提示词工程最佳实践

概述

提示词工程（Prompt Engineering）是通过设计和优化输入提示词，引导大语言模型（LLM）生成高质量、符合预期的输出的技术。良好的提示词设计是 AI 应用成功的关键。

提示词基本结构

标准格式

markdown复制
1# 角色设定
2你是[专业角色]，具备[相关经验/能力]。
3
4# 任务描述
5请完成以下任务：[具体任务]
6
7# 输入数据
8[需要处理的内容]
9
10# 约束条件
11- 条件1
12- 条件2
13- ...
14
15# 输出格式
16请以[格式]输出，包含以下要素：
171. 要素A
182. 要素B
193. ...

示例：产品文案生成

markdown复制
1## 角色
2你是一位资深的电商文案策划专家，拥有10年文案撰写经验，擅长挖掘产品卖点并转化为吸引人的文案。
3
4## 任务
5为以下产品撰写一则朋友圈推广文案。
6
7## 产品信息
8- 产品名称：智能颈椎按摩仪
9- 核心功能：热敷+脉冲按摩+APP控制
10- 目标人群：25-40岁办公室白领
11- 价格区间：299-399元
12- 卖点：15分钟快速缓解疲劳、静音设计、便携可折叠
13
14## 要求
151. 开头要有吸引力，3秒内抓住注意力
162. 突出解决的具体痛点
173. 加入社会认同元素（如销量、好评）
184. 结尾有明确的行动号召
195. 字数控制在150字以内
206. 语气亲切自然，避免过度营销感
21
22## 输出格式
23直接输出文案内容，不需要额外解释。

核心技巧

1. 角色设定（Role Prompting）

通过设定专业角色，激活模型的领域知识：

markdown复制
1❌ 一般："写一篇关于糖尿病的文章"
2
3✅ 优化："你是一位内分泌科主任医师，拥有20年临床经验。请用通俗语言向糖尿病患者解释血糖控制的重要性，包括：
41. 血糖失控的危害
52. 日常监测要点
63. 饮食控制原则
7要求：专业准确但易懂，语气亲切关怀。"

2. 思维链（Chain-of-Thought）

引导模型展示推理过程，提升复杂任务准确率：

markdown复制
1请解答以下数学问题，并展示详细的推理步骤：
2
3问题：一个水箱有2个进水管和1个排水管。A管单独注满需要6小时，B管单独注满需要4小时，排水管单独排空需要8小时。如果三管同时打开，需要多久注满水箱？
4
5思考过程：
61. 首先，我需要计算每个管子的工作效率...
72. 然后，计算三管同时工作时的净效率...
83. 最后，根据净效率计算注满时间...
9
10请按以上思路详细解答。

3. 少样本学习（Few-Shot Learning）

通过示例教模型理解任务模式：

json复制
1将以下用户评论转换为结构化数据。
2
3示例1：
4输入："这款耳机音质很好，但是佩戴不舒服，戴久了耳朵疼。价格299有点贵。"
5输出：
6{
7  "sentiment": "mixed",
8  "pros": ["音质好"],
9  "cons": ["佩戴不舒适", "价格高"],
10  "price_mentioned": 299,
11  "purchase_intent": "neutral"
12}
13
14示例2：
15输入："太棒了！物流超快，昨天买今天到。手机拍照效果惊艳，完全超出预期！"
16输出：
17{
18  "sentiment": "positive",
19  "pros": ["物流快", "拍照效果好"],
20  "cons": [],
21  "price_mentioned": null,
22  "purchase_intent": "high"
23}
24
25现在请处理：
26输入："用了三天就坏了，客服态度还差，退款流程繁琐。再也不买了。"
27输出：

4. 输出格式控制

使用结构化格式规范输出：

json复制
1# JSON 格式
2请以JSON格式返回，包含以下字段：
3{
4  "title": "文章标题（字符串）",
5  "summary": "摘要（50字以内）",
6  "keywords": ["关键词数组"],
7  "content": "正文内容（Markdown格式）",
8  "confidence": 置信度（0-1浮点数）
9}
10
11# Markdown 表格
12请以表格形式对比以下方案：
13| 方案 | 优点 | 缺点 | 适用场景 | 成本 |
14|------|------|------|----------|------|
15| ... | ... | ... | ... | ... |
16
17# 代码格式
18请提供Python代码实现，要求：
191. 包含类型注解
202. 添加docstring
213. 包含3个unittest测试用例

高级技巧

1. 自我一致性（Self-Consistency）

对同一问题多次采样，选择最一致的答案：

python复制
1from collections import Counter
2
3def self_consistency_prompt(question, n_samples=5):
4    answers = []
5    for _ in range(n_samples):
6        response = llm.generate(
7            f"{question}\n请一步步思考并给出答案。",
8            temperature=0.7
9        )
10        answers.append(extract_answer(response))
11    
12    # 投票选择最常见的答案
13    return Counter(answers).most_common(1)[0][0]

2. 递归提示（Recursive Prompting）

将复杂任务分解为子任务：

markdown复制
1# 主任务：撰写技术文档
2步骤1：请先列出本文档应该包含的章节大纲
3步骤2：针对每个章节，简要说明应该覆盖的核心内容
4步骤3：基于以上大纲，撰写第一章的详细内容
5步骤4：检查第一章内容，确保包含所有要点
6步骤5：继续撰写下一章...
7
8当前执行：步骤1

3. 对抗性提示（Adversarial Prompting）

让模型自我检查和改进：

markdown复制
1请完成以下翻译任务：
2
3原文：The quick brown fox jumps over the lazy dog.
4
5步骤1：直接翻译
6步骤2：检查翻译的准确性、流畅度
7步骤3：识别可能的问题
8步骤4：基于检查改进翻译
9步骤5：输出最终版本
10
11请按以上步骤执行。

4. 多模态提示

结合文本和图像的提示：

markdown复制
1分析以下UI设计图，并给出改进建议：
2
3[图片]
4
5请从以下维度分析：
61. 视觉层次：信息层级是否清晰？
72. 色彩运用：配色是否协调？是否符合品牌调性？
83. 布局合理性：元素间距、对齐方式
94. 可用性：交互元素是否易于识别和操作？
105. 改进建议：给出3-5条具体优化建议
11
12输出格式：
13## 整体评价
14[总体评价]
15
16## 详细分析
17### 1. 视觉层次
18[分析内容]
19
20### 2. 色彩运用
21[分析内容]
22...
23
24## 改进建议
251. [建议1]
262. [建议2]
27...

