🚀 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

你是不是也遇到过这种情况：花了几小时精心设计了一个问题，扔给 ChatGPT 或 Claude，结果得到的回答要么是“正确的废话”，要么干脆跑偏，完全不是你想要的。你开始怀疑，到底是模型不行，还是自己不会提问？

这背后的问题，恰恰是当前 AI 大模型应用中最核心、也最容易被忽视的一环：提示词工程（Prompt Engineering）。很多人以为它只是“把话说清楚”，但实际上，它是一门融合了心理学、语言学、软件工程和特定领域知识的系统性技术。一个优秀的提示词，能让一个普通模型发挥出专家级水平；而一个糟糕的提示词，即使面对顶级模型，也可能得到毫无价值的输出。

本文不会用“随着 AI 发展”这样的套话开头。我们直接切入核心：提示词工程的核心价值，不是让你“学会提问”，而是让你掌握一套可复用的“工程化”方法，将模糊的需求转化为模型能稳定、高质量执行的精确指令。无论是开发基于大模型的智能应用（如 RAG 问答机器人），还是日常使用 ChatGPT 辅助编程、写作、分析，这套方法都能让你少走 99% 的弯路。

接下来，我们将从“道、法、术、器”四个层面，彻底拆解提示词工程。你会看到从最基础的“角色扮演”技巧，到构建复杂 Agent 的完整框架，再到如何将提示词作为配置项进行管理。我们不仅会讲“是什么”，更会深入“为什么”和“怎么做”，并提供大量可直接复用的代码示例和最佳实践。

1. 提示词工程：从“玄学”到“工程学”的认知跃迁

在深入技术细节前，我们必须先纠正一个普遍误区：提示词工程 ≠ 学习几个“魔法咒语”。网上流传的“万能提示词模板”往往只在特定上下文有效，盲目套用效果甚微。

真正的提示词工程，其本质是人机交互界面的设计。你面对的不是一个搜索引擎，而是一个拥有强大理解与生成能力，但缺乏常识和明确目标的黑盒系统。你的任务是通过设计输入（提示词），来引导和约束这个系统的输出，使其符合你的预期。

这个过程为什么困难？主要有三个原因：

1. 模型的不确定性：大模型是基于概率生成内容的，同样的提示词在不同时间、不同上下文可能产生不同结果。
2. 需求的模糊性：人类的需求往往是模糊、多义且充满背景知识的，而计算机需要精确的指令。
3. 知识的错位：模型拥有海量参数化知识，但不知道“你”具体知道什么、想要什么。

因此，提示词工程的目标非常明确：构建一个稳定、可靠、可重复的“翻译”流程，将人类模糊的意图，翻译成模型能精确执行的指令序列。这已经远远超出了“说话技巧”的范畴，进入了软件工程的领域——需要设计模式、模块化、测试和迭代。

2. 核心概念拆解：Prompt、Context、Temperature 与思维链

在开始实践前，我们先统一几个关键术语的理解，这是后续所有讨论的基础。

2.1 Prompt（提示词）

Prompt 是你输入给模型的所有文本，用以引导其生成回复。一个复杂的 Prompt 通常包含多个部分：

• 指令（Instruction）：明确告诉模型要做什么。例如：“你是一位经验丰富的 Python 代码审查专家。”
• 上下文（Context）：提供完成任务所需的外部信息。例如：“以下是需要审查的代码片段：def calculate(...):”
• 输入数据（Input Data）：需要模型处理的具体内容。
• 输出指示（Output Indicator）：指定输出的格式、风格或结构。例如：“请以 Markdown 表格形式列出问题、严重等级和建议。”

关键认知：Prompt 是一个完整的“程序”，而不仅仅是问题。你是在为模型编写“源代码”。

2.2 Context（上下文/语境）

Context 有双重含义：

1. 对话上下文：模型能“记住”的之前轮次的对话内容。这决定了模型的短期记忆。
2. 提示词上下文：你在本次 Prompt 中为其提供的背景信息。例如，在 RAG 系统中，这就是从向量数据库检索出的相关文档片段。

