前言

很多人抱怨大模型"时灵时不灵"——同样的需求，有时候回答惊艳，有时候胡说八道。其实问题往往不在模型能力，而在我们给的指令不够清晰。

吴恩达（Andrew Ng）的 Prompt Engineering 课程系统地讲了这件事：大模型很聪明，但它的"聪明"自带随机性。Prompt Engineering 的本质，就是用一系列规则来减少这种随机性，让模型稳定地输出我们想要的结果。

本文结合课程核心原理和可直接运行的代码，帮你从"随便问问"进阶到"精确控制"。

一、两条核心原则

吴恩达提出了两条关键原则：

1. 清晰且具体地表达（Be Clear and Specific）：让模型准确理解你的目的，避免偏离主题或犯错。
2. 给模型"思考"的时间（Give the Model Time to Think）：不要期望一步到位，拆解任务步骤能让模型更可靠。

注意——清晰不等于简短。很多人习惯给模型一句话指令，但实际经验表明，篇幅更长的 Prompt 能提供更完整的上下文和约束，输出质量反而更高。

二、开胃菜：封装一个通用的 LLM 调用函数

在开始之前，先封装一个工具函数。参数默认值是一个很实用的语法特性——默认用 deepseek-chat，也可以随时切换到其他模型：

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.deepseek.com/v1"
)

def get_completion(prompt, model="deepseek-chat"):
    """通用 LLM 调用函数，默认使用 deepseek-chat"""
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    return response.choices[0].message.content

函数虽短，但好处明显：复用、灵活、简洁。后文所有例子都通过它来调用。

三、技巧一：用分隔符清晰标记待处理文本

这是最简单也最实用的技巧。无论做摘要、翻译还是分析，先用符号（如 ```）把"待处理的内容"和"你的指令"清晰隔开。

text = f"""
你应当通过尽可能清晰、具体的指令，来明确你希望模型完成的任务。
这能引导模型产出符合预期的结果，同时降低回复内容偏离主题或出现错误的概率。
不要把编写清晰的提示词和精简提示词混为一谈。
很多时候，篇幅更长的提示词能为模型提供更完整的说明与背景信息，
进而让输出内容更加详实、贴合需求。
"""

