Prompt Engineering 是大模型应用开发中成本最低、收益最高的优化手段。本文系统梳理10个经过验证的核心技巧，让你的模型输出质量提升一个台阶。

一、为什么提示词工程如此重要？同一个任务，不同的 Prompt 写法可能导致模型输出质量相差 3-5 倍。更关键的是：优秀的 Prompt 往往比增加模型参数量更有效，且成本为零。—## 二、10 个核心技巧### 技巧1：角色设定（Role Prompting）给模型设定明确的专家角色，显著提升特定领域的输出质量：❌ 普通版："解释一下 TCP 三次握手"✅ 角色版："你是一位有 15 年经验的网络工程师，正在给一位有编程基础但刚接触网络的初级工程师解释概念。请解释 TCP 三次握手，要求：1. 使用生活化比喻帮助理解2. 说明每一步的必要性3. 指出常见的理解误区"效果：角色约束让模型更专注于特定知识域，减少泛化噪声。—### 技巧2：思维链（Chain-of-Thought）复杂推理任务中，让模型逐步思考再给出最终答案：python# 直接问答（效果差）prompt = "一个仓库有 100 件商品，每天销售 15 件，进货 8 件，5 天后有几件？"# 思维链（效果好）prompt = """一个仓库有 100 件商品，每天销售 15 件，进货 8 件，5 天后有几件？请按以下步骤思考：1. 每天净变化量是多少？2. 5天累计变化量是多少？3. 最终库存是多少？逐步计算，最后给出答案。"""研究结论：思维链在算术、逻辑推理任务中可提升准确率 20-50%。—### 技巧3：少样本示例（Few-Shot Learning）通过提供示例引导模型理解期望的输出格式：pythonprompt = """将以下文本分类为：正面、负面、中性示例：文本：这款产品质量很好，完全超出我的预期。分类：正面文本：收到货了，和描述的一样。分类：中性文本：快递慢不说，包装还破损了，很失望。分类：负面现在分类以下文本：文本：充电器坏了，但客服态度不错，给换了新的。分类："""注意：示例要覆盖边界情况，不要只展示"典型"例子。—### 技巧4：结构化输出控制让模型按指定格式输出，方便程序解析：python# 使用 JSON 模式（OpenAI 支持）response = client.chat.completions.create( model="gpt-4o", messages=[{ "role": "user", "content": """ 分析以下产品评价，提取关键信息： 评价：这款手机拍照效果一流，但续航只有一天，价格有点贵。 请以如下 JSON 格式输出： { "sentiment": "正面/负面/中性/混合", "aspects": [ {"aspect": "方面名称", "sentiment": "正面/负面", "description": "具体评价"} ], "summary": "一句话总结" } """ }], response_format={"type": "json_object"} # 强制 JSON 输出)—### 技巧5：输出格式约束当不能使用 JSON 模式时，通过明确格式描述约束输出：分析用户反馈，按以下格式输出，每个字段单独一行：问题类型: [产品质量/配送问题/客服问题/其他]紧急程度: [高/中/低]建议处理: [具体处理建议，50字以内]---用户反馈: 收到的商品有划痕，已拍照，希望商家尽快处理—### 技巧6：分步骤任务拆解对于复杂任务，将大任务拆解为顺序步骤：python# 代码审查任务拆解audit_prompt = """请对以下 Python 代码进行安全审查，按以下顺序逐步分析：**第一步：识别安全风险**列出所有潜在的安全漏洞（SQL注入、XSS、路径遍历等）**第二步：评估风险等级**对每个风险标注：高危/中危/低危**第三步：提供修复建议**针对每个高危、中危问题，提供具体的修复代码**第四步：总结评估**整体安全评分（1-10分）和主要结论代码：python{code}"""—### 技巧7：负面约束（告诉模型不要做什么）有时候明确告知禁止行为比描述期望行为更有效：你是一个客服助手，负责解答用户的产品问题。禁止事项：- 不要推荐竞争对手的产品- 不要透露公司内部定价策略- 不要对产品做超出官方说明的承诺- 如果不确定，不要猜测，说"我需要为您核实"用户问题：{question}—### 技巧8：增加置信度校验让模型对自己的答案进行自我评估，减少幻觉：回答以下问题，然后对你的答案进行自我评估：问题：{question}请按格式回答：[答案]{你的回答}[置信度]高/中/低[理由]为什么你对这个答案有这样的置信度？有什么不确定的地方？[验证建议]如果用户需要确认这个答案，建议通过什么途径核实？—### 技巧9：上下文注入的顺序技巧Transformer 模型对靠近末尾的信息更"重视"（注意力分布特性）：python# 较差顺序：关键指令在前，内容在后prompt = """请对以下文章进行总结，要求：简洁、专业、不超过200字。{大量文章内容...}"""# 更好顺序：内容在前，关键指令在后（更靠近生成位置）prompt = """{大量文章内容...}请对以上文章进行总结，要求：简洁、专业、不超过200字。"""—### 技巧10：使用 XML/Markdown 标签分隔内容当 Prompt 包含多个部分时，使用明确的分隔标签减少混淆：pythonprompt = """<task>分析以下用户评论的情感倾向，并提取关键诉求。</task><context>这是一家电商平台的商品评论，评论者是已购买的真实用户。</context><comment>{user_comment}</comment><output_format>情感：[正面/负面/中性]关键诉求：[逐条列出]优先级：[商家应优先处理哪些问题]</output_format>"""—## 三、系统级 Prompt 设计原则System Prompt 应包含：1. 角色定义和能力范围2. 输出格式规范3. 禁止行为清单4. 语气和风格要求5. 领域特定知识或规则用户 Prompt 应保持：1. 简洁，聚焦当前任务2. 提供必要上下文3. 明确期望结果—## 四、Prompt 评估与迭代好的 Prompt 不是一次写成的，需要系统化评估：python# 构建评估数据集test_cases = [ {"input": "...", "expected_output_contains": ["关键词1", "关键词2"]}, {"input": "...", "expected_format": "json"}, # ...]# 批量测试results = []for case in test_cases: response = llm.invoke(prompt_template.format(**case)) score = evaluate_response(response, case) results.append(score)# 计算通过率pass_rate = sum(results) / len(results)print(f"Prompt 通过率: {pass_rate:.2%}")—## 五、总结提示词工程的本质是降低模型的"理解歧义"。最有效的10个技巧：1. 角色设定 → 专业度提升2. 思维链 → 推理准确度3. 少样本示例 → 格式一致性4. 结构化输出 → 程序可解析性5. 步骤拆解 → 复杂任务质量6. 负面约束 → 减少不期望行为7. 置信度校验 → 减少幻觉8. 上下文顺序 → 注意力优化9. 标签分隔 → 结构清晰度10. 迭代评估 → 持续优化—标签：提示词工程 | Prompt Engineering | 思维链 | Few-Shot | 大模型应用