Chenyj Space

什么是 Prompt Engineering？

Prompt Engineering（提示词工程）是设计和优化提示词（prompt）的技术，目的是让大语言模型（LLM）更好地理解你的需求，生成更准确、更有用的回答。

为什么重要？

code

差的提示词: "写一首诗"
好的提示词: "写一首七言绝句，主题是春天的雨，意境要优美，用词要典雅"

结果: 从随机生成 → 高质量定制化输出

基础原则

1. 明确具体

❌ 模糊的提示词：

code

帮我写个邮件

✅ 明确的提示词：

code

写一封工作邮件，主题是项目进度汇报，收件人是项目经理张总，
内容包括：本周完成的任务、遇到的问题、下周计划。
语气要正式专业。

2. 提供上下文

❌ 缺乏上下文：

code

解释这个函数

✅ 提供上下文：

code

我正在开发一个电商网站，这是购物车的计算函数。
请解释它的功能，并指出可能的优化点。

def calculate_total(items):
    total = 0
    for item in items:
        total += item['price'] * item['quantity']
    return total

3. 指定输出格式

❌ 没指定格式：

code

列出 Python 的数据类型

✅ 指定格式：

code

以表格形式列出 Python 的主要数据类型，包含以下列：
1. 类型名称
2. 示例
3. 主要用途
4. 可变性（可变/不可变）

常用技巧

1. 角色设定（Role Prompting）

让模型扮演特定角色：

code

你是一位有 10 年经验的 Python 高级工程师。
请审查以下代码，指出潜在的性能问题和改进建议。

def process_data(data):
    result = []
    for item in data:
        if item > 0:
            result.append(item * 2)
    return result

常见角色：

代码审查专家
技术文档写手
产品经理
UI/UX 设计师
安全专家

2. 少样本提示（Few-shot Prompting）

通过示例教模型：

code

将以下文本分类为正面、负面或中性情感。

文本: "这个产品太棒了！"
情感: 正面

文本: "服务态度很差"
情感: 负面

文本: "今天天气还行"
情感: 中性

文本: "餐厅的菜很好吃，但是上菜太慢了"
情感: ?

3. 思维链（Chain of Thought）

引导模型逐步推理：

code

问题: 一个水池有两个水管，A管每小时注入3吨水，B管每小时排出1吨水。
      水池容量是20吨，从空开始，多久能装满？

请逐步思考：
1. 首先，计算净注入速率
2. 然后，计算装满所需时间
3. 最后，给出答案

模型回答：

code

1. 净注入速率 = A管速率 - B管速率 = 3 - 1 = 2吨/小时
2. 装满时间 = 水池容量 / 净注入速率 = 20 / 2 = 10小时
3. 答案: 需要10小时装满

4. 结构化输出

要求模型按特定结构输出：

code

请分析以下代码，按以下格式输出：

## 功能描述
[简要描述代码功能]

## 潜在问题
1. [问题1]
2. [问题2]

## 改进建议
1. [建议1]
2. [建议2]

## 优化后的代码
[优化后的代码]

代码:
def find_max(arr):
    max_val = arr[0]
    for i in range(len(arr)):
        if arr[i] > max_val:
            max_val = arr[i]
    return max_val

高级技巧

1. 自我一致性（Self-Consistency）

让模型多次回答，选择最一致的答案：

code

请用三种不同的方法解决这个问题，然后选择最可靠的方法：

问题: 如何判断一个数是否是质数？

方法1: [模型的解答1]
方法2: [模型的解答2]
方法3: [模型的解答3]

最可靠的方法: [模型的选择和理由]

2. 思维树（Tree of Thoughts）

让模型探索多个推理路径：

code

问题: 设计一个短链接服务

请从以下三个角度思考设计方案：

角度1 - 数据存储:
[模型的思考]

角度2 - 生成算法:
[模型的思考]

角度3 - 高可用性:
[模型的思考]

综合方案:
[模型的综合设计]

3. 反思与修正（Reflection）

让模型自我检查和修正：

code

请完成以下任务，并在完成后自我检查：

任务: 写一个函数，计算列表中所有偶数的和

第一版代码:
[模型的代码]

自我检查:
1. 是否正确处理了空列表？
2. 是否正确识别了偶数？
3. 是否有边界情况遗漏？

修正后的代码:
[模型修正后的代码]

实战案例

案例1：代码生成

code

你是一位资深 Python 开发者。请根据以下需求编写代码：

需求:
1. 创建一个简单的待办事项管理器
2. 支持添加、删除、标记完成、查看所有待办
3. 使用命令行交互
4. 数据保存到本地文件

技术要求:
- 使用 Python 3.10+
- 使用 dataclass 存储待办项
- 使用 JSON 格式保存数据
- 添加适当的错误处理

请先设计类结构，然后实现完整代码。

案例2：文档生成

code

请为以下 API 生成技术文档：

API: POST /api/users
功能: 创建新用户

请求参数:
- name (string, 必填): 用户名
- email (string, 必填): 邮箱
- age (int, 可选): 年龄

请按以下格式生成文档：

## 接口说明
[简要描述]

## 请求参数
[表格形式]

## 请求示例
[JSON 格式]

## 响应示例
[成功和失败的示例]

## 错误码说明
[表格形式]

## 注意事项
[列表形式]

案例3：数据分析

code

请分析以下销售数据，提供业务洞察：

数据:
月份 | 销售额 | 同比增长
1月  | 100万  | 10%
2月  | 80万   | -5%
3月  | 120万  | 15%
4月  | 90万   | -10%
5月  | 150万  | 20%

请从以下角度分析：
1. 整体趋势
2. 季节性规律
3. 异常点分析
4. 业务建议

输出格式: Markdown 报告

常见错误与避免

❌ 错误1：提示词太短

code

错误: "写代码"
正确: "用 Python 写一个快速排序算法，要求：
      1. 支持自定义比较函数
      2. 处理空列表情况
      3. 添加类型注解"

❌ 错误2：缺乏约束

code

错误: "写一篇文章"
正确: "写一篇 800 字左右的技术博客，主题是'Python 异步编程'，
      目标读者是有 Python 基础的开发者，
      要求包含代码示例，语言要通俗易懂"

❌ 错误3：假设模型理解上下文

code

错误: "修复这个 bug"
正确: "这段代码的目的是计算两个日期之间的天数差，
      但是当结束日期早于开始日期时会返回负数。
      请修复这个问题，确保总是返回正数。"

❌ 错误4：不验证输出

code

错误: 直接使用模型输出
正确: 检查输出是否符合要求，必要时要求修正

工具与资源

1. 在线 Playground

2. 提示词库

3. 学习资源

最佳实践清单

✅ 提示词设计

✅ 迭代优化

测试不同变体
收集反馈
记录有效模式
持续改进

✅ 质量控制

验证输出准确性
检查是否符合要求
评估一致性
监控异常情况

总结

Prompt Engineering 是与 AI 高效沟通的关键技能：

明确具体: 清晰表达你的需求
提供上下文: 让模型理解背景
结构化输出: 指定期望的格式
迭代优化: 不断改进提示词

掌握这些技巧，你将能够：

提高 AI 输出质量
减少沟通成本
获得更一致的结果
解锁 AI 的更多能力

记住：好的提示词 = 好的结果。投入时间优化提示词，将带来指数级的回报。

延伸阅读：