什么是提示词（Prompt），提示词类型、结构解析

提示词的类型、结构

------从入门到提示工程实践

---

一、什么是提示词（Prompt）

在与大语言模型（LLM, Large Language Model）交互时，我们给模型的文字输入就叫做提示词（Prompt）。

Prompt 不仅仅是"输入一句话"，而是一种引导模型思维的工程技术 。

它的作用是告诉模型：

• 你是谁（角色）

• 你要干什么（任务）

• 你要怎么干（步骤）

• 你要输出成什么样（格式）

---

二、提示词的三层结构

几乎所有现代模型（包括 OpenAI GPT 系列、Anthropic Claude、阿里 Qwen、百度文心等）都遵循三层提示结构：

层级	作用	示例
System Prompt（系统层）	定义模型身份、语气、原则。	"你是一位逻辑严密、语言精准的技术顾问。"
User Prompt（用户层）	用户的任务请求或问题。	"请帮我写一篇介绍Transformer架构的文章。"
Assistant Prompt（助手层）	模型的回答（输出）。	------模型生成------

说明：

• System 决定回答风格

• User 提出任务

• Assistant 输出结果

  三者构成一次完整的对话循环。

在 Python 或 LangChain 等 SDK 中可以这样定义：

messages = [
    {"role": "system", "content": "你是一名专业AI讲师，语言生动且逻辑清晰。"},
    {"role": "user", "content": "请详细解释提示工程（Prompt Engineering）的概念与分类。"}
]
response = client.chat.completions.create(model="gpt-4", messages=messages)

---

三、提示词的七种主要类型

1️⃣ 指令型提示词（Instruction Prompt）

直接命令模型执行具体任务。
关键词：请、生成、编写、解释、总结等。

示例：

"请总结以下文本的主要内容，输出300字以内的中文摘要。"

适用场景：

• 翻译

• 摘要

• 写作

• 改写

设计技巧：

• 明确动作动词（如"生成""分析""比较"）

• 限定字数或格式

• 可指定语气（如"正式""通俗"）

---

2️⃣ 上下文型提示词（Contextual Prompt）

在提示中加入背景知识或环境设定，使模型理解任务语境。

示例：

"你是一个金融分析师。以下是过去三个月的公司业绩，请用专业口吻分析盈利趋势。"

应用场景：

• 商业报告分析

• 法律、医学、教育类任务

• 多轮对话系统

技巧：

• 说明身份（谁在说）

• 说明对象（对谁说）

• 说明目的（为什么说）

---

3️⃣ 少样本提示（Few-shot Prompt）

提供少量示例，引导模型模仿格式或逻辑。

示例：

示例1：
输入：天气晴朗
输出：心情明朗

示例2：
输入：暴雨倾盆
输出：情绪低落

现在输入：微风拂面

适用场景：

• 文本分类

• 格式生成

• 情感映射

• 模仿写作风格

技巧：

• 示例数量建议 2--5 条

• 保持格式一致

• 示例越典型，输出越稳

---

4️⃣ 链式思维提示（Chain-of-Thought, CoT）

让模型展示中间推理步骤，而不是直接给出答案。

示例：

"请一步步思考下面的问题，解释你的推理过程，再给出最终答案。"

适用场景：

• 数学推理

• 逻辑判断

• 编程调试

• 案例分析

技巧：

• 加入引导词："请逐步思考""展示推理过程"

• 可结合"让我们一步步来想"这样的指令

---

5️⃣ 角色扮演提示（Role Prompting）

赋予模型一个身份，让回答更专业、更贴合语境。

示例：

"你是一名资深营养学家，请根据以下激素指标，提出三条调节建议。"

应用场景：

• 教育（教师角色）

• 医学（医生角色）

• 技术咨询（工程师角色）

• 商业策略（顾问角色）

技巧：

• 用"你是..."定义身份

• 可限定语气、态度、知识领域

• 角色可嵌套多个属性（如"冷静且理性的数据科学家"）

---

6️⃣ 格式控制提示（Formatting Prompt）

要求模型以固定格式输出，以便程序读取或展示。

示例：

"请以 JSON 格式输出每个城市的温度和湿度。"

