辅助：生成代码片段、解释代码、调试、转换编程语言等。
知识问答与学习：解答问题、解释概念、总结文献、翻译语言等。
推理与分析：进行逻辑推理、数学计算、数据分析、图表生成等。
对话与角色扮演：模拟客服、进行语言练习、创建聊天机器人等。

设计优质 Prompt 的基本原则

一个高质量的 Prompt 通常具备以下特点，可以参考RCO-STAR等模板来构思：

清晰具体 (Clear and Specific)：避免模糊表述，明确任务目标。例如，不说“写篇文章”，而说“写一篇关于‘低碳生活小技巧’的科普短文，分 5 个要点”。
提供上下文 (Context)：提供必要的背景信息、约束条件或参考标准。例如，“针对 3-5 岁儿童，用绘本风格解释‘为什么月亮会变圆缺’”。
定义角色 (Role)：为 AI 设定一个身份，如“你是一位资深 Python 工程师”。
明确目标 (Objective)：清晰说明需要完成的具体任务。
指定风格和语调 (Style & Tone)：根据需求指定输出风格（如学术、口语、幽默、专业等）和语调。
考虑受众 (Audience)：明确输出内容的受众群体。
定义响应格式 (Response Format)：要求 AI 以特定格式（如 JSON、Markdown、列表）输出结果。

Prompt Engineering 提示工程

Prompt Engineering（提示工程）是一门通过精心设计和优化输入给大型语言模型（LLM）的文本指令（即 Prompt），以引导模型生成更准确、更符合预期输出的技术。其核心在于在不修改模型本身权重的情况下，通过调整输入内容来影响和优化模型的行为，可以理解为一种“与 AI 高效沟通的艺术”。

核心设计要素

要素	说明	示例（简化版）
任务 (Task)	清晰、明确地指出你希望模型完成的具体动作。这是 Prompt 最核心的部分。	“总结以下文章的核心观点。”
上下文 (Context)	提供与任务相关的背景信息、数据或材料，帮助模型更准确地理解意图。	“这是一篇关于气候变化对农业影响的学术论文：[文章内容]”
角色 (Role)	为模型设定一个特定的身份或角色，使其输出更具专业性、更符合特定视角。	“你是一位资深营养师。”
示例 (Examples)	提供一两个输入-输出的例子（Few-shot），让模型通过模仿来快速学习任务模式。	“输入：'这部电影很棒' -> 输出：正面情感输入：'服务很差' -> 输出：负面情感”
格式 (Format)	指定模型输出的形式和要求，如 JSON、表格、列表、Markdown、代码等。	“请将结果以 JSON 格式输出。”
语气/风格 (Tone)	指定输出文本的风格或语调，如正式、口语化、幽默、严谨、简洁等。	“用通俗易懂的语言向初学者解释。”

常用方法

方法	说明	示例（简化版）
零样本提示 (Zero-shot)	直接向模型下达任务指令，不提供任何已完成任务的示例。模型依赖其内部知识来理解和执行。	“将‘Hello, world!’翻译成中文。”
少样本提示 (Few-shot)	在 Prompt 中提供几个任务示例（输入-输出对），让模型通过上下文学习（In-context Learning）来模仿模式。	“Q: 今天天气怎么样？ A: 询问天气 Q: 讲个笑话 A: 请求笑话 Q: [用户问题] A:”
思维链 (Chain-of-Thought, CoT)	对于复杂问题，要求模型展示其推理步骤和思考过程，而不仅仅是给出最终答案，以提高准确性和可解释性。	“请分步骤解答这个问题：如果小明有 5 个苹果，吃了 2 个，又买了 3 个，他现在一共有几个？”
指令迭代优化	通过不断调整和细化指令的清晰度、具体性和约束条件，像调试代码一样调试 Prompt，以获得最佳输出。	从模糊的“写首诗”优化为具体的“写一首关于离别的七言律诗，押仄韵，意境苍凉。”