提示工程代码审查避坑指南：10个容易犯的低级错误

提示工程代码审查避坑指南10个容易犯的低级错误引言为什么提示工程需要“代码审查”在AI时代提示词Prompt是人类与大语言模型LLM沟通的“桥梁”。就像程序员写代码需要评审一样提示词的设计也需要“审查”——因为一个看似微小的错误可能导致LLM生成完全不符合预期的结果比如你让LLM“写一个Python排序函数”它可能返回递归实现的快速排序效率低而你其实需要迭代版的归并排序比如你问LLM“如何解决数据库连接超时”它可能给出MySQL的解决方案而你用的是PostgreSQL甚至更严重的模糊的提示可能导致LLM生成有安全隐患的代码比如没有过滤用户输入的SQL语句。这些问题的根源往往不是LLM能力不足而是提示词的设计存在“低级错误”。本文总结了提示工程中最常见的10个低级错误结合真实案例、反例/正例对比帮你快速避坑。准备工作谁需要读这篇文章本文的目标读者是有一定提示工程经验的实践者开发者用LLM生成代码、文档、测试用例的程序员数据科学家用LLM做数据分析、报告生成的研究者产品经理/运营用LLM写文案、做用户调研的从业者。前置知识了解LLM基本概念比如GPT-4、Claude 3、文心一言等有过编写提示词的经验哪怕是简单的提问。1. 错误1任务目标不明确——模糊的提示等于没说错误表现提示中没有明确**“做什么”“给谁用”“要什么结果”**导致LLM生成的内容偏离预期。反例模糊的提示“写一篇关于AI的文章。”问题分析这个提示没有回答三个关键问题目标受众是初中生还是AI从业者核心内容是讲AI历史还是AI伦理输出要求是1000字的科普文还是3000字的技术论文LLM可能会生成一篇泛泛而谈的“AI overview”但完全不符合你的实际需求。正例明确的提示“写一篇面向初中生的AI科普文章800-1000字重点介绍机器学习的基本概念用‘推荐算法’‘语音助手’‘图像识别’3个日常生活例子语言要通俗易懂避免‘神经网络’‘梯度下降’等专业术语结构分为‘什么是机器学习’‘机器学习在生活中的应用’‘未来的AI会怎样’三个部分。”为什么有效明确的目标让LLM有了“执行框架”它知道要写给谁、讲什么、怎么讲生成的内容会更聚焦、更符合预期。避坑技巧用“5W1H”框架定义任务目标Who目标受众初中生程序员What核心任务写文章生成代码做数据分析Why目的科普解决问题提供建议When时间/场景日常使用紧急故障Where应用场景学校企业个人项目How输出要求字数格式语言风格2. 错误2上下文断裂——多轮对话变成“失忆症”错误表现在多轮对话中前面提到的关键信息没有被后续提示引用导致LLM“忘记”之前的约定生成矛盾的结果。真实案例我同事小A做了一个多轮提示第一轮“我需要处理用户的订单数据CSV文件有‘订单ID’‘用户ID’‘金额’‘时间’四列。”第二轮“帮我写一个Python脚本计算每个用户的总消费。”结果LLM生成的脚本没有跳过CSV的表头比如把“用户ID”当成了数据行导致计算错误。问题分析第二轮提示没有“继承”第一轮的上下文CSV有表头LLM默认处理无表头的文件导致错误。正例连贯的上下文第一轮“我需要处理用户的订单数据CSV文件有‘订单ID’‘用户ID’‘金额’‘时间’四列有表头。”第二轮“基于之前的CSV结构帮我写一个Python脚本跳过表头计算每个用户的总消费金额按‘用户ID’分组求和。”为什么有效用“基于之前的XX”“如前所述”等关键词提醒LLM保留上下文信息避免“失忆”。避坑技巧多轮对话中每次提示都要引用前面的关键信息比如文件结构、变量名、需求变更用工具比如LangChain的Memory模块保存对话历史让LLM自动关联上下文如果对话过长定期“总结上下文”比如“截至目前我们讨论了XX需求接下来需要解决XX问题”。3. 