prompt = f"""
将三个反引号之间的文本总结为一句话。
```{text}```
"""

print(get_completion(prompt))

输出：

通过提供清晰、具体且有时更长、更完整的指令和背景信息，可以引导模型产出更符合预期、更详实且减少错误的回复。

这里 {text} 是 Python f-string 的占位符。核心思路：让模型明确知道"哪部分是你要处理的原料"。 分隔符不限于反引号，尖括号 < >、XML 标签 <tag></tag> 等都行，关键是让你的指令边界清晰。

四、技巧二：约束输出格式（结构化输出）

让模型返回自然语言没问题，但在工程应用中，我们通常需要结构化数据——JSON 是最常见的选择。你可以在 Prompt 中明确要求字段名和含义。

prompt = f"""
请列出四大名著，并标注对应的作者与书籍类型。
使用 JSON 格式呈现，需包含以下字段:
book_id(书籍编号)、title(书名)、author(作者)、genres(书籍类型)、desc(概述)。
"""

print(get_completion(prompt))

输出（节选）：

[
    {
        "book_id": 1,
        "title": "水浒传",
        "author": "施耐庵",
        "genres": ["古典小说", "英雄传奇", "章回体"],
        "desc": "以北宋末年宋江起义为背景，描写了一百零八位好汉被逼上梁山..."
    },
    ...
]

这样做的好处很明显：后续代码可以直接 json.loads() 解析，无需额外处理。当你想让 AI 的输出接入自己的 pipeline 时，这一步是关键。

五、技巧三：引导模型分步执行

对于复杂任务，直接要最终结果容易出错。更好的做法是在 Prompt 里指定步骤顺序，让模型每一步只关注一件事。

先看一个包含操作指令的例子：

text = f"""
泡一杯茶其实很简单！
首先把水烧开。烧水的同时，拿出茶杯，放入茶包。
水烧开后，将热水冲入杯中浸泡茶包。静置片刻让茶香析出。
几分钟后取出茶包。
根据个人口味，还可以加入糖或牛奶。
这样一杯美味的茶饮就泡好了。
"""

prompt = f"""
你将收到三个引号包裹的文本。
若文本中包含一系列操作指令，
请按照以下格式重新整理这些指令。
步骤一 ...
步骤二 ...
...
步骤 N ...

如果文本中没有一系列操作指引，
直接输出**没有必要的步骤**

\"\"\"{text}\"\"\"
"""

print(get_completion(prompt))

输出：

步骤一：把水烧开。
步骤二：烧水的同时，拿出茶杯，放入茶包。
步骤三：水烧开后，将热水冲入杯中浸泡茶包。
步骤四：静置片刻让茶香析出。
步骤五：几分钟后取出茶包。
步骤六：根据个人口味，加入糖或牛奶。

同样一段 Prompt，如果输入的是一段写景文字（“今日阳光明媚，鸟儿欢唱…”），模型会正确判断并输出 “没有必要的步骤”。

这个技巧的价值在于：让模型具备条件判断能力——有指令就提取，没有就拒绝，而不是强行编造。

六、技巧四：Few-Shot 少样本提示

有时候你要的不是"规则"，而是"风格"。Few-Shot 就是在 Prompt 里附带 1-2 个示例，让模型参照格式、逻辑和风格来作答，无需冗长的文字描述。

prompt = f"""
你的任务是保持统一的行文风格作答。

提问: 请讲讲何为耐心。
回答: 能凿出幽深峡谷的江河，源自涓涓细流；
恢弘壮阔的交响乐，起于单个音符；
精美繁复的织锦，始于一缕丝线。

提问: 请讲讲何为韧性。
"""

print(get_completion(prompt))

输出：

能磨圆砾石的潮水，源自千万次退却与重来；破土而出的翠竹，在暗处扎根数年而不语；锻打千次的刀锋，终成削铁如泥的寒光——所谓韧性，是温柔的固执，把每一道裂痕都编成向上的阶梯。

只给了一个"耐心"的示例，模型就学会了用类比排比 + 哲理总结的风格来写"韧性"。Few-Shot 的应用场景很广：客服话术统一、文案风格对齐、代码规范约束等。

七、进阶：多任务组合

真实业务场景往往不是一个任务走到底，而是多个子任务串联。你可以在一个 Prompt 里描述完整链路：

text = f"""
在一座风光宜人的小村庄里，姐弟俩杰克和吉尔动身前往山顶的水井取水。
两人一路欢歌向上攀登，不料意外突生
——杰克被石头绊倒，滚下山坡，吉尔也跟着摔了下去。
二人虽受了些轻伤，还是回到了家中，得到家人温柔的安抚。
这场小意外并未磨灭他们冒险的兴致，此后他们依旧满心欢喜地四处游玩。
"""

prompt = f"""
执行以下操作:
1. 将三个反引号的文本概括为一句话。
2. 把这一句话摘要翻译成法语。
3. 列出法语摘要中出现的所有人名。
4. 使用 JSON 格式呈现，包含字段: french_summary(法语摘要)、
   num_names(人物数量)、name(名字，用 & 连接)。

```{text}```
"""

print(get_completion(prompt))

输出：

{
  "french_summary": "Jack et Jill, un frère et une sœur, tombent d'une colline en allant chercher de l'eau, mais rentrent chez eux légèrement blessés et continuent à jouer joyeusement.",
  "num_names": 2,
  "name": "Jack&Jill"
}

模型在一个 Prompt 内完成了摘要 → 翻译 → 实体提取 → 结构化输出四个步骤。这种"任务链"模式在实际开发中非常实用，可以大大减少 API 调用次数。

八、避坑指南：LLM 幻觉问题

必须正视一个问题：大模型会产生幻觉（Hallucination）——即有模有样地编造看似合理但实际不存在的信息。 比如当你问一个不存在的"蜜雪冰城滑雪装备品牌"时，模型可能不会直接说"不存在"，而是自行拼凑出一堆看似靠谱的答案。

应对策略：

• 要求模型先确认信息是否存在，再作答
• 让模型引用来源或标明不确定的部分
• 关键业务场景，在 Prompt 中提供事实依据，限制模型的"发挥空间"

总结

把这套方法论提炼成一张速查表：

技巧	核心思路	适用场景
清晰分隔	用 ` ````等分隔符标明待处理文本	摘要、翻译、分析
结构化约束	要求 JSON 输出并指定字段	工程接入、数据抽取
分步执行	在 Prompt 中指定步骤 N	复杂推理、条件判断
Few-Shot	附带 1-2 个示例对齐风格	文案生成、格式对齐
多任务链	一个 Prompt 串联多个子任务	减少 API 调用、提升效率

最后用吴恩达课程中的一句话总结：不要把清晰的 Prompt 和简短的 Prompt 混为一谈。很多时候，篇幅更长的 Prompt 能提供更完整的背景和约束，让输出更可靠。 与其在对话中来回纠偏，不如在第一次就把话说清楚。

---

*本文基于吴恩达《ChatGPT Prompt Engineering for Developers》课程笔记与实战代码整理，所有代码均可直接运行呦。