大语言模型提示词实战教程：从原理到应用，掌握高效Prompt编写技巧

1. 项目概述与核心价值如果你最近开始接触大语言模型比如 ChatGPT、Claude 或者国内的文心一言、通义千问你可能会发现一个有趣的现象有时候你问一个问题它回答得头头是道堪称完美但有时候你换一种方式问或者问一个稍微复杂点的问题它给出的答案就变得驴唇不对马嘴甚至开始“一本正经地胡说八道”。这背后的关键往往不在于模型本身的能力而在于你给它的“指令”——也就是我们常说的Prompt提示词。我花了大量时间研究、实践和教学如何与大语言模型高效协作最终将我的经验整理成了这份《大语言模型提示词教程》。这不是一份枯燥的理论手册而是一份从一线实战中提炼出来的“操作指南”。无论你是产品经理、运营、设计师、程序员还是任何希望借助 AI 提升工作效率的职场人这份教程都能帮你绕过我踩过的那些坑直接掌握与大模型对话的核心心法。简单来说这份教程要解决的核心问题就是如何通过编写清晰、有效的指令让大语言模型精准地理解你的意图并输出你期望的结果。我们将从最基础的原理讲起一步步深入到文本总结、情感分析、内容生成乃至构建聊天机器人等高级应用。更重要的是我会分享大量我在实际工作中验证过的技巧和“避坑指南”让你不仅能“知其然”更能“知其所以然”。2. 核心原理与大模型高效协作的两大基石在开始任何具体操作之前我们必须理解与大语言模型协作的底层逻辑。这就像你要指挥一个能力超强但思维模式独特的助手你得先了解它的“工作习惯”。经过大量实践我将其核心原则提炼为两点清晰明确的指令和引导模型思考。2.1 原则一编写清晰、具体、无歧义的指令很多人误以为给模型的指令越短越好其实恰恰相反。模糊的短指令如“写个总结”会让模型陷入猜测而清晰的长指令则能为模型提供充足的上下文和边界从而得到更精准的输出。这里的“清晰”不是指句子长短而是指信息的明确性和结构性。2.1.1 策略一使用分隔符明确指令与内容当你需要让模型处理一段外部文本如一篇文章、一份数据时最忌讳的就是把指令和文本混在一起。模型需要明确知道哪里是你的要求哪里是它需要处理的内容。核心技巧使用清晰的分隔符将指令和待处理文本隔开。这就像你在代码中用引号包裹字符串一样是给模型划定的“处理区”。常用分隔符三个反引号文本内容三个引号文本内容XML标签text文本内容/text三个连字符---文本内容---实操示例 假设你有一份产品描述想让模型用一句话总结。低效的 Prompt总结一下这段产品描述我们的新产品采用了最新的纳米技术具有防水、防刮、超长续航等特点适合户外运动爱好者。目标是年轻群体。这种写法下模型需要自行判断“产品描述”的边界到哪里结束容易出错。高效的 Prompt请将以下用三个反引号包裹的文本总结为一句话我们的新产品采用了最新的纳米技术具有防水、防刮、超长续航等特点适合户外运动爱好者。目标是年轻群体。通过使用作为分隔符你明确地告诉模型“请处理这三个反引号之间的所有内容”。这极大地减少了歧义。我的经验在实际使用中我强烈推荐使用三个反引号。原因有二第一它在 Markdown 中通常表示代码块视觉上非常清晰第二绝大多数编程编辑器和高亮工具都支持它当你把 Prompt 写在代码或笔记软件里时可读性极佳。避免使用容易在文本中出现的符号比如单个引号或括号。2.1.2 策略二要求结构化输出我们与模型协作的最终目的是为了使用其产出。如果产出是一大段自由文本我们还需要人工从中提取信息那就失去了自动化的意义。因此在 Prompt 中直接指定输出格式是提升效率的关键。核心技巧在指令中明确要求模型以 JSON、CSV、HTML 表格或带特定标记的列表等形式输出。实操示例生成书籍信息。请生成三本虚构的科技类书籍信息并以 JSON 格式输出包含以下字段id数字、title字符串、author字符串、publish_year数字。模型输出示例[ { id: 1, title: 硅基黎明, author: 李维, publish_year: 2025 }, { id: 2, title: 神经漫游者指南, author: 王哲, publish_year: 2023 }, { id: 3, title: 算法深渊, author: 张明, publish_year: 2024 } ]这样一来输出结果可以直接被后续的程序如 Python、JavaScript解析和使用实现了端到端的自动化。