错误3信息过载/缺失——提示不是“越多越好”错误表现信息过载提示中包含无关内容导致LLM抓不住重点信息缺失提示中缺少关键信息导致LLM无法生成正确结果。反例1信息过载“写一个Python函数实现快速排序要求时间复杂度O(nlogn)空间复杂度O(1)处理重复元素添加注释另外我之前学过Java所以语法要符合Python习惯还有我喜欢用驼峰命名法。”问题分析无关信息“学过Java”“喜欢驼峰命名法”会干扰LLM的判断它可能会花精力处理这些无关要求而忽略核心任务快速排序的实现。反例2信息缺失“写一个Python脚本从数据库中读取数据。”问题分析缺少关键信息数据库类型表名字段连接方式LLM无法生成可执行的脚本。正例信息适中“写一个Python函数实现快速排序算法处理包含重复元素的整数列表要求1. 时间复杂度O(nlogn)2. 空间复杂度O(1)原地排序3. 添加关键步骤的注释比如分区过程。”为什么有效只保留核心要求排序算法、复杂度、注释去掉无关信息让LLM聚焦于关键任务。避坑技巧信息筛选问自己“这个信息对完成任务有帮助吗”如果没有就删掉关键信息清单对于代码生成类提示必须包含输入/输出格式数据结构比如列表、字典核心逻辑比如排序、过滤、聚合特殊要求比如处理空值、重复元素。4. 错误4输出格式不明确——LLM不是“读心术大师”错误表现没有指定输出格式导致LLM生成的内容不符合你的使用需求比如需要JSON却得到文本需要代码却得到解释。真实案例我之前让LLM“列出5个常用的Python数据处理库及其用途”结果它生成了一段文本“1. Pandas用于数据清洗和分析2. NumPy用于数值计算3. …”但我需要把这些信息导入Excel所以需要JSON格式结果不得不手动转换浪费了时间。正例明确输出格式“列出5个常用的Python数据处理库及其用途输出格式为JSON数组每个元素包含‘library’库名和‘use_case’用途两个字段例如[{“library”: “Pandas”, “use_case”: “数据清洗和分析”}]。”结果LLM生成了符合要求的JSON[{“library”: “Pandas”, “use_case”: “数据清洗、分析和可视化”}, {“library”: “NumPy”, “use_case”: “数值计算和数组操作”}, …]为什么有效明确的输出格式让LLM知道“要生成什么样子的内容”减少后续处理的成本。避坑技巧对于结构化输出JSON、CSV、XML直接给出示例比如“输出格式如下[{‘key’: ‘value’}]”对于代码生成指定代码语言比如“用Python实现”和框架比如“用Django的ORM”对于文本生成指定结构比如“分三点说明”“用 bullet point 列出”。5. 错误5忽略模型局限性——LLM不是“万能工具”错误表现让LLM做它不擅长的事情导致生成错误或无用的结果。反例1数学计算“计算123456789 × 987654321的结果。”问题分析LLM的数学计算能力有限尤其是大数运算直接让它计算会得到错误结果比如GPT-4可能会算错。反例2实时信息“2024年最新的Python库有哪些”问题分析LLM的训练数据有截止日期比如GPT-4截止到2023年10月无法提供实时信息。反例3专业领域深度问题“写一篇关于量子计算的SCI论文。”问题分析LLM缺乏专业领域的深度知识比如量子计算的最新研究成果无法生成符合SCI要求的论文。正例规避局限性对于数学计算“用Python的math库计算123456789 × 987654321的结果并输出代码和结果。”让LLM调用工具而不是自己计算对于实时信息“根据2023年10月之前的资料列出5个常用的Python数据处理库并说明其特点。”明确数据截止日期对于专业问题“写一篇关于量子计算的科普文章面向非专业人士重点介绍量子比特的基本概念用‘硬币翻转’的例子说明叠加态。”将专业问题转化为科普符合LLM的能力范围。