Prompt Engineering：提示词工程
提示词（Prompt）是引导大模型按照特定意图生成输出的输入指令。提示词工程是通过设计和优化提示词，使大模型更准确、可控地产生所需输出的技术。
提示词的核心构成
系统提示词（System Prompt）
定义模型的身份、角色和行为准则，是 Agent 的"人格设定"。
你是一位专业的软件工程师助手。
- 回答要准确、简洁，优先给出可运行的代码
- 遇到不确定的问题要诚实说明
- 优先考虑代码质量和安全性
- 使用中文进行交流
系统提示词的作用：
- 设定角色与专业领域
- 定义输出格式与风格
- 建立行为边界与约束
- 注入领域知识与规则
用户提示词（User Prompt）
用户的具体任务指令，是 Agent 的"工作内容"。
帮我实现一个 Python 函数，输入是一个整数列表，返回列表中的所有偶数。
要求：
1. 使用列表推导式实现
2. 包含类型注解
3. 附上简单的使用示例
经典提示词结构模板
【角色设定】→ 明确身份与专业领域
【背景信息】→ 提供必要的上下文
【任务目标】→ 清晰说明要做什么
【输出要求】→ 格式、长度、风格约束
【示例参考】→ 给出期望的输出范例
提示词设计的核心原则
1. 明确性原则
❌ 不好的提示：
帮我优化一下这段代码。
✅ 好的提示：
帮我优化以下 Python 函数，目标是：
1. 提升运行性能（当前处理 100 万数据需要 5 秒）
2. 增加类型注解
3. 添加适当的错误处理
4. 保留原有的业务逻辑不变
函数代码：
[代码片段]
2. 结构化原则
使用清晰的层级和分隔，让模型更容易理解指令。
任务：分析用户反馈并生成回复
### 输入
用户反馈：[内容]
### 分析维度
1. 情感倾向（正面/中性/负面）
2. 核心问题点
3. 用户期望
### 回复要求
- 语气：专业、诚恳
- 长度：100-200 字
- 必须包含：致歉 + 解决方案 + 后续跟进
3. 渐进式原则
复杂任务分步骤引导，而不是一次性给出所有指令。
第一步：先理解这个需求的核心目标是什么？
第二步：分析可能的技术方案有哪些？
第三步：评估各方案的优缺点？
第四步：给出最终的实现建议。
4. 示例驱动原则
提供示例比抽象描述更有效。
将用户提问转换为数据库查询：
示例 1：
输入：上个月销售额最高的 5 个产品
输出：SELECT product, SUM(amount) as total
FROM sales
WHERE date >= '2024-04-01'
GROUP BY product
ORDER BY total DESC
LIMIT 5
示例 2：
输入：[用户新的查询]
输出：[模型生成的 SQL]
高级提示词技术
思维链（Chain-of-Thought, CoT）
引导模型"大声思考"，逐步推理。
请一步步解决这个问题，先给出你的思考过程，再给出最终答案。
问题：一个水池有两个进水管 A 和 B，单开 A 管 6 小时可以注满，单开 B 管 8 小时可以注满。
如果同时打开两个水管，多长时间可以注满？
效果：
- 提升复杂推理任务的准确率
- 让模型的决策过程可解释
- 便于发现和修正错误
少样本学习（Few-Shot Learning）
在提示词中提供少量示例，让模型"看懂"任务要求。
Few-shot 的双重价值：在提示词中注入少量"答案的标准"示例，既能显著提升输出质量，又能有效约束模型按期望的格式输出。Few-shot 既是在教任务，更是在锁格式——这也是它在工程中被高频使用的原因。
将自然语言转换为正则表达式：
示例 1：
输 入：匹配邮箱地址
输出：^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$
示例 2：
输入：匹配中国大陆手机号
输出：^1[3-9]\d{9}$
输入：匹配 6-20 位的密码，包含字母和数字
输出：
自我一致性（Self-Consistency）
让模型多次回答同一问题，然后选择出现次数最多的答案。
对这个问题，从 3 个不同的角度分别思考，给出 3 个独立的分析过程，
最后综合所有分析给出最可靠的结论。
反思与校验
让模型对自己的输出进行批判性审查。
现在请对你刚才给出的方案进行复盘：
1. 这个方案有什么潜在的问题或风险？
2. 有什么可以改进的地方？
3. 如果让你重新设计，你会做哪些调整？
提示词的调试与优化
常见问题与应对
| 问题表现 | 可能原因 | 优化策略 |
|---|---|---|
| 输出偏离指令 | 提示词不够明确 | 增加更具体的约束，给出负面示例 |
| 容易产生幻觉 | 知识边界不清晰 | 要求模型引用来源，不确定时说明 |
| 输出格式错误 | 格式指令不够强 | 用强约束词（"必须严格按照"）+ 示例 |
| 推理能力不足 | 缺少思考引导 | 增加 CoT 指令，要求分步思考 |
| 上下文记忆丢失 | 关键信息被淹没 | 重复强调关键信息，使用标记突出 |
迭代优化流程
版本 1 → 测试 → 发现问题 → 调整提示
↑ ↓
└───────────────────────────┘
提示词工程的边界与局限
提示词工程不是万能的
适合用提示词解决：
- 任务定义与输出格式控制
- 推理路径引导
- 角色与风格设定
- 简单知识注入
不适合用提示词解决：
- 需要大量专业领域知识
- 需要精确记忆大量数据
- 需要严格的逻辑约束
- 需要模型"永远记住"的规则
从 Prompt 到 Agent
提示词工程是成本最低的调优手段，但它不改变模型的智力水平（参数）。要构建真正强大的智能系统，还需要：
提示词 + 工具调用 + 记忆系统 + 规划能力 = Agent
优秀的提示词不是"命令"模型，而是"引导"模型。它本质上是与一个通用智能体的沟通艺术。