一、理解核心：明确指令与角色设定
提示词工程（Prompt Engineering）的本质，是与大模型进行高效、精确的沟通。其首要原则是 明确性。一个糟糕的提示往往是模糊的，比如“写一首关于春天的诗”，这给了模型过大的、不可控的想象空间。一个优秀的提示则会框定边界和目标，例如：“请模仿李白豪放飘逸的风格，写一首七言绝句，主题是春日郊游所见，需包含‘柳枝’、‘莺啼’和‘新酒’三个意象。”
在设定角色时，使用 system prompt 是一项强大而基础的技术。它能在对话开始前就为模型“预装”一个身份和背景，极大地影响其后续的回答风格、知识范围和语气。你不仅可以让它扮演专家，还可以让它扮演一个具有特定经历或观点的个体，从而获得更具特色和深度的回答。
# 一个设定“资深Python架构师”角色的系统提示示例
system_prompt = """
你是一位拥有15年经验的Python软件架构师，专注于高性能Web后端开发。
你的回答风格严谨、注重可扩展性与代码整洁，并倾向于推荐经过大型生产环境验证的工具和模式。
在解释概念时，你会结合常见的失败案例进行反面说明。
"""
# 将此 system_prompt 作为参数传入API调用，将显著改变模型的行为模式。二、结构化你的提示：用格式引导思维
当任务变得复杂时，杂乱无章的文字描述会让模型“困惑”。此时，使用结构化的提示格式就像给模型一份清晰的任务清单。你可以使用项目符号、编号，甚至利用XML或JSON标签来清晰地划分指令的不同部分（如<context>上下文、<task>任务、<format>输出格式要求）。
为什么格式如此有效？因为大模型的训练数据中包含了海量的、结构清晰的文档、代码和文章。结构化的输入模式与其内部学到的“模式”高度匹配，使其能更准确地解析你的意图。例如，要求“请用Python函数实现，并附上一个使用示例，最后用无序列表总结该函数的三个主要优势”，就比“帮我写个Python函数并说说它的好处”要具体得多。
提示：对于需要分步骤完成的任务，不妨直接用有序列表写出来。例如：“请按以下步骤分析这段代码：1. 解释代码功能。2. 指出可能的性能瓶颈。3. 提出重构建议。” 这会引导模型进行线性、有逻辑的思考。
三、思维链（Chain of Thought）：让模型“三思而后行”
面对数学推理、逻辑分析或多步决策类问题，直接要求模型给出最终答案，错误率可能较高。思维链（CoT） 技巧的精髓在于：不要让模型直接跳到答案，而是鼓励或强制它先“展示工作过程”。你可以通过在提示末尾加上“让我们一步步思考”、“请详细解释你的推理过程”来实现。
一个更进阶的做法是 少样本思维链（Few-Shot CoT）。即在提示中先给出一个“问题-思考步骤-答案”的完整范例，模型便会模仿这种结构来处理新问题。这相当于为它提供了清晰的思维脚手架，尤其适用于应用题、逻辑谜题和复杂的技术方案设计。
cot_prompt = """
问题：一个商店所有商品打八折，一件原价120元的外套，现在买两件需要多少钱？请列出计算步骤。
思考：
1. 首先，计算单件外套打折后的价格：原价120元 * 折扣率0.8 = 96元。
2. 然后，计算购买两件的总价：96元/件 * 2件 = 192元。
答案：192元。
问题：{这里放入你的新问题}，请按上述步骤思考并回答。
"""
# 将你的新问题填入占位符，模型将输出带步骤的答案。四、善用示例：少样本学习的艺术
当模型对你要求的任务格式或风格理解不佳时，少样本（Few-Shot）学习是最直接的解决方案。在你的提示中，提供1-3个高质量的输入-输出示例，能极大地稳定和规范模型的输出。这比用大量文字描述你想要的格式要高效得多。
关键点在于示例的质量和代表性。确保示例覆盖了任务的核心特征，且格式完全是你期望的最终格式。例如，你想让模型从用户评论中提取产品名称和情感（正向/负向），那么提供的示例就应该清晰展示“输入：‘这手机拍照真清晰！’”对应的输出是“{'产品': '手机', '情感': '正向'}”。模型会牢牢抓住这个模式。
提示：并非示例越多越好。通常1-3个就足够。过多的示例可能会稀释关键指令，甚至消耗过多上下文窗口。把它们看作是“教学模板”，而非“数据集”。
五、进阶技巧：迭代、约束与自我修正
掌握基础后，可以通过一些高级技巧进一步提升效果。迭代优化是核心：把你的第一个提示看作草稿，根据模型的输出进行调整。如果回答太啰嗦，就加入“用简洁的语言概括”；如果方向跑偏，就加强前置约束。
你可以利用 负面指令（Negative Prompting） 来避免模型犯某些错误。例如：“请推荐三本非虚构类的科幻小说。注意，不要推荐《三体》，因为它已经非常知名了。” 或者更通用地说：“回答请避免使用复杂的行业黑话，面向初学者。”
一个强大的模式是 让模型自我修正。你可以在初始提示后追加：“请检查你上面的回答，是否存在事实错误或逻辑矛盾？如果有，请修正并给出修正后的最终版本。” 这相当于给模型一个“复审”的机会，能显著提升输出的准确性。
六、常见陷阱与注意事项
在实际应用中，有几个陷阱需要警惕。首先，不要假设模型拥有最新信息。它的知识截止于训练数据日期，对于时效性问题，需要在提示中提供必要的背景信息或明确要求它进行假设。其次，要意识到 提示的脆弱性：对一个模型效果绝佳的提示，换到另一个模型或同一个模型的不同版本后，效果可能天差地别，因此需要进行测试。
最后，保持合理的预期。Prompt Engineering 是一门“引导”而非“控制”的艺术。它极大地提升了我们从大模型中获取价值的效率，但模型本身依然是一个概率性的生成系统，其输出需要人类的审核和判断。将提示词工程视为与一位极其聪明但有时需明确指引的助手协作，才是正确的心态。