在与大模型交互时，我们输入的文字被称为 Prompt（提示词），而精心设计提示词以引导模型产出符合预期结果的技艺，就是 Prompt Engineering（提示词工程）。它并非简单的“提问”，而是一种更接近于“编程”或“沟通”的思维模式。本文将分享几个经过实战检验的实用技巧。
一、明确指令是第一生产力
模型并非读心术士，它的输出质量直接取决于你输入指令的清晰度。一个常见的误区是给出模糊的请求，例如“帮我写个故事”。这会让模型在无数可能的方向中随机选择，结果往往不尽人意。
你需要明确目标、格式、风格、限制条件等关键要素。例如：“以海明威的简洁风格，写一个发生在咖啡馆的200字微小说，主题是‘意外重逢’，对话要少。” 这样的指令极大地压缩了模型的“猜测”空间，将其创造力引导到你设定的航道上。清晰度是廉价的，但模糊性是昂贵的。
提示： 在提出复杂需求时，不妨先问自己：如果我把这个任务交给一个完全不懂背景的实习生，我会如何交代？把你的交代过程，变成你的 Prompt。
二、善用“角色扮演”激活特定知识
通过赋予模型一个具体的角色（Persona），可以有效地激活它在训练数据中与该角色相关的知识、语气和思维模式。这比直接提问更有效，因为它为模型提供了丰富的上下文和行为框架。
例如，与其问“如何优化这段代码？”，不如说：“请你扮演一位资深的Python性能优化专家。下面是我遇到性能问题的代码片段，请分析瓶颈，并提供三种可能的优化方案，同时解释每种方案背后的原理。” 通过这样的指令，你会获得更专业、更深入、更具建设性的反馈，模型的回答会从“泛泛而谈”变为“有的放矢”。
三、结构化你的复杂指令
面对复杂任务，将指令结构化是确保模型不遗漏任何要求的关键。使用分隔符（如"""、###、---）和步骤编号，可以让逻辑一目了然。
一个结构化的 Prompt 通常包含：1) 角色设定；2) 任务描述；3) 输入数据（用分隔符明确标出）；4) 输出格式要求；5) 约束条件。
# 一个结构化Prompt的伪代码示例
prompt = """
## 角色
你是一位专业的数据分析师，擅长解读销售数据并撰写商业报告。
## 任务
基于我提供的第三季度销售数据，撰写一份简短的分析报告。
## 输入数据
"""
这里放入你的数据，例如CSV格式或表格描述。
"""
## 要求
1. **报告结构**：包含“核心发现”、“趋势分析”、“建议”三个部分。
2. **语言风格**：专业、客观、简洁。
3. **格式**：使用Markdown，一级标题用#，二级标题用##。
4. **限制**：不要猜测数据背后的原因，仅基于数据陈述事实。
"""这种结构化的写法，就像给模型一份清晰的“任务清单”，它执行起来会更有章法。
四、上下文与记忆的魔法：Few-Shot 与 Chain-of-Thought
对于复杂或需要特定模式的任务，提供少量范例（Few-Shot）是教模型“如何做”的最佳方法。你可以给出几个输入和期望的输出对，模型会从中学会你想要的模式、风格和格式。
对于需要逻辑推理的任务，引导模型进行 思维链（Chain-of-Thought, CoT） 推理至关重要。不要直接让它给答案，而是要求它“一步一步地思考”。例如，在解数学题时，加上一句“请一步步推导，并将最终答案用####标出”，可以显著提高模型的准确率，并让你能检查其推理过程。
# 思维链示例
cot_prompt = """
问题：小明有5个苹果，给了小红2个，又从树上摘了3个，他现在有几个苹果？
请一步步思考：
1. 小明初始有5个苹果。
2. 给了小红2个，那么剩下 5 - 2 = 3 个。
3. 又摘了3个，那么总共有 3 + 3 = 6 个。
#### 6
"""
# 模型会模仿这种“先推理，后总结”的模式来处理你的新问题。五、迭代与调试：像调试代码一样优化Prompt
很少有 Prompt 能一次成功。你需要将 Prompt Engineering 视为一个 迭代调试 的过程。
- 分析失败输出：如果结果不符预期，首先分析是哪个环节出了问题。是角色不对？指令模糊？还是约束条件冲突？
- 增删修改：像修改代码一样，对你的 Prompt 进行微调。增加一个关键限制，修改不明确的措辞，或者加入一个范例。
- 版本管理：对于重要的 Prompt，建议保存不同版本的草稿，记录每次修改的原因和效果，这本身就是一个宝贵的知识库。
提示： 一个强大的调试技巧是 “元提示”，即让模型来帮你优化 Prompt。你可以问：“我试图让模型完成XX任务，但效果不好，我的提示词是：[你的提示词]。请从清晰度、完整性、目标明确性等方面，帮我改写这个提示词以获得更好结果。”