#Prompt Engineering基础：大模型指令设计与优化的完整指南

#目录

• Prompt Engineering概述
• Zero-shot Prompting详解
• Few-shot Prompting实践
• Chain-of-Thought思维链技术
• 高级Prompt设计技巧
• 结构化Prompt设计
• 系统提示词(System Prompt)
• Prompt优化策略
• 实际应用案例

#Prompt Engineering概述

Prompt Engineering（提示工程）是和大语言模型打交道的核心手艺。你不需要重新训练模型，只要通过调整文字指令，就能让同一个模型完成翻译、写作、分类、推理等等各种各样的任务。

简单来说，Prompt Engineering 可以被总结为：

精心设计的指令 + 相关上下文 + 输出约束 = 高质量的模型输出

通过这三要素的组合，我们可以把模型的能力发挥到极致。

我们可以对比一下差的提示词和好的提示词，感受其中的差别：

好的提示词让任务目标、输入内容、输出格式一目了然，模型几乎没有发挥的“错误空间”，这正是我们追求的效果。

#为什么Prompt Engineering如此重要？

• 成本友好：不需要昂贵的微调和再训练
• 高度灵活：同一个模型，换个提示词就能从“客服”变成“代码审查员”
• 可控性强：你可以精确约束输出的语言风格、长度、格式
• 快速试错：改一行字远比重新训练模型要快得多

#常见的提示词类型

本文会重点展开前三类最常用的技术：

• Zero‑shot Prompting：不给例子，直接下达任务
• Few‑shot Prompting：给出几个示例，让模型“照猫画虎”
• Chain‑of‑Thought (CoT)：引导模型一步一步推理
• 角色扮演提示：为模型设定身份和语气
• 系统提示词 (System Prompt)：在对话开始前注入全局规则

#Zero-shot Prompting详解

Zero‑shot 是最直白的用法，不给任何示例，直接告诉模型你要它做什么。
它的底气在于：大模型在预训练阶段已经阅读了海量文本，很多知识早已内化其中。你只需要通过清晰的指令把它“激活”出来。

#什么时候用 Zero‑shot？

• 简单的文本分类（情感分析、新闻类别）
• 常规的翻译任务
• 基础的摘要和生成
• 事实性问答

#实践示例

情感分析

判断下面评论的情绪是正面、负面还是中性，只输出一个词。

评论：这个产品真好用，物流也快。

输出：正面

文本分类

将下面的新闻分到“体育”“科技”“财经”“娱乐”中的一个类别，只输出类别名称。

新闻：苹果公司发布了新一代自研芯片。

输出：科技

翻译

把下面的话翻译成英文，只输出英文句子。

今天阳光真好。

输出：The sunshine is really nice today.

#Zero‑shot 的短板

• 碰到需要多步推理的问题容易翻车
• 输出格式不太稳定，有时会附带多余的解释
• 对措辞比较敏感，同一件事换种说法可能结果就不一样

不过别担心，下面我们要讲的 Few‑shot 和 Chain‑of‑Thought 正好能解决这些问题。

#Few-shot Prompting实践

在提示里塞几个“范例”，模型就会像学生模仿例题一样，准确率往往能大幅提升。
重点是：例子不用多，但要典型、清晰、格式一致。

#Few‑shot 的工作原理

1. 准备 2‑5 个有代表性的（输入 → 输出）例子
2. 所有例子保持统一的排版和分隔符
3. 模型在读例子时会自动推测任务模式
4. 然后把这个模式应用到最后一个待解决的输入上

#实践示例

成语翻译

请把下面的成语翻译成英文，保持格式为：成语 → 英文解释。

塞翁失马，焉知非福 → A loss may turn out to be a gain.
纸上谈兵 → To talk idly about theoretical matters.
亡羊补牢 → Better late than never.
破镜重圆 → 