工程启示：模型的“记忆力”有限（受上下文窗口长度限制）。设计 Prompt 时，必须考虑如何将最关键的信息放在最有效的上下文中。

2.3 Temperature（温度）

这是一个重要的模型采样参数，范围通常在 0.0 到 1.0（或 2.0）之间。

• 低温度（如 0.1）：模型输出更确定、更保守，倾向于选择概率最高的词。适用于代码生成、事实问答等需要准确性的场景。
• 高温度（如 0.8）：模型输出更多样、更有创造性，会从概率分布中随机采样。适用于创意写作、头脑风暴。

最佳实践：对于大多数需要可靠输出的任务，建议从temperature=0.1或0.2开始。只有在需要创意时再调高。

2.4 Chain-of-Thought（思维链，CoT）

这是提示词工程中里程碑式的技术。其核心是鼓励模型展示其推理过程，而不是直接给出最终答案。

• 零样本思维链（Zero-shot-CoT）：简单地在问题后加上“让我们一步步思考。”
• 少样本思维链（Few-shot-CoT）：提供几个包含推理步骤的示例。

为什么有效？对于复杂问题，直接要求答案会迫使模型进行“直觉跳跃”，容易出错。而要求分步思考，相当于让模型把内部计算“外化”，这既提高了答案的准确性，也使得错误更容易被追溯和纠正。

3. 环境准备：选择你的“试验场”

理论需要实践来验证。在开始设计复杂提示词前，你需要一个稳定、可复现的测试环境。以下是几种主流方案：

3.1 在线平台（快速入门）

• OpenAI Playground / ChatGPT：最直接，适合快速验证想法。注意保存成功的 Prompt。
• Claude Console：Anthropic 的模型在遵循指令和长上下文方面表现优异。
• 文心一言、通义千问等国内平台：了解国产模型的特性。

3.2 本地/API 调用（工程化必备）

对于开发而言，通过 API 调用是必然选择。这里以 OpenAI API (兼容 OpenAI 格式的国产 API 同样适用) 为例，展示基础环境搭建。

步骤1：安装必要的 Python 库

pip install openai python-dotenv

步骤2：配置环境变量创建一个.env文件来安全地存储你的 API 密钥：

# .env OPENAI_API_KEY=sk-your-actual-api-key-here OPENAI_BASE_URL=https://api.openai.com/v1 # 如果使用国内代理服务，需修改此处

步骤3：编写基础调用脚本创建一个test_prompt.py文件：

# test_prompt.py import os from openai import OpenAI from dotenv import load_dotenv # 加载环境变量 load_dotenv() # 初始化客户端 client = OpenAI( api_key=os.getenv('OPENAI_API_KEY'), base_url=os.getenv('OPENAI_BASE_URL', 'https://api.openai.com/v1') ) def simple_chat(prompt, model="gpt-3.5-turbo", temperature=0.1): """一个简单的聊天完成函数""" try: response = client.chat.completions.create( model=model, messages=[ {"role": "user", "content": prompt} ], temperature=temperature, max_tokens=1000 ) return response.choices[0].message.content except Exception as e: return f"API调用出错: {e}" if __name__ == "__main__": # 测试一个简单提示词 test_prompt = "请用Python写一个函数，计算斐波那契数列的第n项。" result = simple_chat(test_prompt) print("模型回复：") print(result)