避坑指南要求 JSON 输出时偶尔模型会“画蛇添足”在 JSON 外加一段解释性文字。为了避免这种情况你可以在指令末尾加上“只输出 JSON 对象不要有任何其他解释”。对于 CSV 格式可以指定“使用逗号分隔第一行为表头”。2.1.3 策略三要求模型检查前提条件很多任务有其执行前提。比如“将以下步骤重新编号”这个任务前提是“文本中包含一系列步骤”。如果文本只是一段散文这个任务就无法执行。让模型先检查条件可以避免产生无意义或错误的输出。核心技巧在指令中明确“如果满足条件A则执行B否则执行C”。实操示例提取步骤。请处理以下用三个引号包裹的文本。如果文本中包含一系列明确的步骤或指令请将其重新格式化为编号列表1. ... 2. ...。如果文本中不包含步骤请直接回复“未发现步骤”。 首先打开电脑并连接网络。然后访问我们的官方网站点击页面右上角的“注册”按钮。接下来填写你的邮箱、用户名和密码。最后勾选用户协议并提交表单。 模型输出1. 打开电脑并连接网络。 2. 访问我们的官方网站。 3. 点击页面右上角的“注册”按钮。 4. 填写你的邮箱、用户名和密码。 5. 勾选用户协议并提交表单。如果输入文本是“今天天气真好我打算去公园散步”模型则会输出“未发现步骤”。这个策略在构建自动化流程时非常有用能确保流程的健壮性。2.1.4 策略四提供“小样本”示例对于复杂或格式特殊的任务与其用语言费力描述不如直接给模型看一个例子。这就是“小样本提示”Few-shot Prompting。核心技巧在 Prompt 中先给出一个或几个完整的“输入-输出”对作为示例然后再给出新的输入要求模型按照示例的格式和风格完成任务。实操示例风格化回复。请按照以下示例的风格回复用户的问题。 示例 用户教我什么是坚持。 助手坚持就像河流切割山脉非一日之功乃日夜不息之力亦如滴水穿石非其力猛乃其志恒。 用户教我什么是勇气。模型输出可能为勇气并非不知恐惧而是明知山有虎偏向虎山行是在黑暗笼罩时依然能点燃心中那盏微弱的灯。通过提供一个例子你实际上是在告诉模型“我要的就是这种充满比喻和文学色彩的排比句式”。这比用语言描述“请用富有文采的排比句回答”要有效得多。我的心得“小样本提示”特别适合风格迁移、特定格式生成如特定风格的邮件、报告等任务。关键在于你提供的示例必须足够典型和高质量因为模型会极力模仿示例的风格。我建议准备一个“示例库”把各种场景下的优质 Prompt 和输出保存下来需要时直接调用。2.2 原则二引导模型思考而非直接索要答案大语言模型本质上是基于概率预测下一个词。如果你直接问一个复杂问题比如一道数学应用题它可能会直接给出一个训练数据中常见的答案但这个答案很可能是错的。正确的做法是把解决问题的思考过程“喂”给模型让它按照这个逻辑去推导。2.2.1 策略一拆解任务步骤这是最常用也最有效的策略。不要直接问“答案是什么”而是告诉模型“为了解决这个问题我们应该先做什么再做什么”。实操示例文本处理多步任务。请按顺序执行以下任务 1. 用一句话总结以下用包裹的文本。 2. 将这句总结翻译成英文。 3. 从英文总结中提取出所有人名。 4. 输出一个 JSON 对象包含两个键english_summary英文总结和 names人名列表。 文本在古老的森林里精灵艾拉和矮人金雳结伴寻找失落的智慧水晶。他们穿越了迷雾峡谷击败了石头巨人最终在月光湖畔找到了水晶。水晶的光芒治愈了森林的疾病。模型输出1. 总结精灵艾拉和矮人金雳历经冒险在月光湖畔找到了能治愈森林的智慧水晶。 2. 英文翻译The elf Elara and the dwarf Gimli went through adventures and found the wisdom crystal that could heal the forest at the Moonlight Lake. 3. 