一、明确指令：让大模型“听懂人话”的第一步
在与大模型交互时，我们常常会得到模糊、宽泛甚至偏离主题的回答。这往往是因为我们的提示词（Prompt）本身就不够精确。提示词工程的核心，就是通过精心设计指令，引导模型生成符合预期的结果。一个优秀的提示词应该像给一位聪明但缺乏上下文的助手下达清晰的任务简报。
“明确指令”意味着我们需要在提示词中尽可能清晰地定义任务目标、输出格式、约束条件和背景信息。不要假设模型知道你心里想的是什么。例如，与其问“给我写一首诗”，不如说：“请写一首关于春天的五言绝句，风格要清新明快，避免使用‘花’、‘草’等直接意象，要通过风、雨等侧面描写来表现。”
提示：在编写提示词时，尝试回答这几个问题：我希望模型扮演什么角色？要完成什么具体任务？输出的格式和风格是什么？有什么必须遵守或避免的规则？
二、结构化提示：用“格式”引导“内容”
为提示词设计清晰的结构，能极大提升模型输出的稳定性和可用性。你可以使用分隔符（如 ---、###）或明确的标签（如 [指令]、[输入]）来组织信息。这类似于编程中的函数定义，将输入、处理逻辑和期望输出分开，让模型更专注于任务本身。
例如，一个结构化提示可以这样设计：首先用 [角色] 定义模型身份，接着用 [任务] 明确要做什么，然后用 [输入] 提供需要处理的数据，最后用 [输出要求] 指定格式和规则。这种结构不仅便于人类阅读和修改，也能减少模型的困惑。
一个简单的代码示例，展示了如何为调用API构造一个结构化的提示词：
prompt = """
[角色] 你是一名资深的Python编程教师。
[任务] 请为以下Python代码片段添加详细的行内注释，并解释其核心逻辑。
[输入] def factorial(n): if n == 0: return 1 else: return n * factorial(n-1)
[输出要求]
1. 请直接返回添加了注释的代码。
2. 在代码块下方，用2-3句话总结此函数的算法思想和时间复杂度。
"""三、分步思考（Chain-of-Thought）：破解复杂问题的利器
当面对数学推理、逻辑分析或复杂决策任务时，直接要求模型给出最终答案，错误率会很高。分步思考（CoT） 是一项关键技术，它要求模型像人一样，先展示详细的推理步骤，再得出最终结论。这不仅能提高答案的准确性，也便于我们检查和调试模型的思考过程。
应用CoT的方法很简单，只需在提示词中加入引导性话语。最经典的就是在问题末尾加上 “让我们一步步思考” 。更主动的方式是，要求模型“请先分析问题涉及的关键概念和约束条件，然后列出你的推理步骤，最后给出答案”。
# 一个应用分步思考的数学推理提示
cot_prompt = """
问题：一个商店所有商品打8折，小王买了一件原价150元的衬衫和一条原价200元的裤子。他实际支付了多少钱？如果他支付时使用了一张满300减50的优惠券，最终支付金额是多少？
请一步步推理，展示你的计算过程。
"""四、角色扮演与风格设定：赋予模型人格与灵魂
通过给模型设定一个具体的角色或专家身份，可以极大地影响其输出的语言风格、知识深度和思考角度。比如，设定“你是一位耐心的小学数学老师”，模型就会使用更简单、鼓励性的语言；设定“你是一位严谨的法务专家”，回答就会更注重法律条文和风险规避。
角色设定是提示词开头的“灵魂注入”环节。你还可以结合风格要求，例如“使用幽默轻松的语气”、“以Markdown表格形式呈现”、“回答需包含正反两方面观点”等。这使得模型不再是一个通用的回答机器，而是一个为你定制服务的领域专家。
提示：尝试将角色、任务、风格、格式要求融合在一起。例如：“你是一位拥有10年经验的产品经理，请用专业但友好的口吻，为下述App功能撰写更新公告。公告需结构清晰，分为‘新特性’、‘性能优化’和‘问题修复’三个部分，并使用项目符号列表。”
五、示例驱动（Few-Shot Learning）：用案例教会模型
少样本学习（Few-Shot） 是提示词工程中威力巨大的技巧。其原理是，在提示中提供几个“输入-输出”的示例，让模型从这些例子中学习到你想要的规则、格式和风格，然后应用于新的输入。这在处理需要高度格式化或遵循特定模式的任务时尤为有效。
提供示例时，要确保示例的质量和代表性。示例应覆盖任务的主要情况，并保持格式的一致性。例如，如果你想让模型将一段用户评论分类为“正面”、“负面”或“中性”，你可以提供3-5个典型示例，然后再给出需要分类的新评论。
- 示例1：评论：“这个产品超出我的预期，太棒了！” -> 分类：正面
- 示例2：评论：“物流太慢了，等了一周才到。” -> 分类：负面
- 示例3：评论：“收到了，还在使用中。” -> 分类：中性
- 新输入：评论：“客服态度很好，解决了我的问题。” -> 请分类：
六、迭代优化：与模型“对话”直至满意
提示词工程很少能一次成功。它是一个迭代优化的过程。初次尝试得到的输出可能不完美，这时你可以将模型的输出（或其中的一部分）作为下一轮对话的输入，并附加新的指令进行修正。这就像与一位同事协作修改文稿。
优化时，要具体指出哪里不满意以及希望如何改进。例如：“这段文案不错，但语气太正式了，请改用更轻松、适合年轻人的网络用语重写。” 或者 “你列出的步骤顺序不对，请按照从准备阶段到实施阶段的逻辑重新排序。” 通过多轮对话，逐步引导模型逼近你心中的理想答案。
七、避免陷阱：注意事项与最佳实践
在使用提示词工程时，也存在一些常见陷阱。首先是指令过载，在一个提示词中塞入太多不相关或冲突的要求，会导致模型困惑或忽略部分内容。其次是模糊的否定指令，如“不要太长”，不如明确说“请用100字以内总结”。
一些最佳实践包括：
- 优先使用正向指令：告诉模型“做什么”，而不是“不做什么”。
- 控制输出长度：通过“用一段话回答”、“列出3个要点”或“200字以内”来约束。
- 及时澄清歧义：当模型输出可能包含多种理解时，及时追问：“你刚才提到的‘它’具体指代什么？”
核心思想：将大模型视为一个能力强大但需要明确指导的“新生实习生”。你的提示词就是给它的任务手册，手册越清晰、具体、有条理，它完成工作的质量就越高。通过不断练习和组合这些技巧，你将能高效地驾驭大模型，让它成为你学习和工作的强大助力。