运行这个脚本，确保你的环境配置正确，能够正常收到模型回复。

4. 提示词设计核心模式：从基础到进阶

掌握了基础概念和环境，我们现在进入核心部分：如何设计一个高效的提示词。我将它归纳为四大核心模式，层层递进。

4.1 模式一：角色扮演（Role Prompting）

这是最基础也最有效的模式。通过为模型赋予一个特定的角色，你可以极大地约束其输出风格和知识范围。

基础格式：

你是一位[具体角色]，拥有[相关经验/技能]。你的任务是[具体任务]。请以[某种风格/格式]回答。

示例：代码审查专家

role_prompt = """ 你是一位拥有10年经验的资深Python开发专家，尤其擅长代码性能优化和可维护性审查。 请审查以下Python函数，找出其中的潜在问题（如性能瓶颈、代码风格、潜在bug、可读性等），并为每个问题提供具体的修改建议。 请以Markdown表格的形式输出，表格列包括：`行号`、`问题类型`、`问题描述`、`修改建议`、`严重等级（高/中/低）`。 待审查的代码：

def process_data(data_list): result = [] for i in range(len(data_list)): item = data_list[i] if item % 2 == 0: result.append(item * 2) else: result.append(item + 1) return result

""" result = simple_chat(role_prompt, model="gpt-4") print(result)

关键点：角色越具体，模型“入戏”越深。“10年经验”、“资深”、“擅长性能优化”这些限定词，比简单的“你是一个程序员”有效得多。

4.2 模式二：结构化输出（Structured Output）

让模型按照你指定的格式（JSON、XML、YAML、Markdown表格等）输出，这对于后续的程序化处理至关重要。

示例：生成结构化数据

structured_prompt = """ 请分析以下短文的情感倾向，并提取关键实体。 请严格按照以下JSON格式输出，不要有任何额外的解释： { "sentiment": "positive|negative|neutral", "confidence_score": 0.95, "key_entities": ["entity1", "entity2", ...], "summary": "一句话摘要" } 短文： “尽管项目初期遇到了技术挑战和进度压力，但团队展现出了惊人的韧性和协作精神，最终不仅按时交付，其代码质量还获得了客户的高度评价。特别感谢后端开发张三和前端李四的突出贡献。” """ result = simple_chat(structured_prompt, temperature=0.1) # 低温度保证格式稳定 print(result) # 理想输出应是一个可直接解析的JSON字符串

进阶技巧：对于复杂结构，可以使用 JSON Schema 来定义。一些高级框架（如 LangChain 的 PydanticOutputParser）支持直接绑定到 Pydantic 模型，实现类型安全的输出解析。

4.3 模式三：思维链与分步指令（Chain-of-Thought & Step-by-Step）

对于逻辑推理、数学计算或复杂分析任务，强制模型展示思考步骤。

示例：解决逻辑问题

cot_prompt = """ 请解决以下逻辑问题，并一步步展示你的推理过程。 问题： 一个房间里有三个开关，分别控制隔壁房间的三盏灯（一一对应）。你只能进入隔壁房间一次。如何确定哪个开关控制哪盏灯？ 请按以下步骤回答： 1. 首先，陈述你已知的条件和限制。 2. 然后，提出你的解决方案，并解释每一步的理由。 3. 最后，给出结论。 """ result = simple_chat(cot_prompt) print(result)

工程化应用：在构建 Agent 时，可以将复杂任务分解为多个子步骤，每个步骤用一个明确的 Prompt 驱动，并将上一步的输出作为下一步的输入。这就是 LangChain 等框架中Chain概念的核心。

4.4 模式四：少样本学习（Few-Shot Learning）

通过提供少量输入-输出示例，让模型快速理解任务模式。这在模型对任务格式不熟悉时特别有效。

示例：文本风格转换

few_shot_prompt = """ 请将以下口语化的句子转换为正式、专业的商务邮件用语。 示例1： 输入：“老哥，那个报告赶紧弄一下，老板催了。” 输出：“您好，请您优先处理一下那份报告，上级领导这边催得比较急。” 示例2： 输入：“这功能搞不定啊，太复杂了。” 输出：“该功能在实现上遇到了一些技术复杂度方面的挑战。” 现在，请转换新的句子： 输入：“这个bug修了好几天都没弄好，我快疯了。” 输出： """ result = simple_chat(few_shot_prompt) print(result)