情感分析

判断评论的情绪，选项：正面 / 负面 / 中性。

评论：物流快，包装也很用心。
情绪：正面

评论：东西收到了，但质量太差了，失望。
情绪：负面

评论：还行吧，没太大感觉。
情绪：中性

评论：虽然贵了点，但用起来确实舒服。
情绪：

#Few-shot 设计小窍门

• 先易后难：简单的例子放前面，帮助模型建立信心
• 错误示例有时也有效：偶尔加一个“错误答案 + 纠正”的例子，能让模型学会避开常见坑
• 保持格式严谨：分隔符（如箭头、破折号、数字编号）最好一以贯之，别换来换去

#Chain-of-Thought思维链技术

有些任务，比如数学题、逻辑谜题，直接问答案效果很差。这时候我们可以用 Chain‑of‑Thought (CoT) 技术，让模型把推理过程一步一步写出来。

现在的做法就不再是“问题 → 答案”，而是：

问题 → 推理第一步 → 推理第二步 → … → 最终答案

这样不仅能提高正确率，还能让我们看清楚模型是怎么想的。

#两种 CoT 实现方式

1. Few‑shot CoT
   在提示里给出几个包含推理步骤的例子，模型看完之后会模仿这种“慢思考”风格。

问题：桌上有 8 支笔，收走 3 支，又放了 5 支，现在有几支？
推理：起始 8 支，收走 3 支剩 5 支，再放 5 支得 10 支。
答案：10 支

问题：一包饼干有 12 块，小明吃了 3 块，妹妹吃了 2 块，还剩几块？
推理：

2. Zero‑shot CoT
   如果你懒得写例子，直接加一句 让我们一步一步思考，很多模型也能奇迹般地切换到推理模式。

一个长方形长 8 米，宽 5 米，它的面积是多少平方米？
让我们一步一步思考。

#再多点“保险”——自一致性策略

用同一个问题让模型推理多次（可以稍微调整温度参数），然后选出出现频次最高的答案，可以进一步提升稳定性。虽然这会多消耗几次 API 调用，但在关键任务上非常值得。

#高级Prompt设计技巧

#角色扮演，让模型“入戏”

给模型一个明确的身份，它产出的内容会立刻带上这个角色的语气和专业度。

#输出格式一板一眼

靠嘴说“只输出JSON”有时模型会给你加一堆客套话，这时候把格式要求“模板化”就很管用。

强制 JSON 输出

请严格按照下面的 JSON 格式回答，不要多一个字：
{
  "answer": "...",
  "confidence": 0.0-1.0
}

结构化模板

【答案】
（你的答案）

【理由】
（简要说明为什么这么认为）

【置信度】
（高/中/低）

#约束条件精确化

• 长度约束：请用不超过 80 个字回答
• 领域约束：请只基于上面提供的材料来判断，不要引入外部知识
• 语气约束：请使用正式、礼貌的商务中文

#结构化Prompt设计

在实际开发中，我们常常需要动态拼接提示词，这时候一个清晰的 Prompt 模板可以避免混乱。

#推荐模板结构

【任务描述】
你要做什么

【背景信息】
相关的上下文或文档

【输入数据】
待处理的内容

【输出要求】
格式、长度、语气等

【示例】（可选）
输入：… 输出：…

【当前输入】
具体需要处理的新内容

#用代码动态构建 Prompt

把每一部分拆分成可复用的模块，会让项目维护轻松很多。

class PromptBuilder:
    def __init__(self):
        self.sections = []

    def add_header(self, title, content):
        self.sections.append(f"【{title}】\n{content}\n")
        return self

    def build(self):
        return "\n".join(self.sections)

# 快速搭建一个情感分析 prompt
builder = PromptBuilder()
prompt = (builder
    .add_header("任务", "进行情感分析，输出正面/负面/中性")
    .add_header("当前输入", "这个咖啡味道不错，还会回购")
    .build())
print(prompt)

#系统提示词(System Prompt)

