一、基本原则：从模糊到清晰的思维转变

提示词工程的核心，是将你脑中的模糊意图，精确地转化为模型能理解的指令。它不是魔法，而是基于理解模型工作方式的沟通艺术。模型本身没有“常识”，它极度依赖上下文。因此，第一个技巧就是摒弃“你应该懂”的假设，像指导一位能力很强但没有任何背景知识的新同事一样进行沟通。

一个糟糕的例子是：“帮我写个营销文案。”这太模糊了，模型只能随机发挥。一个有效的指令则需要包含 “背景、目标、约束和格式” 四要素。例如：“你是一位资深营销文案专家。请为一款名为‘静界’的主动降噪耳机撰写面向职场白领的社交媒体文案。要求：突出其在嘈杂办公室中创造专注空间的核心卖点，语气专业而亲切，长度不超过100字，并提供3个不同角度的版本。”

提示： 在提问前，先问自己：如果我把这句话原封不动地发给一个陌生团队成员，他/她能一次性做对吗？如果不能，就继续细化你的需求。

二、结构化你的提示：用分隔符和列表理清逻辑

当你的提示包含多个部分，比如背景资料、具体指令和输出要求时，使用分隔符是保持清晰的关键。常见的做法是使用三重引号（"""）、三重破折号（---）、<> 标签或 XML 标签（如 <context>）来划分不同部分。这能有效防止指令与要处理的文本内容混淆。

例如，你可以这样组织提示：

prompt = """
背景资料：
{你粘贴的新闻文章或数据表格}

---
你的任务：
根据以上资料，完成以下工作：
1. 提炼出三个核心要点。
2. 用一句话总结全文。
3. 指出文中最值得关注的一个数据，并说明原因。

输出格式要求：
- 用清晰的列表呈现。
- 使用中文。
"""

这种结构就像给模型一份清晰的“任务清单”，它知道每一步该做什么，输出也会井然有序。

三、赋予角色与思维链：引导模型深度思考

“角色扮演”（Role Prompting）是极其有效的技巧。通过设定一个专业角色（如“资深软件架构师”、“小学数学老师”），你为模型预设了知识背景、语气和回答问题的视角。这比直接提问更能引导出符合场景的回答。

更进一步，可以使用 “思维链”（Chain of Thought, CoT）提示。它要求模型“一步步思考”或展示推理过程，而不是直接给出答案。这不仅能提高复杂问题（如数学、逻辑推理）的准确率，也让你能检查其思考路径是否合理。

提示： 对于推理任务，在指令中加上“请一步步思考”或“请展示你的推理过程”，往往能显著提升结果质量。你甚至可以要求模型先在草稿部分思考，再给出最终答案。

四、指令要具体：善用动词、示例和约束

避免使用“写得好一点”、“简洁一些”这种模糊的指令。使用具体的、可衡量的动词。例如：

“少样本提示”（Few-Shot Prompting）威力巨大。在提示中提供1-3个（输入，输出）对作为例子，模型就能瞬间理解你想要的模式、格式或风格，远比冗长的描述更有效。

prompt = """
请将产品特性转化为对用户的直接利益。按照以下示例的格式进行转换。

示例输入：采用航空级铝合金材质。
示例输出：机身轻盈坚固，轻松应对日常磕碰。

示例输入：支持PD 65W快充。
示例输出：充电30分钟，即可恢复50%以上电量，快速“回血”。

现在请转换：内置5000mAh大容量电池。
"""
# 模型输出预期内是类似：“提供全天候续航，摆脱电量焦虑。”的句子

五、迭代与优化：将提示词视为代码

没有一次成型的完美提示。将提示词工程视为一个迭代过程：编写 -> 测试 -> 观察 -> 修正 -> 重新测试。仔细分析模型的错误输出：是因为指令不清？缺乏关键信息？还是模型“误解”了某个部分？

记录下有效的提示模式，形成你自己的“提示词库”。例如，对于文本分类任务，一个好的模式是：“你的任务是对用户评论进行情感分析。类别为[正面，中性，负面]。请仅输出类别名称。评论：‘{用户评论}’”。这种模式清晰、限制性强，易于复用。

六、高级技巧：系统消息与温度控制

在API调用中，系统消息（System Message）是设定全局基调的神器。它可以用来定义模型的整体人格、行为准则和限制范围，这比在每个用户提问中重复设定角色更高效、更一致。例如，一个客服机器人的系统消息可以是：“你是一个友好、专业的产品售后支持AI。你的首要目标是解决用户问题，遵循公司的政策。如果问题超出你的知识范围，请建议用户联系人工客服。”

最后，了解 “温度”（Temperature）参数。一个低温度（如0.2）会使输出更确定、更保守，适合事实性问答、代码生成。一个高温度（如0.8或更高）会增加输出的随机性和创造性，适合头脑风暴、诗歌创作等任务。根据你的需求调整它，是提示词工程在代码层面的延伸。