1. 引言：为什么需要学习 Prompt 工程？

在当今以大型语言模型（LLM）为核心的人工智能浪潮中，Prompt（提示词）已成为连接人类意图与模型能力的核心桥梁。那么，什么是 Prompt？简单来说，就是你向 AI 发起的对话内容或指令。比如，当你问 ChatGPT “帮我写一首诗”，这句话就是一条 Prompt。

一个精心设计的 Prompt 可以显著提升模型输出的准确性、相关性和创造性，而一个模糊的指令则可能导致结果南辕北辙。举个直观的例子：

• ❌模糊 Prompt：写个总结
• ✅清晰 Prompt：请用 100 字以内总结下面这段科技新闻，突出核心数据和时间节点，面向普通读者

同样的模型，同样的输入材料，仅仅因为 Prompt 的写法不同，输出的质量可能天差地别。因此，掌握 Prompt 工程技巧，不再是少数专家的专利，而是每一位希望高效利用 AI 的开发者和内容创作者的必备技能。

本指南旨在为你提供一套系统、可操作的 Prompt 工程深度学习路径，并辅以详细的代码 Demo，帮助你将理论转化为实践。

2. 核心概念与术语

在深入技巧之前，我们先明确几个核心概念：

• Prompt（提示词）： 你输入给语言模型的指令或问题，是模型生成内容的“种子”。
• Completion（补全）： 模型根据你的 Prompt 生成的输出内容。
• Temperature（温度）： 控制模型输出随机性的参数。值越低（如 0.2），输出越确定、保守；值越高（如 0.8），输出越多样、有创造性。
• Top-p（核采样）： 另一种控制随机性的方法，从累积概率超过 p 的最小 token 集合中采样。
• Few-shot Learning（少样本学习）： 在 Prompt 中提供少量示例，引导模型模仿示例的格式和风格来完成任务。
• Chain-of-Thought（思维链，CoT）： 在 Prompt 中引导模型“逐步思考”，展示推理过程，从而提升复杂问题（如数学、逻辑推理）的解答准确性。

3. 基础 Prompt 构建技巧

3.1 清晰明确：角色、任务、上下文、格式

一个有效的 Prompt 应尽可能包含以下要素：

1. 角色（Role）： 指定模型扮演的角色。
2. 任务（Task）： 清晰、具体地描述需要完成的工作。
3. 上下文（Context）： 提供必要的背景信息或约束条件。
4. 格式（Format）： 明确期望的输出格式（如 JSON、Markdown、列表）。

示例 Prompt：

你是一位资深软件架构师。请根据以下用户需求，设计一个微服务架构方案。 需求：一个电商平台，需要支持用户注册登录、商品浏览、购物车、订单管理和支付。 请以 Markdown 列表形式，列出核心服务及其职责，并简要说明服务间的通信方式。

3.2 结构化与分步指令

对于复杂任务，将指令分解为清晰的步骤。

示例 Prompt：

请完成以下任务： 1. 总结下面这段关于机器学习的文本。 2. 从总结中提取三个关键词。 3. 基于关键词，生成一个可能的后续研究问题。 文本：[此处插入文本] 请将最终答案以 JSON 格式输出，包含 `summary`、`keywords` 和 `research_question` 字段。

4. 高级 Prompt 工程技巧

4.1 少样本学习（Few-shot Prompting）

通过提供输入-输出示例，让模型“照葫芦画瓢”。

# 代码 Demo：使用 OpenAI API 进行少样本情感分析importopenai client=openai.OpenAI(api_key="your-api-key")few_shot_prompt=""" 请判断以下评论的情感倾向（正面/负面/中性）： 示例1: 评论：“这部电影太精彩了，演员演技炸裂！” 情感：正面 示例2: 评论：“产品一般般，没有宣传的那么好。” 情感：中性 示例3: 评论：“物流慢，客服态度差，非常失望。” 情感：负面 现在请判断： 评论：“这款手机的电池续航令人印象深刻，但屏幕有点暗。” 情感： """response=client.chat.completions.create(model="gpt-4o-mini",messages=[{"role":"user","content":few_shot_prompt}],temperature=0.1# 低温度确保稳定遵循示例格式)print(response.choices[0].message.content)# 预期输出：正面

4.2 思维链（Chain-of-Thought Prompting）

引导模型展示推理步骤，适用于数学、逻辑问题。

# 代码 Demo：使用 CoT 解决数学问题cot_prompt=""" Q: 一个篮子里有15个苹果。小明拿走了3个，小华又放进去比现在篮子里苹果数多2倍的苹果。最后篮子里有多少个苹果？ 让我们一步步思考： 1. 最初有15个苹果。 2. 小明拿走3个后，剩下 15 - 3 = 12 个苹果。 3. “比现在篮子里苹果数多2倍”意思是：放进去的苹果数量 = 当前数量 (12) * 2 = 24 个。 4. 小华放进去24个苹果后，总数为 12 + 24 = 36 个。 5. 所以，最后篮子里有36个苹果。 A: 36 Q: 一个房间里有4张桌子，每张桌子有4条腿。另外有3把椅子，每把椅子有3条腿。房间里所有家具总共有多少条腿？ 让我们一步步思考： """response=client.chat.completions.create(model="gpt-4o-mini",messages=[{"role":"user","content":cot_prompt}],temperature=0)print(response.choices[0].message.content)# 预期输出包含推理步骤和最终答案：4*4 + 3*3 = 16+9=25条腿。

