明确指令是基石：你想要什么，就直接说什么

一、明确指令是基石：你想要什么，就直接说什么

Prompt Engineering 的核心思想，就是通过精心设计的输入文本（即“提示”），引导大语言模型生成符合预期的高质量输出。最常见的错误就是指令模糊。比如，只说“写一个故事”，模型可能会给你一个儿童睡前故事，也可能是一个悬疑小说的开头。一个更明确的指令是：“写一个500字左右的科幻短篇故事，背景设定在22世纪的火星殖民地，主角是一位生物学家，主题是关于人类与外星微生物的初次接触，文风要紧张且富有悬念。”

明确指令的关键要素通常包括：任务类型（撰写、总结、翻译、解释）、输出格式（段落、列表、JSON）、内容主题、约束条件（长度、风格、禁止事项）以及目标受众。把模糊的“帮我写个代码”优化为“用Python编写一个函数，输入一个列表，返回该列表中所有偶数的平方，并附上详细的文档字符串”。后者通过限定语言、功能、输入输出和格式要求，极大地减少了模型的臆测空间，直接指向你需要的结果。

提示：将模型视为一个能力超强但对隐含上下文一无所知的新同事。你交代任务时越具体，他交付的成果就越接近你的预期。

二、善用上下文与角色设定：为模型搭建“舞台”

大模型本身没有持久记忆，它的“知识”完全来自于你提供的提示（Prompt）中的上下文。你可以通过提供背景信息、示例或设定一个明确的角色，来激活模型内部相关的知识网络，使其输出更专业、更聚焦。

角色设定（Role Prompting）：为模型分配一个特定身份，如“你是一位拥有十年经验的Python架构师”、“你是一个耐心的高中数学老师”。这会引导模型以该角色的口吻、知识和思维模式来回答。
提供示例（Few-shot Prompting）：通过在提示中给出输入输出的示例，可以“教”模型你想要的模式。这是解决格式统一、风格模仿等问题的利器。
任务分解：将一个复杂任务拆解为几个有逻辑顺序的小步骤，用列表清晰地呈现，引导模型一步步完成。

# 一个通过角色和示例，让模型生成符合特定风格的Python代码文档的例子
prompt = """
# 角色：你是一位Google风格的Python代码文档撰写专家。
# 任务：请为以下Python函数撰写Google风格的文档字符串。
# 示例：
# 函数：def add(a, b):
#     return a + b
# 文档字符串：
# def add(a, b):
#     \"\"\"Adds two numbers together.
#
#     Args:
#         a: The first number.
#         b: The second number.
#
#     Returns:
#         The sum of the two numbers.
#     \"\"\"
#
# 现在，请为以下函数撰写文档字符串：
def calculate_average(data_list):
    if not data_list:
        return 0.0
    total = sum(data_list)
    return total / len(data_list)
"""
# 将此prompt发送给大模型，它就能输出符合要求的、规范的文档字符串。

三、高级技巧：思维链与自我一致性

当面对需要推理、数学计算或多步骤决策的复杂问题时，直接要求输出答案往往效果不佳。这时需要引导模型“展示其工作过程”。

思维链（Chain-of-Thought, CoT） 是一种强大的技巧，通过要求模型“一步步思考”或“让我们先分解这个问题”，来显式地引导其进行逻辑推理。这不仅提高了答案的准确性，也让错误更容易被定位。例如，在解决数学题时，加上“请逐步推理并给出最终答案”这样的指令，效果会好得多。

自我一致性（Self-Consistency） 是思维链的进阶版。它的思想是，让模型对同一个问题，通过不同的推理路径进行多次回答，然后选择出现次数最多的答案作为最终答案。这相当于对模型的输出进行了“投票”，能有效提升复杂问题回答的鲁棒性。在提示中，你可以要求模型“用三种不同的方法思考这个问题，并分别给出推理过程”。

提示：CoT和自我一致性技术在需要逻辑严谨的场景（如数学、编程、法律分析）中尤为有效，但对于创意写作等发散性任务，则需谨慎使用，以免限制了模型的想象力。

四、迭代与调试：把提示词当作代码来优化

Prompt Engineering 不是一蹴而就的，而是一个反复迭代、测试和优化的工程过程。当你对一次输出的结果不满意时，不要直接放弃，而应将其视为调试提示词的机会。

首先，分析错误输出。是答非所问？格式错误？还是事实不准确？错误模式能指出你当前提示的缺陷。例如，如果输出过长，说明你可能缺少长度约束；如果输出跑题，说明指令不够明确。

其次，进行系统性调整。采用“控制变量”的思维，每次只修改提示的一个方面（如添加一个约束、换一个角色、增加一个示例），然后观察输出的变化。这有助于你理解每个要素对结果的具体影响。你可以建立一个简单的评估清单：

准确性：信息是否正确？
相关性：是否紧扣主题？
完整性：是否覆盖了所有要求？
格式：是否符合预期（如Markdown、JSON）？
风格：语言和语气是否合适？

通过这种科学的迭代方法，你的提示词会像代码一样，变得越来越健壮和高效。

五、常见陷阱与避坑指南

在实践过程中，有几个常见的陷阱值得警惕。

过度依赖提示模板：网络上有大量“万能提示词”模板，但通用模板往往无法完美契合你的具体场景。理解背后的原理（如明确指令、提供上下文）比生搬硬套模板更重要。
忽略指令的边界：大模型的指令遵循能力是有限的。如果你的提示要求“严格遵守不超过10个字”，但在其他部分又详细描述了复杂任务，模型可能会陷入冲突。确保你的各项要求彼此协调。
一次塞入过多任务：试图在一个提示里完成翻译、总结、改写和评论四项工作，很可能导致每项都做不好。对于复杂流程，考虑拆解成多个提示，分步进行。

提示：当模型输出“我不确定”或“我无法执行该操作”时，有时并非真的不能，而是你的提示触发了其安全边界或让它产生了误解。尝试用更中性、更具体的语言重新描述你的请求。