注意：示例的质量和代表性至关重要。好的示例应该清晰、无歧义，并覆盖任务的主要变化。

5. 构建复杂提示词系统：RAG 问答机器人实战

理解了核心模式后，我们来看一个综合性的实战项目：构建一个金融领域的智能问答机器人。这个项目将融合角色扮演、结构化输出、思维链，并引入 RAG 技术。

5.1 项目架构与设计

我们的目标是构建一个能回答特定金融知识（如公司财报术语、监管政策）的机器人。核心挑战是：大模型的通用知识可能不包含最新的或内部的金融文档细节。

解决方案：采用 RAG 架构。

1. 检索（Retrieval）：将金融知识库（PDF、Word、网页）切分并向量化，存入向量数据库。
2. 增强（Augmented）：当用户提问时，先从向量库检索最相关的文档片段。
3. 生成（Generation）：将检索到的片段作为上下文，与用户问题一起构成 Prompt，发送给大模型生成答案。

技术栈选择：

• LLM：Qwen-72B-Chat (或 GPT-4，根据可用性和成本选择)
• 框架：LangChain (用于编排链)、LangChain-ChatChat (可选，提供了丰富本地化组件)
• 向量库：Chroma (轻量) 或 Milvus (生产级)
• Embedding 模型：text2vec-large-chinese 或 OpenAItext-embedding-ada-002
• Web 框架：FastAPI
• 微调相关：LoRA, SFT (用于后续可能的领域微调)

5.2 核心实现步骤

步骤1：知识库预处理与向量化

# prepare_knowledge_base.py import os from langchain.document_loaders import DirectoryLoader, TextLoader, PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import Chroma # 1. 加载文档 documents = [] loader = DirectoryLoader('./financial_docs/', glob="**/*.pdf", loader_cls=PyPDFLoader) documents.extend(loader.load()) # 可以添加更多加载器处理 txt, md, docx 等 # 2. 分割文本 text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, # 每个片段大小 chunk_overlap=50, # 重叠部分，避免语义断裂 separators=["\n\n", "\n", "。", "；", "，", " ", ""] ) split_docs = text_splitter.split_documents(documents) print(f"原始文档数：{len(documents)}， 分割后片段数：{len(split_docs)}") # 3. 创建向量存储 embeddings = HuggingFaceEmbeddings(model_name="GanymedeNil/text2vec-large-chinese") # 或者使用 OpenAI Embeddings: from langchain.embeddings import OpenAIEmbeddings # 持久化到磁盘 vectorstore = Chroma.from_documents( documents=split_docs, embedding=embeddings, persist_directory="./chroma_financial_db" ) vectorstore.persist() print("知识库向量化完成并已持久化。")