避坑技巧了解LLM的能力边界它擅长生成文本、解释概念、辅助编程但不擅长精确计算、实时信息查询、专业领域深度研究如果需要处理LLM不擅长的任务借助工具比如用Python的math库做计算、用搜索引擎查实时信息将专业问题**“降维”**比如把“写量子计算论文”转化为“写量子计算科普文章”让LLM在能力范围内发挥作用。6. 错误6没有迭代优化——“一次提示”不等于“最终结果”错误表现认为“一次提示就能得到完美结果”没有根据输出结果调整提示导致错过更好的解决方案。真实案例我之前写了一个提示“写一个Python脚本爬取知乎某话题下的回答”结果生成的脚本没有处理反爬机制比如User-Agent、Cookie导致爬取失败。我没有调整提示而是自己修改了脚本浪费了时间。后来我重新写了提示“写一个Python脚本爬取知乎某话题下的回答处理反爬机制设置User-Agent、使用Cookie要求1. 输入话题URL2. 输出回答内容作者、标题、正文到CSV文件。” 结果生成的脚本完美解决了反爬问题。问题分析第一次提示没有考虑到反爬机制导致结果不符合预期。如果当时迭代优化提示就能节省时间。正例迭代优化第一轮提示“写一个Python脚本爬取知乎某话题下的回答。”结果没有处理反爬第二轮提示“修改之前的脚本添加反爬机制设置User-Agent为Chrome浏览器使用Cookie。”结果解决了反爬问题但没有输出到CSV第三轮提示“再修改脚本将回答内容作者、标题、正文输出到CSV文件。”结果得到完美脚本。为什么有效通过迭代优化逐步完善提示让LLM生成的结果越来越符合预期。避坑技巧采用**“最小可行提示”**策略先写一个简单的提示得到初始结果再根据结果调整每次调整提示时明确修改点比如“添加反爬机制”“输出到CSV文件”记录每次提示的输出结果对比不同提示的效果找到最优解。7. 错误7滥用抽象术语——LLM不是“你的同事”错误表现在提示中使用抽象术语比如“agent”“prompt engineering”“few-shot learning”没有解释导致LLM无法理解你的需求尤其是当LLM的训练数据中没有这些术语时。反例“用agent优化我的prompt提高LLM的生成效果。”问题分析“agent”是一个抽象术语不同的人对它的理解可能不同比如智能代理、工具调用、对话系统LLM无法确定你指的是哪种“agent”。正例“用智能代理agent一种能自动执行任务的程序优化我的prompt具体要求1. 分析我之前的prompt‘写一篇关于AI的文章’2. 指出其中的问题比如目标不明确3. 生成优化后的prompt。”为什么有效解释了“agent”的含义让LLM明白你的需求。避坑技巧对于专业术语一定要解释清楚比如“few-shot learning”是指用少量示例训练模型用通俗语言代替抽象术语比如用“智能代理”代替“agent”用“提示优化”代替“prompt engineering”如果不确定LLM是否理解某个术语测试一下比如问“你知道‘agent’是什么意思吗”。8. 错误8忽略输出长度——“长篇大论”不等于“高质量”错误表现没有指定输出长度导致LLM生成的内容过长比如写1000字的文章结果写了2000字或过短比如写1000字的文章结果写了500字。反例“写一篇关于AI的文章。”结果LLM生成了一篇2000字的文章包含很多无关内容比如AI的历史、未来趋势不符合你的需求。正例“写一篇1000字左右的关于AI的文章结构分为‘引言’‘AI的应用领域’‘AI的挑战’‘结论’四个部分每个部分250字左右语言要通俗易懂避免专业术语。”为什么有效指定了输出长度和结构让LLM生成的内容更紧凑、更符合预期。