提取人名Elara, Gimli 4. JSON输出 { english_summary: The elf Elara and the dwarf Gimli went through adventures and found the wisdom crystal that could heal the forest at the Moonlight Lake., names: [Elara, Gimli] }通过将任务分解为“总结 - 翻译 - 提取 - 格式化”四个清晰步骤你极大地降低了模型犯错的概率并且每一步的输出都可控、可验证。2.2.2 策略二指定输出格式模板当你需要模型输出一个包含多个部分、结构固定的内容时提前给它一个模板。实操示例请根据以下文本生成内容并严格按照此格式输出 文本待处理的文本 总结一句话总结 关键词提取3-5个关键词 情绪积极/消极/中性 文本客户反馈说产品界面非常美观操作流畅但电池续航时间比宣传的短了大约20%。模型输出文本客户反馈说产品界面非常美观操作流畅但电池续航时间比宣传的短了大约20%。 总结客户肯定产品设计与流畅度但对电池续航未达宣传表示不满。 关键词产品界面、操作流畅、电池续航、客户反馈、宣传 情绪中性混合评价这种方式在需要批量处理文本并生成报告时尤其高效。2.2.3 策略三让模型先自行推导再对比判断这是应对复杂逻辑或数学问题的“杀手锏”。当你想让模型判断一个解决方案比如一段学生写的解题过程是否正确时不要直接问“这对吗”而是让模型“先自己解一遍题再把它的解和给定的解做比较”。实操示例判断解题过程。请判断学生的解决方案是否正确。 请按以下步骤操作 - 首先忽略学生的解答根据问题描述独立计算并得出你自己的答案和完整步骤。 - 然后将你的解答步骤与学生的解决方案进行详细对比。 - 最后基于对比结果判断学生的解决方案是否正确。 问题制作一个蛋糕需要2杯面粉和3个鸡蛋。如果我只有12个鸡蛋且面粉充足最多能做几个蛋糕 学生的解决方案蛋糕数 鸡蛋数 / 每个蛋糕所需鸡蛋数 12 / 3 4。所以可以做4个蛋糕。模型输出我的解答步骤 1. 每个蛋糕需要3个鸡蛋。 2. 现有鸡蛋12个。 3. 最大蛋糕数由鸡蛋的瓶颈决定12个鸡蛋 ÷ 3个鸡蛋/蛋糕 4个蛋糕。 4. 检查面粉每个蛋糕需2杯面粉做4个蛋糕需8杯面粉。题目已假设面粉充足故面粉不是限制条件。 5. 因此最多可做4个蛋糕。 对比学生的解决方案直接计算了12/34并得出了“可以做4个蛋糕”的结论与我的推导结果一致且没有提及面粉是因为题目已说明面粉充足。 判断学生的解决方案是正确的。如果学生给出的答案是错的比如错误地用了面粉数量去计算模型通过自己推导就能清晰地指出错误所在。这个策略完美模拟了人类老师批改作业时的思考过程极大地提升了判断的可靠性。核心洞见这个策略揭示了与大模型协作的黄金法则——把它当作一个需要明确指导的、极其聪明但缺乏常识的新手。你的角色不是提问者而是引导者和流程设计者。你设计的思考路径越清晰模型的表现就越出色。3. 实战进阶五大核心应用场景拆解掌握了基础原则我们就可以进入实战环节。我将结合最常见的五个工作场景展示如何运用上述原则解决实际问题。3.1 场景一文本总结与信息提取——从海量信息中快速抓取要点这是日常工作中最高频的需求之一。但“总结”不是简单缩短而是带有目的的提炼。3.1.1 基础总结控制长度与焦点需求将一篇冗长的产品用户评论总结成一句话用于快速浏览。Prompt 设计你的任务是从电商网站的用户评论中生成一个简短的摘要。 请将以下用包裹的评论总结为最多30个词。 评论这款无线耳机音质出乎意料的好低音沉稳高音清晰完全超出了我对这个价位产品的预期。蓝牙连接非常稳定在拥挤的地铁里也没断过。续航更是惊喜官方标称20小时我实际用下来能接近22小时。当然也有不足耳罩部分夏天戴久了有点闷热而且自带的收纳盒有点大不方便塞进小包里。总体来说物超所值强烈推荐给通勤族。模型输出无线耳机音质佳、连接稳、续航超预期近22小时但耳罩闷热、收纳盒大。总体物超所值推荐通勤族。这个总结抓住了核心优缺点和推荐人群长度也符合要求。3.1.2 定向总结面向不同部门的信息提炼同一份原始材料给不同部门看需要突出的重点完全不同。给运输部门的反馈你的任务是从电商网站的用户评论中生成一个简短的摘要以向运输部门提供反馈。 