一、明确指令：清晰是效率的基石

与大模型交互时，最基础也最重要的原则就是 “指令明确”。一个模糊的提问，比如“帮我写篇文章”，AI只能给出一个泛泛的通用回答。而一个明确的指令，应该清晰定义任务的目标、边界和格式。例如，将指令优化为：“请为一个技术博客写一篇800字左右、面向初学者的、关于Python列表推导式的入门文章。文章需要包含语法说明、2个实用示例以及一个常见误区提醒，语言风格要亲切易懂。”

这种指令明确化了 “写什么”（Python列表推导式）、“写给谁看”（初学者）、“写成什么样”（800字、含特定部分、风格亲切）。这极大地减少了模型的猜测空间，能直接产出更符合预期的结果。记住，你的提示词就是一个需求文档，文档越清晰，交付物质量越高。

提示：永远避免使用“写点什么”、“随便聊聊”这类模糊指令。把模型想象成一个能力很强但需要明确需求的下属。

二、角色设定：引导模型的“人格”与“知识库”

通过 system 消息或直接在提示开头为AI设定一个 “角色”，可以有效地引导其回答的风格、语气和知识侧重。比如，你可以设定“你是一名资深的后端架构师”、“你是一个充满耐心的少儿编程老师”或“你是一个精通古典文学的诗人”。

这个技巧的底层原理是，它将模型的注意力引导到了与该角色最相关的知识域和语言模式上。例如，让AI扮演“架构师”讨论数据库设计，它会更倾向于使用专业术语并考虑性能、可扩展性；而让它扮演“老师”，则会把概念解释得更通俗，并关注学生的接受度。

# 一个简单的角色设定示例（使用OpenAI API格式）
messages = [
    {
        "role": "system",
        "content": "你是一名资深的技术博主，擅长将复杂的AI技术讲得通俗、准确、有干货。你的文章风格严谨但不枯燥，善于使用类比和例子。"
    },
    {
        "role": "user",
        "content": "请用比喻的方式，简要解释什么是Transformer模型中的‘自注意力机制’。"
    }
]
# 将这个messages列表发送给模型，它会以“资深技术博主”的身份和口吻来回答。

三、结构化输出：获得机器可读的结果

在实际开发中，我们往往需要AI返回结构化的数据（如JSON、XML、Markdown表格），而非一段连续的散文。在提示词中明确指定输出格式，是提升开发效率的利器。

你可以在提示中直接声明格式要求。例如：“请以Markdown表格的形式列出Python中5种常见的数据类型，表格列包括：类型名称、关键字、示例值、是否可变。” 或者更复杂地：“分析以下用户评论的情感（积极/消极/中性）和核心诉求，然后以严格的JSON格式输出，包含sentiment和core_demand两个键。”

通过这种方式，你可以轻松地将AI的输出集成到后续的程序处理流程中，实现真正的自动化。

# 要求结构化输出的提示示例
prompt = """请根据以下用户反馈，生成一份结构化报告。
用户反馈：“App每次启动都慢得要命，而且新版本后通知总是莫名其妙地消失，太影响体验了！”

请严格按照以下JSON格式输出你的分析结果：
{
    “sentiment”: “(在此填写积极、消极或中性)”,
    “issues”: [“(问题1描述)”, “(问题2描述)”],
    “urgency”: “(在此填写高、中、低)”
}"""

# 模型将尝试返回一个规范的JSON字符串。

四、思维链：让复杂推理“可见”

当遇到需要逻辑推理、数学计算或多步骤分析的任务时，直接要求AI给出最终答案，错误率可能很高。思维链 技巧的核心是让模型“一步一步思考”并将其过程展示出来。这不仅能提高准确性，也方便我们调试和理解模型的推理路径。

最简单的实现方式，就是在问题末尾加上一句 “请一步一步地思考” 或 “Let’s think step by step”。对于更复杂的任务，你可以给出一个思维链的范例。例如，在解决一个数学应用题时，你先演示如何拆解题目、建立等式、求解并验证，然后再提出你的问题，AI就会模仿这个“思考”过程。

提示：思维链并非万能药，对于过于简单或需要快速回答的问题，使用它反而会增加延迟和token消耗。它主要用于复杂推理任务。

五、少样本学习：用例子定义任务

对于一些新颖、特殊或格式固定的任务，仅用语言描述规则可能不够直观。少样本学习 就是在提示中直接提供少量（通常是2-5个）高质量的“输入-输出”示例，让模型通过模仿来理解任务的模式。

这是零样本和微调之间的一个绝佳平衡点。例如，你想让AI用“XX体”的风格改写句子，可以先提供2-3个原句和对应的“XX体”改写结果作为示例，然后再给出你想要改写的句子。模型会快速抓住风格的精髓进行模仿。

这种方法的关键在于例子要清晰、准确、有代表性。如果例子本身有噪音或不一致，模型学到的模式也会出错。它特别适用于文本风格转换、数据格式化、特定领域的问答等场景。

六、迭代优化：把提示词当成代码来调试

没有哪个提示词是一次就能写到完美的。Prompt Engineering 的过程本质上是一个 “测试-分析-优化” 的迭代循环。你需要像调试代码一样调试你的提示词。

例如，一个生成会议摘要的提示，最初可能输出过于冗长。你的优化路径可以是：1）添加长度限制（“总结为3-5个要点”）；2）指定摘要焦点（“重点突出决策项和待办任务”）；3）尝试不同的动词（从“总结”改为“提炼出核心决策”）。持续的迭代是获得满意结果的不二法门。