System Prompt 就像模型的“人格设定集”，在对话一开始就注入，对整个对话的基调、行为、安全边界起到决定性作用。

#System Prompt 主要做什么？

• 定角色：你是谁，具备什么背景
• 划界限：该说什么，不该说什么
• 嵌知识：给模型加载专业领域的基础规则
• 控风格：正式/随意、简洁/详细、热情/冷静

#几个典型的 System Prompt

• 编程助手：“你是一名资深 Python 开发者。回答问题时直接上代码，附带简短注释，不额外寒暄。”
• 客服助手：“你是商城的官方客服，语气亲切专业，遇到无法解决的问题请引导用户提交工单。”
• 学习教练：“你用简单的话解释复杂概念，像给初中生讲课一样，多举生活例子。”

#在 API 中使用的样子

System Prompt 通常放在 messages 数组的最前面，角色标记为 "system"。

import openai

response = openai.ChatCompletion.create(
    model="gpt-4o-mini",
    messages=[
        {
            "role": "system",
            "content": "你是一个专业的Python编程助手，提供简洁高效的代码解决方案。"
        },
        {
            "role": "user",
            "content": "写一个合并两个有序数组的函数"
        }
    ],
    temperature=0.2
)

#Prompt优化策略

写好 Prompt 很少一步到位，大多要经过“实战—分析—调整”的循环。

#用 A/B 测试找到最佳版本

1. 定好评估指标（准确率、格式合规率、相关性等）
2. 准备一份固定的测试数据集
3. 针对同一个任务生成 2‑3 个不同措辞的 Prompt
4. 对比它们在测试集上的表现
5. 保留最优那个，再考虑进一步微调

每次只改一个变量，效果清晰，方便归因。

#迭代四步法

• 建立基线：记录当前 Prompt 的表现作为“起跑线”
• 定位问题：找出那些频繁出错的案例，总结错误类型
• 针对性修改：是格式不对就强调格式，是推理卡壳就加上 CoT 示例
• 验证效果：用测试集跑一遍，和基线对比后决定是否上线

#实际应用案例

下面给出两个可以直接“拎包入住”的 Prompt 模板，大家可以根据实际业务稍作修改。

#客户服务场景

【角色】你是一家电商平台的客服代表，需保持友好、专业、高效。
【核心理念】
- 先理解并共情客户的问题
- 给出具体可行的解决方案
- 结尾主动询问是否需要其他帮助

【回复格式】
1. 一句理解/共情的话
2. 清晰的解决步骤
3. 结尾关心语

【客户问题】
{查询内容}

#内容生成场景

【任务】写一篇关于 {主题} 的博客文章
【读者】{初级/中级/高级} 技术人员
【文章要求】
- 字数：800～1200 字
- 语言通俗，少用术语，多打比方
- 结构清晰：开头吸引人、中间分点展开、结尾有总结建议

【输出格式】
1. 自然醒目的标题
2. 引言段
3. 3～5 个内容小节
4. 总结与建议

#总结

1. 根基要稳：Zero‑shot、Few‑shot、CoT 是三种最核心的招式
2. 设计有章法：好的 Prompt = 清楚的任务 + 优质的示例 + 强约束的格式
3. 高阶技巧：角色扮演、System Prompt、输出强制模板都会让你的产品体验更上一层楼
4. 优化靠迭代：定好指标、做 A/B 测试、每次只调一个变量
5. 场景为王：没有银弹 Prompt，贴合实际的场景设计才是王道

💡 核心公式：优秀的 Prompt = 清晰的任务描述 + 合适的上下文 + 明确的格式要求 + 恰当的约束条件

🔗 扩展阅读

• Prompt Engineering Guide
• Chain-of-Thought Paper
• System Prompt Best Practices

📂 所属阶段：第五阶段 — 迈向大模型 (LLM) 的阶梯
🔗 相关章节：GPT系列演进 · 指令微调(Instruction Tuning)