请将以下评论总结为最多30个词并侧重于提及产品的运输和交付方面。 评论同上模型输出评论未提及运输与交付的具体信息。产品使用体验良好但无物流相关反馈。因为原评论没提物流模型诚实地指出了这一点。如果评论是“物流很快第二天就到了但包装有破损”那么输出就会聚焦于物流速度和包装问题。给定价部门的反馈你的任务是从电商网站的用户评论中生成一个简短的摘要以便向定价部门提供反馈。 请将以下评论总结为最多30个词侧重于与价格和感知价值相关的方面。 评论同上模型输出用户认为产品“物超所值”音质、连接、续航均超出其对价位的预期感知价值高。这个总结直接告诉定价部门“当前定价策略是成功的用户觉得划算”。3.1.3 信息提取更精确的数据抓取当你不想要概括性的总结而想要提取出具体的事实数据时用“提取”指令。Prompt 设计请从以下评论中提取出关于“产品续航时间”和“产品缺点”的具体信息每条信息用短句列出。 评论同上模型输出- 产品续航时间官方标称20小时实际使用接近22小时。 - 产品缺点1. 耳罩部分夏天戴久了闷热。 2. 自带的收纳盒有点大不便携。这种方式得到的输出更加结构化适合填入数据库或表格。我的经验在要求总结或提取时务必明确“为谁而做”和“用于什么目的”。这能帮助模型抓住最相关的信息。一个通用的总结往往价值有限而一个有针对性的总结却能直接驱动业务决策。3.2 场景二推理与洞察——读懂文字背后的情绪与主题大模型不仅能处理文字表面信息还能进行一定程度的“阅读理解”推断出情感、主题、观点等。3.2.1 情感判断基础判断判断以下用包裹的评论文本的情感是积极、消极还是中性。 评论文本客服响应太慢了等了半天都没人理。不过后来问题还是给解决了产品用起来还行。模型输出中性混合情感。前半部分表达对客服响应慢的消极情绪后半部分对问题解决和产品表示积极。进阶——识别是否含有愤怒以下评论的作者是否在表达愤怒评论用括起来。回答是或否。 评论文本你们这什么破系统动不动就崩溃数据全丢了今天必须给我个说法模型输出是3.2.2 实体识别与多任务处理你可以让模型一次性完成多项推理任务并以结构化格式输出。Prompt 设计从以下评论中识别以下项目 - 情感积极/消极/中性 - 评论者是否表达了愤怒是/否 - 评论者购买的产品名称 - 制造该产品的公司名称如果提及 评论以分隔。 将你的响应格式化为一个 JSON 对象包含 sentiment, anger, item, brand 四个键。如果信息不存在使用 unknown。 评论文本刚买的‘智聆’品牌TWS耳机到货了外观精致降噪效果惊艳通勤路上世界都安静了。续航也不错。就是‘智聆’的App偶尔会闪退希望后续更新能修复。模型输出{ sentiment: 积极, anger: false, item: TWS耳机, brand: 智聆 }3.2.3 主题推断从长篇文章中快速提取核心话题。Prompt 设计确定以下文本中正在讨论的五个主要主题。每个主题用一到三个词概括。 将你的回复格式化为以逗号分隔的列表。 文本一篇关于人工智能在医疗领域应用的新闻报道模型输出人工智能医疗诊断医学影像药物研发伦理监管避坑指南情感分析时对于中文这种含蓄表达模型有时会误判。比如“还行”、“不错”可能只是中性偏积极。对于关键业务场景如舆情监控最好在 Prompt 中提供几个典型例子小样本提示校准模型的判断标准。例如“‘服务还行’视为中性‘服务非常周到’视为积极‘服务极其糟糕’视为消极。”3.3 场景三文本转换与生成——翻译、润色与创作这是大模型最擅长的领域之一但也有很多技巧可以让你获得更佳效果。3.3.1 翻译不仅仅是字对字转换基础翻译将以下中文技术文档片段翻译成英文保持技术术语的准确性本接口采用 RESTful 风格设计通过 HTTPS 协议进行通信。请求体需为 JSON 格式所有时间戳均使用 Unix 毫秒时间戳。模型输出This interface is designed in RESTful style and communicates via the HTTPS protocol. The request body must be in JSON format, and all timestamps use Unix millisecond timestamps.