纲要

• 提示词工程的定义与核心价值
  • 从专用模型到通用模型的“适配层”
  • 四大核心作用：上下文提供、任务定义、输出格式指定、行为指导
• 提示词的底层工作模式
  • 任务框架设定
  • 知识激活
  • 角色扮演
  • 示例提供
  • 任务分解
  • 约束与指导
• 高质量提示词的五大撰写原则
  • 明确且具体
  • 指定输出格式与结构
  • 设定角色与背景
  • 分步拆解复杂任务
  • 提供示例与约束
• 常见思维流模式及其适用场景
  • IO（直接输入输出）
  • 思维链（CoT）
  • 自洽性思维链（CoT-SC）
  • 思维树（ToT）
  • 四种模式的演进关系图
• 代码实战：通过 API 调用演示零样本、少样本与思维链
  • 使用 Python + OpenAI 兼容接口
  • 对比 zero-shot、few-shot 与 CoT 的效果
  • 完整可运行脚本
• 总结

提示词工程：AI 对话的“魔法咒语”

在通用大模型范式诞生之前，AI 应用面临的最大痛点之一是泛化能力不足。一个中餐菜谱机器人换到西餐场景就需要重新训练，成本高昂。以 GPT 为代表的通用大语言模型通过引入 提示词 机制解决了这一问题：同一个基础模型，只需切换提示词，就能完成翻译、写作、分类、推理等截然不同的任务。

提示词（Prompt）本质上是一个适配层，它像插槽一样连接底模和具体任务，避免了为每个任务单独训练模型的繁重工作。具体来说，提示词完成了四件事：

• 上下文提供：让模型清楚“在什么场景下说话”。
• 任务定义：明确要执行的指令，如翻译、总结、生成代码。
• 格式指定：约束输出结构，例如要求返回 JSON、Markdown 表格。
• 行为指导：通过措辞和结构引导模型采取特定的推理或表达方式。

提示词的六种底层工作模式

提示词工程之所以能激发大模型的特定能力，依赖于以下六种模式的组合运用：

• 任务框架设定：在提示词中勾勒任务的全貌，为模型建立清晰的工作边界。
• 知识激活：通过精心设计的关键词，唤醒模型在预训练中习得的特定领域知识。例如，提及“唐诗”会让模型激活有关唐诗的权重。
• 角色扮演：让模型扮演专家、助手、教师等角色，从而以特定视角回答问题。
• 示例提供：在提示词中给出少量范例（few-shot），帮助模型理解任务的具体要求和输出格式。
• 任务分解：将复杂问题拆成多个步骤，引导模型逐步完成，显著提升推理质量。
• 约束与指导：设定规则和限制，防止模型输出偏离预期，尤其在开源模型上尤为关键。

高质量提示词的五大撰写原则

要让提示词发挥最大效用，需要遵循以下五条工程化原则：

这五条原则不仅适用于日常使用大模型，也是后续开发 AI Agent 时设计系统提示词的基本功。

常见思维流模式：从 IO 到思维树

提示词工程的另一个重要维度是思维流模式——即如何引导模型的推理路径。目前主流的四种模式复杂度递增：

• IO（输入-输出）：最基础，直接给出答案，适用于简单对话或事实查询。
• CoT（Chain-of-Thought，思维链）：要求模型展示中间推理步骤，极大提升数学、逻辑等复杂任务的准确性，并增强可解释性。
• CoT-SC（Self-Consistency，自洽性思维链）：生成多条不同的推理路径，通过多数投票选出最一致的答案，进一步提高可靠性。
• ToT（Tree-of-Thoughts，思维树）：将思维过程组织为树状结构，每个节点可产生多个分支，模型探索不同路径并回溯，最终选定最优路线，适合策略规划类难题。

选型建议：

• 简单问答 → IO
• 需要推理和解释 → CoT
• 对准确率要求极高（如考试、数据分析） → CoT-SC
• 复杂决策、方案设计 → ToT

代码实战：用 Python 对比零样本、少样本与思维链

下面提供一个完整可运行的 Python 脚本，通过调用大模型 API，演示三种提示词策略的效果差异。脚本使用 OpenAI 兼容接口（可替换为智谱、DeepSeek 等），安装依赖 pip install openai 后即可运行。

import openai

# ================= 配置区 =================
# 以 DeepSeek 为例，可替换为你的 API 提供商
API_KEY = "your-api-key-here"       # 替换为真实 API Key
BASE_URL = "https://api.deepseek.com"
MODEL = "deepseek-chat"
# ==========================================

client = openai.OpenAI(api_key=API_KEY, base_url=BASE_URL)

def ask(prompt: str, temperature: float = 0.1) -> str:
    """通用请求函数"""
    resp = client.chat.completions.create(
        model=MODEL,
        messages=[{"role": "user", "content": prompt}],
        temperature=temperature,
        max_tokens=500
    )
    return resp.choices[0].message.content

# 相同的问题，三种不同的提示词策略
question = "小明有5个苹果，吃掉2个，又买了3个，现在有几个苹果？"

# 策略1：零样本 IO（直接提问）
prompt_zero = f"回答问题：{question}"
answer_zero = ask(prompt_zero)

# 策略2：少样本（few-shot），给出一个类似示例
prompt_few = f"""示例：
问：小红有10块钱，花了4块，又捡到2块，现在有多少钱？
答：10 - 4 + 2 = 8，所以是8元。

现在请回答问题：{question}"""
answer_few = ask(prompt_few)

# 策略3：思维链 CoT，要求逐步推理
prompt_cot = f"""请一步一步思考，展示完整推理过程，最后给出答案。
问题：{question}
推理步骤："""
answer_cot = ask(prompt_cot)

# 输出对比
print("===== 零样本 (Zero-shot) =====")
print(answer_zero)
print("\n===== 少样本 (Few-shot) =====")
print(answer_few)
print("\n===== 思维链 (CoT) =====")
print(answer_cot)

将你的 API Key 填入后运行，你会直观看到：

• 零样本 可能直接给出正确答案，但缺乏解释。
• 少样本 模型会模仿示例的格式，输出更结构化。
• 思维链 则会完整展示推理步骤，答案更可信。

对于 Agent 开发，合理组合角色设定、示例和思维链模式，能让你的智能体输出既稳定又富有逻辑。这也是提示词工程在构建可靠 AI 应用中的核心价值。

总结

提示词工程是 AI Agent 开发者必备的软技能。它既像科学一样有章可循（任务分解、格式约束），又像艺术一样依赖经验和直觉（措辞的微妙变化可能产生截然不同的结果）。掌握 IO、CoT、CoT-SC 和 ToT 等思维流模式，并遵循明确、具体、分步、示例等撰写原则，你将能够稳定地激发出大模型的强大潜力，为后续构建复杂智能体打下坚实基础。