第二章：提示词工程实战（10个高效的Prompt技巧）

⚙️

提示词工程（Prompt Engineering）是与大语言模型（LLM）高效交互的核心技能。随着ChatGPT、Claude、GPT-4等AI模型的普及，掌握提示词设计已成为开发者、产品经理和内容创作者的必备能力。本文将系统讲解提示词工程的核心原理、主流技术和实战最佳实践。

核心要点

•

提示词工程：通过设计优化的输入文本，引导LLM生成高质量、准确的输出

•

Zero-shot：无需示例，直接描述任务让模型完成

•

Few-shot：提供少量示例，帮助模型理解任务模式

•

Chain-of-Thought：引导模型逐步推理，提升复杂问题解决能力

•

ReAct：结合推理与行动，实现工具调用和多步骤任务

•

结构化提示词：使用角色、任务、格式、约束等元素构建高效提示词

飞书文档 - 图片

什么是提示词工程

提示词工程是设计和优化输入文本（Prompt）的过程，目的是引导大语言模型生成期望的输出。它不仅仅是"问问题"，而是一门结合语言学、认知科学和AI技术的实践艺术。

为什么提示词工程重要

#nSLFkvaRrxkB text { white-space: pre; }#nSLFkvaRrxkB .fb0 { stroke: var(--N900-FG, 0.15); }#nSLFkvaRrxkB .fb0 {stroke: rgba(31,35,41, 0.15)}#nSLFkvaRrxkB .fx0 { stroke-miterlimit: 10; }#nSLFkvaRrxkB .fx0 {stroke-miterlimit: 10}#nSLFkvaRrxkB .fa1 { fill: rgb(187, 191, 196); }#nSLFkvaRrxkB .fa1 {fill: rgb(187, 191, 196)}#nSLFkvaRrxkB .fx1 { font: 400 12px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#nSLFkvaRrxkB .fx1 {font-style: normal}#nSLFkvaRrxkB .fx2 { text-anchor: middle; }#nSLFkvaRrxkB .fx2 {text-anchor: middle}#nSLFkvaRrxkB .fx3 { dominant-baseline: central; }#nSLFkvaRrxkB .fx3 {dominant-baseline: central}#nSLFkvaRrxkB .fx4 { stroke: none; }#nSLFkvaRrxkB .fx4 {stroke: none}#nSLFkvaRrxkB .fc0 { fill: var(--text-caption); }#nSLFkvaRrxkB .fc0 {fill: #646a73}#nSLFkvaRrxkB .fa2 { fill: var(--text-link-disabled); }#nSLFkvaRrxkB .fa2 {fill: rgb(187, 191, 196)}#nSLFkvaRrxkB .fa3 { fill: rgb(31, 35, 41); }#nSLFkvaRrxkB .fa3 {fill: rgb(31, 35, 41)}#nSLFkvaRrxkB .fx5 { font: 400 16px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#nSLFkvaRrxkB .fx5 {font-style: normal}#nSLFkvaRrxkB .fx6 { text-anchor: start; }#nSLFkvaRrxkB .fx6 {text-anchor: start}#nSLFkvaRrxkB .fx7 { dominant-baseline: alphabetic; }#nSLFkvaRrxkB .fx7 {dominant-baseline: alphabetic}#nSLFkvaRrxkB .fc1 { fill: rgb(255, 255, 255); }#nSLFkvaRrxkB .fc1 {fill: rgb(255, 255, 255)}#nSLFkvaRrxkB .fx8 { font: 700 16px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#nSLFkvaRrxkB .fx8 {font-style: normal}#nSLFkvaRrxkB .fc2 { fill: rgb(51, 51, 51); }#nSLFkvaRrxkB .fc2 {fill: rgb(51, 51, 51)}#nSLFkvaRrxkB .fb1 { fill: var(--N900-FG, 0.15); }#nSLFkvaRrxkB .fb1 {fill: rgba(31,35,41, 0.15)}#nSLFkvaRrxkB .fb2 { fill: rgb(225, 228, 232); }#nSLFkvaRrxkB .fb2 {fill: rgb(225, 228, 232)}#nSLFkvaRrxkB .fa4 { fill: var(--bg-body); }#nSLFkvaRrxkB .fa4 {fill: #fff}ABC12345维度差的提示词好的提示词准确性效率成本可控性模糊、偏离主题需要多次迭代Token消耗高输出格式不稳定精准、切中要点一次获得满意结果优化Token使用格式一致可预测

提示词的基本组成

代码块

Plain Text

主流提示词技术详解

Zero-shot Prompting

Zero-shot是最基础的提示词技术，直接描述任务，不提供任何示例。适用于简单、明确的任务。

示例：

代码块

Plain Text

将以下英文翻译成中文：

"The quick brown fox jumps over the lazy dog."