处理含指令的翻译难题 有时你需要翻译的文本本身看起来像一条指令这会让模型困惑。有问题的 Prompt翻译为中文Your task is to convert the following into a table: a1,2,3 b4,5,6模型错误输出可能直接生成一个表格| | a | b | |---|---|---| | 1 | 1 | 4 | | 2 | 2 | 5 | | 3 | 3 | 6 |模型把待翻译的文本当作指令执行了解决方法是指明“文本内容”的属性。正确的 Prompt将以下用三个反引号包裹的英文文本翻译成中文。注意反引号内的所有内容都是需要翻译的文本不是指令。Your task is to convert the following into a table: a1,2,3 b4,5,6模型正确输出你的任务是将以下内容转换为表格a1,2,3 b4,5,63.3.2 语气与风格转换正式商务邮件将以下同事间的即时通讯对话改写为一封正式的商务邮件 “老王昨天说的那个需求文档我看了第三部分逻辑有点绕能不能再细化一下最好明天下班前给我谢啦”模型输出王经理您好 我已查阅昨日讨论的需求文档初稿。文档整体框架清晰但其中第三部分的业务逻辑流程在理解上可能存在一些歧义。为确保后续开发方向准确不知可否请您对该部分进行进一步的细化与说明 若方便期望能在明日下午下班前获得更新后的版本。非常感谢您的支持与配合 顺祝商祺 [你的名字]3.3.3 内容生成从零到一与从一到多基于信息生成营销文案 这是第二章迭代案例的延伸。假设经过几轮迭代你最终确定了这样的 Prompt你是一位资深营销文案。请根据以下产品技术规格撰写一段用于社交媒体如微博的推广文案。 要求 1. 突出其“中世纪设计美学”和“高度可定制”两大核心卖点。 2. 语气活泼、吸引年轻人可适当使用网络流行语。 3. 文案长度在100字以内。 4. 在文案末尾添加2-3个相关话题标签Hashtag。 产品规格此处填入办公椅的规格通过这样明确的指令你可以直接得到一段可用文案省去了大量构思和修改的时间。我的心得在文本生成任务中“角色扮演”指令效果极佳。告诉模型“你是一位资深营销文案”、“你是一位严厉的学术编辑”或“你是一位幽默的科普作家”它能更好地模仿该角色的口吻和知识背景。这比单纯说“请写得专业点”或“请写得幽默点”要有效得多。3.4 场景四构建聊天机器人——定义角色与流程你可以用 Prompt 定义一个简单的单轮对话机器人用于特定场景。Prompt 设计披萨店订餐机器人你是“美味披萨店”的AI订餐助手。你的任务是友好、高效地收集顾客订单。 请按以下流程与顾客互动 1. 热情问候顾客并告知今日特色。 2. 询问顾客需要的披萨种类、尺寸大/中/小和数量。 3. 询问是否需要加料如额外芝士、意大利辣香肠等。 4. 询问是堂食、自取还是外送。 5. **如果是外送询问详细地址。** 6. 完整复述订单信息请顾客确认。 7. 最后询问支付方式。 请确保在每一步都清晰说明所有可选项参考下方菜单。你的回复应简短、亲切。 菜单 - 披萨意大利辣香肠披萨大12.95/中10.00/小7.00芝士披萨大10.95/中9.25/小6.50茄子披萨大11.95/中9.75/小6.75 - 小食薯条大4.50/小3.50希腊沙拉 7.25 - 加料额外芝士 2.00蘑菇 1.50意大利辣香肠 3.00加拿大培根 3.50彩椒 1.00 - 饮料可乐/雪碧大3.00/中2.00/小1.00瓶装水 5.00当你将这段 Prompt 输入给 ChatGPT 等模型时它就会扮演这个订餐助手的角色引导用户完成整个点餐流程。虽然这无法处理复杂的支付或库存系统对接但对于原型设计、流程演示或简单的自动化接待来说已经足够强大。3.5 场景五迭代优化——没有一蹴而就的完美 Prompt这是最重要的一课也是新手最容易忽视的一点你几乎不可能第一次就写出完美的 Prompt。Prompt Engineering 是一个典型的迭代优化过程。