步骤2：构建 RAG 检索链

# rag_chain.py from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate from langchain.chat_models import ChatOpenAI from langchain.vectorstores import Chroma from langchain.embeddings import HuggingFaceEmbeddings import os from dotenv import load_dotenv load_dotenv() # 1. 加载向量数据库 embeddings = HuggingFaceEmbeddings(model_name="GanymedeNil/text2vec-large-chinese") vectorstore = Chroma( persist_directory="./chroma_financial_db", embedding_function=embeddings ) retriever = vectorstore.as_retriever(search_kwargs={"k": 3}) # 检索最相关的3个片段 # 2. 定义精心设计的 Prompt Template prompt_template = """ 你是一位专业的金融分析师助手，专门负责解答关于公司财报、金融术语和监管政策的问题。 请严格根据以下提供的上下文信息来回答问题。如果上下文信息不足以回答问题，请如实告知“根据现有资料无法回答”，不要编造信息。 上下文信息： {context} 用户问题：{question} 请按照以下结构组织你的回答： 1. **核心答案**：首先，用一两句话直接回答用户的问题。 2. **详细解释**：然后，结合上下文信息，对答案进行展开说明。可以引用上下文中的关键数据或表述。 3. **信息来源**：最后，说明你的回答主要基于以上上下文中的哪部分信息（可以简要概括）。 4. **免责声明**：在结尾附上一句“请注意，本回答仅供参考，不构成投资建议。” 现在，请开始回答： """ PROMPT = PromptTemplate( template=prompt_template, input_variables=["context", "question"] ) # 3. 初始化 LLM # 注意：这里使用 OpenAI 格式的 API，实际可替换为 Qwen 等模型的兼容端点 llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0.1, openai_api_key=os.getenv("OPENAI_API_KEY"), openai_api_base=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1") ) # 4. 创建检索问答链 qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", # 将检索到的所有文档“塞”进上下文 retriever=retriever, chain_type_kwargs={"prompt": PROMPT}, return_source_documents=True # 返回源文档，便于追溯 ) # 5. 提问示例 if __name__ == "__main__": question = "什么是 EBITDA？它在财报分析中有什么作用？" result = qa_chain({"query": question}) print("问题：", question) print("\n=== 回答 ===") print(result["result"]) print("\n=== 参考来源 ===") for i, doc in enumerate(result["source_documents"]): print(f"[来源{i+1}] {doc.page_content[:200]}...") # 打印前200字符

步骤3：使用 FastAPI 构建服务接口

# main.py (FastAPI 应用) from fastapi import FastAPI, HTTPException from pydantic import BaseModel from rag_chain import qa_chain # 导入上面定义的链 app = FastAPI(title="金融知识问答机器人 API") class QuestionRequest(BaseModel): question: str top_k: int = 3 # 可自定义检索数量 class AnswerResponse(BaseModel): answer: str sources: list[str] @app.post("/ask", response_model=AnswerResponse) async def ask_question(req: QuestionRequest): """接收问题，返回答案和参考来源""" try: # 调用 RAG 链 result = qa_chain({"query": req.question}) # 处理来源 source_texts = [doc.page_content[:500] for doc in result["source_documents"]] # 截取部分内容 return AnswerResponse( answer=result["result"], sources=source_texts ) except Exception as e: raise HTTPException(status_code=500, detail=f"处理问题时出错：{str(e)}") if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000)

运行python main.py后，你就可以通过http://localhost:8000/docs访问自动生成的 API 文档，并通过/ask端点进行提问。

6. 高级技巧与工程化实践

一个可用的原型只是开始。要让提示词系统真正可靠、可维护，还需要以下工程化实践。

6.1 提示词版本管理与测试

像管理代码一样管理你的提示词。

• 将提示词存储在外部文件（如 JSON、YAML）或数据库中，而不是硬编码在代码里。
• 使用版本控制（如 Git）追踪提示词的变更。
• 建立测试集：针对核心功能，准备一批标准问题，并保存预期的“黄金答案”。每次修改提示词后，运行测试集，评估答案质量的变化（可以使用余弦相似度或 GPT 本身进行评估）。

6.2 系统提示词（System Message）与对话管理

在聊天模型中，system消息用于设置对话的总体行为和角色，它比user消息拥有更高的权重和持久性。

def chat_with_system_message(): from openai import OpenAI client = OpenAI(api_key=os.getenv('OPENAI_API_KEY')) response = client.chat.completions.create( model="gpt-4", messages=[ { "role": "system", "content": "你是一个言辞犀利、幽默的科技评论员。你的所有回答都必须带有一点讽刺和调侃的意味，同时保持信息准确。" }, { "role": "user", "content": "你怎么看待现在各种手机品牌都在卷摄像头像素？" } ], temperature=0.7 ) print(response.choices[0].message.content)

