跳转至

Prompt 工程入门：提示词技巧与实战

Prompt 工程关注如何设计、优化与 LLM 的输入（提示词），以更稳定、高效地得到想要的输出。本文介绍常用技巧和实战要点，适用于 ChatGPT、Claude、DeepSeek、Kimi 等大模型。表述尽量对齐截至 2026 年 3 月的主流实践；其中不同模型家族对提示风格的偏好并不完全相同。

适用读者：已使用过任意一款大模型对话产品，希望系统提升「问得准、拿得稳」的能力，减少无效输出与反复修改。

什么是 Prompt 工程

Prompt（提示词） 是你发给大语言模型（LLM）的指令与上下文；Prompt 工程 则是系统性地设计、迭代和优化这些输入，以便：

  • 更准确理解你的意图
  • 减少无关、错误或格式不对的输出
  • 在复杂任务上表现更稳定

好的提示词通常包含：角色/背景、任务说明、约束与格式，必要时加上示例。

Zero-Shot 指不提供示例、仅靠自然语言描述任务；Few-Shot 指在提示中给出少量输入-输出示例，让模型对齐格式与风格。复杂或格式要求高的任务，Few-Shot 往往更稳定。

核心技巧

1. 角色设定（Role）

在开头明确「你是谁、你的专业领域」，能显著提高回答的专业度和风格一致性。

弱示例：
「介绍一下减脂。」

强示例：
「你是一名有 10 年经验的健身与营养教练，擅长科学减脂。请用通俗语言介绍减脂的基本原理和 3 条可执行建议。」

2. 链式思考（Chain of Thought, CoT）

让模型先分析、再给结论，在数学、推理、规划类任务上常常更稳。但这条经验需要分模型来看：

  • 经典通用模型 / 非推理专用模型：显式要求「分步分析」有时会有帮助。
  • 现代推理模型：很多已经会在内部完成推理，官方文档通常建议先用简洁、直接的提示，不要默认追加 "Let's think step by step" 这类 CoT 指令。
  • 带示例的 CoT：在提示中写清步骤与结论的示例，例如：
  • 「请一步步分析，最后给出结论。」
  • 「先列出可能原因，再逐条排除，最后给出最可能的原因。」
  • 「请分步推导，每一步写出依据。」

适用：解题、诊断、对比、做决策等需要「过程」的多步任务。注意：在纯知识问答或简单分类任务上，CoT 有时会「想太多」导致多余推理或错误；而对推理模型来说，显式要求展示思维链未必增益明显，甚至可能适得其反。更稳妥的做法是：先用简洁提示，效果不够再补结构、约束或示例。

3. 明确输出格式与结构

说清楚你要的形式，减少无效输出和二次整理：

  • 「请用 Markdown 列表，每条不超过一句话。」
  • 「按以下结构回答：1) 定义 2) 适用场景 3) 注意事项。」
  • 「输出为 JSON：{"步骤": [], "预计时间": ""}。」

4. 少样本示例（Few-Shot）

在提示里给 1～3 个「输入→输出」示例，让模型对齐你的风格和格式。

示例：
「把下面用户意图改成简洁的产品需求句。
例1：用户说「我想能快速找到上个月的订单」→ 需求：支持按月份筛选订单。
例2：用户说「付款后最好有个提醒」→ 需求：付款成功后发送通知。
现在请改：用户说「……」」

5. 约束与边界

明确不要什么、范围是什么，能减少跑题和幻觉：

  • 「只基于下面这段文字回答，不要引入外部知识。」
  • 「不要编造数据，没有的信息请直接说不知道。」
  • 「回答控制在 200 字以内，只列要点。」

实用结构模板

可以按「角色 + 任务 + 格式 + 约束」组织一段提示词：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
你是一个 [角色/身份]，擅长 [领域]。

请完成以下任务：[具体任务描述]。

要求：
- [约束1，如：只用中文]
- [约束2，如：不编造]
- 输出格式：[结构或示例]

当前输入/上下文：
[你提供的材料、问题或数据]

根据任务替换括号内容即可。

常见问题与改进

现象 可能原因 改进方向
回答太泛、不贴题 任务描述模糊 加角色、加具体场景、加「不要……」
格式乱、不好用 没规定输出形式 明确列表/表格/JSON/分节
经常瞎编 模型用了「脑补」 强调「仅根据上文」「不知道就说不知道」、或配合 RAG 给原文
过程跳步、不推理 需要推理但没引导 先补任务结构，如「先分析约束，再给方案」；若仍不稳，再考虑 Few-Shot 或分步提示
风格不对 没给参考 加 1～2 个 Few-Shot 示例
输出被截断、不完整 生成长度超限或未要求「继续」 明确「若超过 N 字请分条续写」、或拆成多轮短提示

和 Agent、RAG、Skill 的关系

  • Prompt：单轮或短对话里「怎么问、怎么约束」——是基础。
  • Agent：多步任务时，每步都可以用更好的提示词驱动模型做规划、选工具。
  • RAG：先检索再生成时，把「检索到的内容」作为提示词的一部分，能大幅减少幻觉。
  • Skill：在 Cursor/Codex 等里，Skill 里写的正是「在什么情况下、按什么步骤、用何种提示逻辑」——可把常用提示固化进 Skill。

小结

  • 角色 + 任务 + 格式 + 约束 是提示词的基本骨架。
  • 链式思考（CoT） 更适合经典模型或需要显式过程约束的场景；对现代推理模型，先尝试简洁直接的提示通常更稳。Few-Shot 适合要固定风格或格式的任务。
  • 效果不好时，优先检查：是否说清了角色、是否限制了范围和格式、是否给了示例或推理指引。
  • 把常用提示整理成模板或写进 Skill，可以反复复用、持续迭代。

进阶方向：提示链（Prompt Chaining，多轮提示串联）、思维树（Tree of Thought，多分支推理）、自洽性 CoT（Self-Consistency：生成多条推理路径取共识）、与 RAG 结合做「检索后再生成」等，可结合 RAG 技术、Skill 使用介绍 在具体产品中实践。

延伸阅读：Prompt Engineering Guide（中文）、AI Agent 入门（多步任务中的提示设计）、RAG 技术（检索增强与上下文构造）。

本文作者： Wcowin王科文