避坑技巧对于文本生成类提示指定字数范围比如“1000字左右”和结构比如“分四个部分”对于代码生成类提示指定代码长度比如“不超过50行”和复杂度比如“用简单的逻辑实现”如果LLM生成的内容过长要求精简比如“把这篇文章精简到1000字保留核心内容”如果LLM生成的内容过短要求扩展比如“把这篇文章扩展到1000字添加‘AI在医疗领域的应用’的例子”。9. 错误9没有验证准确性——“LLM说的”不等于“正确的”错误表现相信LLM生成的所有内容没有验证其准确性导致传播错误信息比如生成的代码有bug、文档有错误。真实案例我之前看到一篇文章作者用LLM生成了一段“Python实现的冒泡排序”代码结果代码中有一个bug循环条件错误作者没有验证就把代码发布了导致很多读者留言指出错误。反例LLM生成的冒泡排序代码def bubble_sort(arr):n len(arr)for i in range(n):for j in range(n - i): # 错误循环条件应该是n - i - 1if arr[j] arr[j 1]:arr[j], arr[j 1] arr[j 1], arr[j]return arr问题分析循环条件错误j的范围应该是n - i - 1导致最后一个元素会被比较两次影响效率。正例验证准确性第一步运行LLM生成的代码测试输入比如[3,2,1]结果输出[1,2,3]看似正确第二步检查循环条件发现j的范围是n - i导致j1可能超过数组长度比如当j n - i时j1 n - i 1而数组的长度是n所以当i0时j的范围是0到n-1j1是n超过数组长度第三步修改循环条件为n - i - 1重新运行代码测试输入[3,2,1]结果输出[1,2,3]正确。避坑技巧对于代码生成类提示一定要运行代码测试输入、输出对于文本生成类提示一定要检查事实错误比如日期、数据、引用对于专业内容一定要请教专家比如让程序员检查代码、让医生检查医疗建议。10. 错误10忘记“用户视角”——提示不是“写给自己看的”错误表现从“自己的视角”写提示没有考虑LLM的“理解视角”导致LLM无法正确解读你的需求。反例“写一个脚本处理那个数据。”问题分析“那个数据”是你自己知道的但LLM不知道它没有上下文所以无法生成正确的脚本。正例“写一个Python脚本处理我昨天发给你的CSV文件文件路径/data/orders.csv列名为‘用户ID’‘消费金额’计算每个用户的总消费金额。”为什么有效从LLM的视角出发提供了它需要的所有信息文件路径、列名让它能正确解读你的需求。避坑技巧把自己当成**“LLM的用户”**问自己“如果我是LLM看到这个提示能明白要做什么吗”用具体的、可量化的信息代替模糊的表述比如用“/data/orders.csv”代替“那个数据”用“‘用户ID’‘消费金额’”代替“那些列”避免使用代词比如“它”“那个”除非前面已经明确指代。总结提示工程的“避坑口诀”目标明确用“5W1H”定义任务模糊的提示等于没说上下文连贯多轮对话要引用前面的信息避免“失忆”信息适中去掉无关信息保留核心要求格式明确指定输出格式LLM不是“读心术大师”规避局限了解LLM的能力边界借助工具处理不擅长的任务迭代优化一次提示不等于最终结果根据输出调整提示术语解释对于专业术语一定要解释清楚长度控制指定输出长度避免长篇大论或过短验证准确运行代码、检查事实避免错误用户视角从LLM的角度出发提供具体信息。最后的话提示工程是“对话艺术”提示工程不是“写代码”而是“与LLM对话”——你需要用LLM能理解的语言清晰地表达你的需求。就像和人对话一样你说得越清楚对方的回应就越符合你的预期。希望这篇文章能帮你避开提示工程中的低级错误让LLM成为你工作中的“得力助手”。如果你有其他避坑技巧欢迎在评论区分享延伸阅读《Prompt Engineering Guide》官方指南涵盖所有提示工程技巧《LangChain Documentation》用LangChain管理上下文和工具调用《OpenAI Cookbook》OpenAI官方提供的提示示例和最佳实践。