最佳实践：将最稳定、最核心的指令放在system消息中。user消息则处理当次查询的具体内容。

6.3 处理长上下文与摘要技巧

当上下文超过模型窗口限制时，需要策略。

• Map-Reduce：将长文档切分，分别总结（Map），再对总结进行总结（Reduce）。
• Refine：迭代式总结，逐步精炼。
• 选择性上下文：不是把所有检索到的内容都塞进去，而是通过一个“相关性评分”过滤器，只保留最相关的部分。这可以在检索器（retriever）层面通过设置分数阈值实现。

6.4 规避常见陷阱：幻觉、偏见与安全

• 幻觉：模型自信地生成错误信息。对策：使用 RAG 提供真实上下文；在 Prompt 中强调“根据已知信息回答”；要求模型为答案提供引用来源。
• 偏见：模型输出可能包含训练数据中的社会偏见。对策：在system提示词中明确要求其保持中立、客观；对输出进行后处理过滤。
• 安全与越狱：用户可能试图让模型生成有害内容。对策：永远不要将未经处理的用户输入直接拼接进 Prompt；使用第二层“安全审查”模型对输入和输出进行检查；在系统层面设置内容过滤策略。

7. 常见问题与排查指南

在开发和调试提示词系统时，你一定会遇到以下问题。这里提供快速的排查思路。

8. 从提示词工程到智能体（Agent）开发

提示词工程是构建智能体的基石。一个智能体（Agent）通常由以下核心部分组成：

1. 规划（Planning）：将目标分解为子任务。提示词技巧：使用思维链（CoT）或 Tree of Thoughts 让模型自己制定计划。
2. 工具使用（Tool Use）：调用外部 API、数据库或函数。提示词技巧：清晰描述工具的功能、输入和输出格式。Few-Shot 示例至关重要。
3. 记忆（Memory）：存储和回忆过去的交互。提示词技巧：设计摘要 Prompt，将长对话历史压缩成关键点。
4. 反思（Reflection）：评估自身行动和结果，进行修正。提示词技巧：设计一个“批判者”角色，对主智能体的输出进行审查和提出改进意见。

一个简单的 ReAct 模式智能体伪代码示例：

# 伪代码，展示 ReAct (Reasoning + Acting) 模式的思想 def simple_agent(question): tools = [search_tool, calculator_tool, db_query_tool] prompt = f""" 你是一个可以调用工具的助手。你可以进行思考，然后决定是回答问题还是调用工具。 可用的工具：{tools_description} 历史记录：{memory} 当前问题：{question} 请按以下格式回应： 思考：[你的推理过程] 行动：`工具名` 或 `回答` 输入：`工具需要的输入` 或 `最终答案` """ # 将 prompt 发送给模型，解析出“行动”和“输入” # 如果行动是工具，则调用工具，将结果加入记忆，循环 # 如果行动是回答，则返回答案

通过组合不同的提示词模式，你就能指挥大模型完成规划、使用工具、总结反思等一系列复杂行为，从而构建出真正自主的智能体应用。

9. 总结：将提示词视为最重要的配置项

回顾全文，我们从最基础的“角色扮演”提示词，一路走到了构建 RAG 系统和智能体的门口。希望你现在能深刻理解，提示词工程不是“调参玄学”，而是一门关于精确沟通和系统设计的工程学科。

对于开发者而言，最关键的思维转变是：将提示词视为你应用程序中最高级、也是最灵活的配置项。它定义了系统的行为逻辑。因此，你需要像对待代码一样对待它：

• 版本化：用 Git 管理重要提示词的变更。
• 模块化：将复杂的提示词拆解为可复用的组件（如角色定义、格式指令、示例库）。
• 测试驱动：为关键提示词建立测试用例，确保修改不会导致回归。
• 持续迭代：基于真实用户反馈和数据，不断优化你的提示词。

这条路没有终点。新的模型、新的框架、新的模式会不断涌现。但只要你掌握了“将人类意图工程化为机器指令”的核心方法论，你就拥有了驾驭所有大模型应用的元能力。现在，打开你的编辑器，从一个具体的任务开始，设计你的第一个工程级提示词吧。

🚀 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