适用场景：

•

简单的分类任务

•

直接的翻译需求

•

基础的文本生成

优点：简洁高效，Token消耗低缺点：复杂任务效果不稳定

Few-shot Prompting

Few-shot通过提供少量示例（通常2-5个），帮助模型理解任务模式和期望的输出格式。

示例：

代码块

Plain Text

请根据示例进行情感分类：

示例1：

文本："这家餐厅的服务太棒了！"

情感：正面

示例2：

文本："等了一个小时才上菜，体验很差。"

情感：负面

示例3：

文本："价格还行，味道一般。"

情感：中性

现在请分类：

Few-shot最佳实践：

Chain-of-Thought (CoT)

思维链提示词引导模型展示推理过程，显著提升数学、逻辑和复杂问题的解决能力。

基础CoT示例：

代码块

Plain Text

问题：一个书店有3个书架，每个书架有4层，每层可以放25本书。

书店目前已经放了210本书，还能再放多少本？

让我们一步步思考：

1. 首先计算总容量：3个书架 × 4层 × 25本 = 300本

2. 然后计算剩余空间：300本 - 210本 = 90本

答案：还能再放90本书。

Zero-shot CoT（魔法提示词）：

只需在问题后添加"让我们一步步思考"（Let's think step by step），即可激活模型的推理能力：

代码块

Plain Text

问题：如果一辆车以60km/h的速度行驶，需要多长时间才能行驶150公里？

让我们一步步思考：

ReAct框架

ReAct（Reasoning + Acting）结合推理和行动，让模型能够使用工具、搜索信息并执行多步骤任务。

ReAct模式：

代码块

Plain Text

问题：北京今天的天气如何？适合户外运动吗？

Self-Consistency

自洽性方法通过多次采样并选择最一致的答案，提高输出的可靠性。

代码块

Python

responses = []

for i in range(5):

response = llm.generate(prompt, temperature=0.7)

提示词结构化设计

CRISPE框架

表格加载中...

完整示例：

代码块

Plain Text

## 角色

你是一位有10年经验的全栈工程师，担任代码审查专家。

## 背景

我们的项目使用React 18 + Node.js 20技术栈，遵循Airbnb代码规范。

## 任务

请审查以下Pull Request代码，识别潜在问题。

## 要求

- 以专业但友好的语气

- 按严重程度（高/中/低）分类问题

- 提供具体的修改建议

## 代码

```javascript

// 待审查的代码

输出格式

🔴 高优先级问题

🔘 中优先级问题

🔵 低优先级建议

代码块

Plain Text

### 负面提示词技巧

明确告诉模型"不要做什么"，可以有效避免常见错误：

请撰写一篇关于机器学习的技术博客。

要求：

•

面向初学者

•

包含实际代码示例

•

长度约1000字

请不要：

•

使用过于专业的术语而不解释

•

只讲理论不给实例

•

使用过时的库版本

代码块

Plain Text

## 场景优化策略

### 代码生成场景

任务

实现一个Python函数，用于验证邮箱地址格式。

技术要求

•

Python 3.10+

•

使用正则表达式

•

包含类型注解

•

添加docstring

测试用例

•

有效: "user@example.com", "test.name@domain.co.uk"

•

无效: "invalid", "@nodomain.com", "spaces in@email.com"

输出

只输出代码，不需要解释。

代码块

Plain Text

### 数据分析场景

角色

你是一位数据分析师。

数据

任务

分析销售趋势

计算用户平均贡献值

预测下月销售额

输出格式

使用Markdown表格和要点列表。

代码块

Plain Text

### 文案创作场景

产品

智能手表 - FitPro X1

目标受众

25-35岁，注重健康的都市白领

任务

撰写一条朋友圈推广文案

要求

•

突出健康监测功能

•

语气轻松活泼

•

包含行动号召

•

长度：50-80字

•

可以使用emoji

禁止

•

夸大宣传

•

使用"最好"、"第一"等绝对词汇

代码块

Plain Text

## 实战代码示例

### Python调用OpenAI API

```python

from openai import OpenAI

client = OpenAI()

def structured_prompt(role, task, context, format_spec):

"""构建结构化提示词"""

prompt = f"""## 角色

{role}

## 任务

{task}

Few-shot模板生成器

代码块

Python

def create_few_shot_prompt(task_description, examples, query):

"""创建Few-shot提示词"""

prompt = f"{task_description}\n\n"for i, (input_text, output_text) in enumerate(examples, 1):

常见问题解答

提示词越长越好吗？

不一定。提示词应该足够详细以明确任务，但过长会增加Token成本和处理时间。关键是精准而非冗长。建议先用简洁提示词测试，根据输出质量逐步优化。

如何处理模型"幻觉"问题？

几种有效策略：

•

要求模型引用来源

•

使用"如果不确定，请说明"的约束

•

提供参考资料作为上下文

•

使用Self-Consistency多次验证

Few-shot示例应该放在提示词的什么位置？

研究表明，将最相关的示例放在最后（靠近实际问题）效果最好。这是因为LLM对最近的上下文有更强的注意力。

不同模型需要不同的提示词吗？

是的，不同模型有不同的特性：

•

GPT-4：理解能力强，可使用复杂提示词

•

Claude：擅长长文本，适合详细指令

•

开源模型：可能需要更明确、简单的指令

如何评估提示词的效果？

建立评估体系：

•

准确性：输出是否正确

•