回顾第二章的案例第一版 Prompt“根据技术规格写产品描述。” - 输出冗长、重点散乱。第二版迭代增加“不超过50字” - 输出变短但可能忽略了关键的技术参数。第三版再迭代明确“面向家具零售商侧重材料”、“包含产品ID”、“以表格形式列出尺寸”、“用 Markdown 引用格式” - 输出最终符合要求。这个过程就像调试程序运行给出初始 Prompt获得输出。分析对比输出与预期找出差距是太长是格式不对是漏了信息。调整根据差距修改 Prompt增加限制、改变指令、提供示例等。重复运行新的 Prompt再次分析输出直到满意。核心工作流建议我强烈建议你建立一个“Prompt 实验记录”。用一个表格或笔记记录任务目标、初始 Prompt、输出结果、问题分析、优化后的 Prompt。坚持记录几次后你就会对自己常用的任务类型形成一套高效的 Prompt 模板未来稍作修改即可复用效率倍增。4. 高级框架与思维模型从技巧到方法论当你熟练运用上述所有技巧后你会发现有时面对一个复杂任务依然不知从何下手。这时你需要一些更上层的框架来组织你的思维。这里介绍两个我常用的框架。4.1 CRISPE 框架由 Matt Nigh 提出这是一个非常全面的 Prompt 构思框架特别适合需要高质量、创造性输出的场景。C (Capacity Role - 能力与角色)你希望 AI 扮演什么角色专家、诗人、顾问、批评家I (Insight / Context - 洞察/背景)提供足够的背景信息。谁是你的受众这份输出的用途是什么有什么已知的限制或条件S (Statement - 指令)清晰、具体地说明你要 AI 做什么。P (Personality - 个性)你希望输出是什么风格严谨的、幽默的、热情的、简洁的E (Experiment - 实验)要求 AI 给出多个版本或不同角度的输出供你选择。示例撰写一篇技术博客引言。角色扮演一位在开发者社区有十年经验的资深技术布道师。背景读者是有一到三年经验的中级前端开发者他们对 Vue.js 3 的新响应式系统原理感到好奇但畏惧过于学术化的讲解。指令撰写一篇博客的引言部分目的是激发读者阅读兴趣并简要点出 Vue 3 响应式系统相比于 Vue 2 的核心突破。个性采用通俗易懂、略带幽默和亲切感的语气避免黑话和复杂公式。实验请提供三个不同切入点的引言版本例如一个从开发痛点切入一个从版本对比切入一个从比喻/类比切入。4.2 输入-指令-输出-过滤 (I-O-F) 框架这是我个人总结的一个更简洁、更工程化的框架适合大多数逻辑清晰的指令型任务。Input (输入)提供给模型的“原材料”。用分隔符清晰标出。Instruction (指令)要求模型对输入执行的具体操作。拆解步骤明确格式。Output (输出)你期望的最终输出格式。JSON、列表、特定结构的文本等。Filter (过滤 - 可选)对输出结果的额外约束。例如“如果结果中包含‘无法确定’则改为返回空列表”、“只保留长度大于10个字符的项”。示例从会议纪要中提取行动项。输入会议纪要全文指令1. 识别纪要中所有分配给具体人员格式如“张三”的待办任务。2. 为每个任务提取以下信息负责人、任务内容、截止时间如有提及。3. 如果未提及截止时间则标注为“待定”。输出将结果以 Markdown 表格形式输出列名为负责人、任务内容、截止时间。过滤如果某个任务没有明确负责人即未被则忽略该任务。这个框架强迫你在写 Prompt 前就想清楚我有什么我要做什么我要的结果长什么样有什么额外要求思维会变得非常清晰。5. 避坑指南与常见问题排查在实际使用中你一定会遇到各种“翻车”现场。以下是我总结的最常见的几个坑及其解决方案。5.1 问题一模型“幻觉”Hallucination这是指模型自信地生成错误或虚构的信息。比如你问它一个不存在的产品它能编出一套完整的参数。应对策略指令约束在 Prompt 开头加入“如果你不确定或不知道答案请直接说明‘根据已知信息无法回答’不要编造信息。”提供知识边界对于专业领域可以先提供一段准确的背景资料用分隔符包住然后要求模型“仅根据以上提供的信息回答问题”。交叉验证对于关键事实不要完全依赖单次生成。可以换种问法再问一次或者用其他可靠来源进行核实。