Prompt Engineering

什么是 Prompt Engineering？

Prompt Engineering 是设计输入文本以引导大模型生成期望输出的技术。不改变模型参数，只优化输入。

flowchart LR
    A[用户输入] --> B[Prompt 模板]
    B --> C[LLM]
    C --> D[结构化输出]

提示词结构

[角色] 你是一个 AI 技术专家。
[任务] 用通俗语言解释以下概念。
[格式] 1)一句话总结 2)一个类比 3)一个示例
[输入] 概念：注意力机制

基础原则

1. 清晰明确：告诉模型要做什么、怎么做、输出什么格式
2. 提供上下文：相关背景信息越多，输出越准确
3. 给出示例：Few-shot 远比 Zero-shot 效果好

提示词的基本结构

[角色设定] 你是一个专业的 AI 技术文档撰写者。
[任务描述] 请用通俗易懂的语言解释以下概念。
[格式要求] 输出格式：1) 一句话总结 2) 一个类比 3) 一个代码示例
[输入内容] 概念：注意力机制

关键技巧

Zero-shot：直接提问

请列举 Python 中常用的 5 个内置函数，并说明用途。

Few-shot：给出示例

将英文翻译成中文：

English: Hello, how are you?
中文: 你好，你怎么样？

English: I love machine learning.
中文: 我热爱机器学习。

English: The weather is beautiful today.
中文:

Chain-of-Thought：引导推理

问题：一个农场有 15 只鸡和 8 只兔子，一共有多少条腿？

让我们一步步思考：
1. 鸡有 2 条腿，15 只鸡 → 15 × 2 = 30 条腿
2. 兔子有 4 条腿，8 只兔子 → 8 × 4 = 32 条腿
3. 总共：30 + 32 = 62 条腿

答案：62 条腿

代码实现

from openai import OpenAI

client = OpenAI()

def ask(prompt, system="你是一个有用的助手。"):
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": system},
            {"role": "user", "content": prompt},
        ],
        temperature=0.7,
    )
    return response.choices[0].message.content

# Few-shot 示例
result = ask("""
将以下句子分类为"正面"或"负面"：

例句：这个产品质量很好。→ 正面
例句：服务态度太差了。→ 负面
例句：物流速度挺快的，包装也很完整。→
""")
print(result)  # 正面

常见陷阱

陷阱	表现	解决
幻觉	编造不存在的事实	要求引用来源
指令遗忘	长对话中忽略早期指令	在结尾重复关键要求
格式错误	输出格式不符合要求	用 JSON schema 约束

相关页面

• 大模型原理 — 理解模型为什么会对 prompt 做出反应
• RAG 与 Agent — 将 prompt 工程应用于实际应用