场景化模板

场景1：代码生成

markdown复制
1你是一位{语言}开发专家。请编写代码实现以下功能：
2
3功能描述：
4{功能详细描述}
5
6要求：
7- 遵循{代码规范}
8- 包含完整的错误处理
9- 添加详细的注释
10- 时间复杂度控制在{要求}
11- 提供3个测试用例
12
13输入示例：
14{示例输入}
15
16预期输出：
17{示例输出}
18
19请只返回代码，不要包含解释。

场景2：数据分析报告

markdown复制
1你是一位数据分析师。请基于以下数据生成分析报告。
2
3数据：
4{数据内容}
5
6分析维度：
71. 趋势分析：关键指标的变化趋势
82. 异常检测：指出异常数据点及可能原因
93. 相关性分析：各指标间的关联关系
104. 业务洞察：3-5条可落地的业务建议
11
12输出要求：
13- 使用专业但易懂的语言
14- 关键数据需要标注
15- 适当使用图表描述（以Markdown表格呈现）
16- 报告控制在1000字以内

场景3：客户服务回复

markdown复制
1你是一位客服专员，负责处理客户咨询。请根据以下信息回复客户。
2
3客户信息：
4- 姓名：{客户名}
5- 会员等级：{等级}
6- 历史订单：{订单数}笔
7
8客户问题：
9{问题内容}
10
11相关知识：
12{知识库内容}
13
14回复要求：
151. 称呼客户姓名
162. 先表达理解和共情
173. 清晰解答问题
184. 如涉及问题，提供解决方案
195. 结尾询问是否还有其他需要帮助
206. 整体语气：{语气要求}
21
22回复字数：150-200字

调试与优化

1. A/B 测试框架

python复制
1def test_prompt_variants(task, variants, eval_criteria):
2    results = []
3    for name, prompt in variants.items():
4        output = llm.generate(prompt.format(task=task))
5        score = eval_criteria(output)
6        results.append({
7            "variant": name,
8            "output": output,
9            "score": score
10        })
11    return sorted(results, key=lambda x: x["score"], reverse=True)
12
13# 使用示例
14variants = {
15    "v1": "翻译以下内容为中文：{task}",
16    "v2": "你是专业翻译，请将以下内容翻译成地道的中文：{task}",
17    "v3": "请将以下英文翻译成中文，要求：\n1. 准确传达原意\n2. 符合中文表达习惯\n3. 保持专业术语一致\n\n内容：{task}"
18}
19
20def eval_translation(output):
21    # 使用BLEU score或其他指标评估
22    pass
23
24best = test_prompt_variants("Hello world", variants, eval_translation)

2. 提示词版本管理

yaml复制
1# prompts.yaml
2version: "1.2.0"
3prompts:
4  customer_service:
5    name: "客户服务回复"
6    template: |
7      你是一位{role}...
8    parameters:
9      role:
10        type: string
11        default: "资深客服专员"
12    examples:
13      - input: "我想退货"
14        expected_output: "..."
15    metrics:
16      - response_time
17      - satisfaction_score

3. 常见错误与解决

工具推荐

提示词开发工具

• LangSmith: OpenAI 出品的提示词调试平台
• PromptLayer: 提示词版本管理与性能追踪
• Weight & Biases: 机器学习实验追踪，支持提示词优化
• Pezzo: 开源提示词管理和优化平台

提示词库

• Prompt Engineering Guide: https://www.promptingguide.ai/
• Awesome ChatGPT Prompts: GitHub 上的提示词合集
• FlowGPT: 社区驱动的提示词分享平台

安全与伦理

1. 提示注入防护

python复制
1def sanitize_input(user_input):
2    # 移除潜在的注入指令
3    dangerous_patterns = [
4        r"ignore previous instructions",
5        r"disregard (the|your) (prompt|instructions)",
6        r"system prompt",
7        r"you are now",
8    ]
9    
10    for pattern in dangerous_patterns:
11        if re.search(pattern, user_input, re.IGNORECASE):
12            raise ValueError("Potential prompt injection detected")
13    
14    return user_input

2. 输出过滤

python复制
1from transformers import pipeline
2
3# 内容安全检查
4safety_checker = pipeline("text-classification", model="distilbert-base-unsafe")
5
6def check_safety(text):
7    result = safety_checker(text)[0]
8    if result["label"] == "UNSAFE" and result["score"] > 0.8:
9        return False, "Content flagged as potentially unsafe"
10    return True, text

总结

提示词工程是一门结合语言学、心理学和工程学的艺术。核心原则：

1. 清晰明确: 避免模糊表述，使用具体指令
2. 结构完整: 包含角色、任务、约束、格式等要素
3. 迭代优化: 基于反馈持续改进
4. 安全可控: 防范提示注入，确保输出合规

掌握这些技巧，可以显著提升 AI 应用的效果和用户体验。

如需专业支持，请联系我们：

• 邮箱：c@m9ai.work
• 官网：https://m9ai.work