4.3 自我一致性（Self-Consistency）与投票

通过多次采样并选择最一致的答案来提高可靠性。

# 代码 Demo：自我一致性采样（简化版）importcollections question=“如果一本书放在桌子上，桌子在房间里，那么书在房间里吗？请只回答‘是’或‘否’。” answers=[]for_inrange(5):# 采样5次response=client.chat.completions.create(model="gpt-4o-mini",messages=[{"role":"user","content":question}],temperature=0.7# 适当提高温度以产生多样性)answer=response.choices[0].message.content.strip()answers.append(answer)print(f"采样{_+1}:{answer}")# 统计最常见答案counter=collections.Counter(answers)final_answer,count=counter.most_common(1)[0]print(f"\n最终答案（通过自我一致性投票）: '{final_answer}' (出现{count}次)")

5. 实战项目：构建一个智能邮件分类器

我们将综合运用以上技巧，构建一个能自动将客户邮件分类（如“咨询”、“投诉”、“表扬”、“其他”）并提取关键信息的系统。

# 代码 Demo：智能邮件分类与信息提取器importjsondefclassify_and_extract_email(email_content):""" 使用高级 Prompt 对邮件进行分类和信息提取。 """system_prompt=“你是一个专业的客户服务AI助手。请严格按照指令操作。” user_prompt=f""" 请处理以下客户邮件： 邮件内容： \"\"\"{email_content}\"\"\" 请执行以下步骤： 1. **分类**：判断邮件属于哪一类？选项：咨询、投诉、表扬、其他。 2. **提取实体**：从邮件中提取以下信息（如果存在）： - 客户提及的产品/服务名称 - 订单号或参考号 - 关键日期（如问题发生日期） 3. **总结核心诉求**：用一句话总结客户的主要需求或问题。 4. **生成回复要点**：为该类邮件生成2-3条回复要点。 请以以下 JSON 格式输出结果： {{ \"classification\": \"分类结果\", \"entities\": {{ \"product\": \"产品名\", \"order_id\": \"订单号\", \"date\": \"日期\" }}, \"summary\": \"核心诉求总结\", \"reply_outline\": [\"要点1\", \"要点2\"] }} 如果某项信息不存在，请用空字符串 \"\" 表示。 """response=client.chat.completions.create(model="gpt-4o-mini",messages=[{"role":"system","content":system_prompt},{"role":"user","content":user_prompt}],temperature=0.1,response_format={"type":"json_object"}# 强制 JSON 输出)result=json.loads(response.choices[0].message.content)returnresult# 测试邮件test_email=“”" 主题：关于订单#ORD-2024-7890 的物流问题尊敬的客服， 我于7月20日下单购买了“智能音箱X1”，订单号ORD-2024-7890。系统显示7月22日发货，但至今（7月27日）仍未收到任何物流更新信息。我非常着急，因为这是准备送人的礼物。请尽快核实物流状态并告知预计送达时间。 谢谢。 李华 “”" result=classify_and_extract_email(test_email)print(json.dumps(result,indent=2,ensure_ascii=False))# 预期输出结构：# {# "classification": "投诉",# "entities": {# "product": "智能音箱X1",# "order_id": "ORD-2024-7890",# "date": "7月20日"# },# "summary": "客户投诉订单ORD-2024-7890（智能音箱X1）物流信息长时间未更新，要求核实状态并告知预计送达时间。",# "reply_outline": [# "对物流延迟表示歉意",# "承诺立即核实订单ORD-2024-7890的物流状态",# "告知客户具体的预计送达时间或下一步处理方案"# ]# }

6. 工具与框架推荐

• LangChain: 用于构建LLM应用的强大框架，内置大量Prompt模板、链（Chains）和代理（Agents）。
• LlamaIndex: 专注于数据连接的框架，便于为LLM构建基于私有数据的问答系统。
• PromptLayer: Prompt版本管理、实验和协作平台。
• OpenAI Playground / ChatGPT: 交互式测试和迭代Prompt的绝佳环境。

7. 总结与最佳实践清单

1. 迭代优化：Prompt 工程是一个迭代过程。从简单开始，根据输出结果不断调整和细化。
2. 具体胜于笼统：避免“写得好一点”这种模糊要求，改为“将这段文字改写得更加正式且面向技术管理者”。
3. 利用系统指令：在对话开始时通过系统消息（role: system）设定模型的角色和行为基调，这比在用户消息中重复更有效。
4. 分隔指令与数据：使用分隔符（如\"\"\"、---、<>）清晰地区分指令和待处理的内容，防止模型混淆。
5. 指定输出长度：如果需要特定长度的输出，可以明确要求（例如“用大约100字总结”）。
6. 善用温度参数：创造性任务（写诗、生成创意）调高温度；确定性任务（分类、提取）调低温度。
7. 测试与评估：建立测试集，定量评估不同Prompt版本的效果。

掌握这些技巧，你将能更自如地驾驭大型语言模型，将其潜力转化为解决实际问题的强大生产力。现在，就开始你的 Prompt 工程实践吧！