5.2 问题二输出格式不稳定同一段 Prompt这次输出 JSON下次可能多出一段解释文字。应对策略格式锁死在指令中极其明确地指定格式。例如“请严格输出一个 JSON 对象不要有任何额外的 Markdown 标记、解释或换行。JSON 的结构必须是{“key1”: “value1”, “key2”: [“item1”, “item2”]}”使用系统角色如果 API 支持在像 OpenAI API 中你可以设置system角色消息来固定行为模式如“你是一个只输出 JSON 格式数据的助手。”5.3 问题三中文 Prompt 效果不如英文由于训练数据分布的原因某些复杂逻辑任务用英文 Prompt 确实可能更稳定。应对策略关键指令用英文对于核心指令如“step by step reasoning”、“output in JSON”可以尝试保留英文。中英混合主体描述用中文但格式指令、关键动词用英文。例如“请分析以下文本...的情感并output a JSON objectwith keyssentimentandconfidence。”翻译后处理先用英文写好并测试通过一个高效的 Prompt再将其准确翻译成中文使用。5.4 问题四复杂任务逻辑混乱当任务步骤非常多时模型可能会漏掉某一步或执行顺序错乱。应对策略极致拆解将任务拆分成原子步骤并使用“第一步... 第二步...”的编号列表。甚至可以要求模型“在开始下一步之前请先复述上一步的结果”来强制其遵循链条。分步调用不要试图用一个超长的 Prompt 解决所有问题。利用聊天模型的“多轮对话”特性将复杂任务分解成多次交互完成。你可以在第一轮让模型做 A拿到结果后在第二轮基于 A 的结果让它做 B。5.5 问题五对提示词微小改动过于敏感有时加一个逗号、换一个同义词输出结果差异很大。应对策略保持一致性建立你自己的 Prompt 风格指南并遵循它。比如始终用“###”做分隔符始终用“任务”开头。温度Temperature参数如果你通过 API 调用可以调整“温度”参数。温度越低如 0.2输出越确定、保守温度越高如 0.8输出越随机、有创造性。对于需要稳定输出的任务使用低温度。接受随机性理解这是概率模型的本质。对于非关键任务接受一定范围内的变化。对于关键任务则通过更严格的指令和格式约束来降低随机性。6. 我的终极心法与持续练习走过这么多路踩过这么多坑我最想分享的其实不是某个具体技巧而是一种思维模式把大语言模型当作一个能力超强但需要精确引导的实习生。你不能对它说“做个市场分析。”这就像对实习生说“把这事办了。”结果必然不如意。 你应该说“小模我们现在要分析一下上一季度A产品在社交媒体上的口碑。这是数据来源附链接。请你1. 先爬取这些数据中的用户评论2. 用情感分析模型给每条评论打上‘积极’、‘消极’、‘中性’标签3. 统计各类别的比例4. 从消极评论中提取出排名前五的问题关键词5. 最后用 Markdown 格式给我一份总结报告包含比例图表用文字描述和问题关键词列表。第一步我们先来处理数据爬取……”Prompt Engineering 的本质是“管理”和“沟通”的学问。你管理的是一个硅基大脑沟通用的是结构化、无歧义的自然语言。这门手艺光看是学不会的。你必须动手。我建议你从改造日常工作开始找一件你每周都要做的、重复性的文字工作比如写周报、整理会议纪要、回复常见客服问题尝试用 Prompt 自动化它。建立你的弹药库用一个笔记软件如 Notion、Obsidian专门收集你写过的、好用的 Prompt并分类标注如“总结类”、“翻译类”、“生成类”。加入社区关注一些优秀的 Prompt 分享者看看别人是如何构思的。但切记不要生搬硬套要理解其背后的设计逻辑。保持耐心与好奇模型在进化最佳实践也在变化。今天好用的 Prompt明天可能有更优解。保持开放和学习的心态是玩转这个领域的不二法门。最后记住那句老话纸上得来终觉浅绝知此事要躬行。现在就打开你的 ChatGPT 或任何你常用的 AI 工具选一个本章讲过的例子亲手输入、运行、观察结果、然后尝试修改它。这个过程中你感受到的细微差别和获得的直觉是任何教程都无法替代的。祝你玩得开心用得顺手。