输出样例：

[
  {"city": "北京", "temperature": 20, "humidity": 65},
  {"city": "上海", "temperature": 22, "humidity": 70}
]

应用场景：

• 数据提取

• API 输出

• 自动化工作流

• 信息汇总

技巧：

• 明确要求格式类型（JSON / Markdown / 表格）

• 对嵌套结构可用占位符说明

---

7️⃣ 系统提示词（System Prompt）

模型运行的"性格设定"，在 API、RAG、Agent 中尤为重要。

示例：

"你是一位严谨、专业、不使用表情符号的IT顾问。你的回答应逻辑清晰、避免模糊词汇。"

效果：

• 决定模型语气、词汇风格

• 控制模型输出范围

• 提高多轮对话一致性

---

四、提示工程（Prompt Engineering）高级策略

1️⃣ 思维链（Chain-of-Thought, CoT）

让模型自我解释。

示例：

"请列出解决问题的每个步骤，并分析每步原因。"

好处：

• 提高逻辑任务正确率

• 避免模型跳步回答

---

2️⃣ 自一致性（Self-Consistency）

让模型输出多个推理路径，再选择最合理答案。

"请提供三种不同的解决思路，并说明哪种最合理。"

用于复杂推理、编程调试效果很好。

---

3️⃣ 检索增强提示（RAG Prompt）

结合外部文档内容。

"以下是知识库内容，请基于其中的信息回答问题。"

RAG 本质是Prompt + 检索信息拼接，让模型"先读再答"。

---

4️⃣ 模板化提示（Prompt Template）

对提示进行参数化，以便程序批量调用。

示例：

template = "请总结以下内容的主要观点：{text}"
prompt = template.format(text="输入文本内容")

适用于：

• 自动化批量任务

• AI 助手开发

• LangChain、Flowise、Qwen-Agent 系统

---

5️⃣ 反思提示（Reflexive Prompt）

要求模型自我检查与改进输出。

"请检查你的回答是否完整、准确，并给出改进后的版本。"

这种提示能让输出更加可靠。

---

五、提示词设计的核心原则

原则	说明	示例
明确（Clear）	明确任务目标	"写一篇800字的科技文章"
具体（Specific）	避免模糊词汇	避免"写好一点"，改为"用正式学术语气"
分步（Step-by-step）	拆解复杂任务	"先列提纲，再写正文"
角色化（Role-based）	指定身份	"你是一名AI工程师"
格式化（Structured）	统一输出格式	"请以Markdown列表输出"
可验证（Checkable）	便于评估或解析	"输出三条改进建议，每条不超过50字"

---

六、实际应用案例

📘 案例1：写作任务

"你是一名科技编辑，请撰写一篇800字的AI提示工程入门文章，语言简洁、生动，结构包括'定义--分类--技巧--总结'四部分。"

👉 输出结构清晰，风格统一。

---

💻 案例2：编程任务

"请用Python编写一个程序，读取CSV文件中的'日期'与'销售额'，并绘制折线图。输出Markdown代码块。"

👉 结合"格式控制提示"，适合直接在Notebook执行。

---

🩺 案例3：健康顾问

"你是一名内分泌科医生。根据以下激素指标，分析可能的生理状态，并提出三条饮食建议。输出表格格式。"

👉 融合"角色 + 格式 + 指令"三类提示。

---

七、提示词的演进与未来趋势

阶段	代表技术	特点
早期（2020--2022）	指令提示	靠人工设计文字指令
中期（2023--2024）	Few-shot、CoT、RAG	结构化提示 + 外部知识增强
未来（2025+）	Prompt Graph / Auto Prompt	模型自动生成、组合提示，实现智能自优化

未来的提示词将更像一种"语言"，

结合上下文、检索、函数调用、Agent记忆，实现智能自动化。

---

八、结语

提示词不是简单的输入，而是一种思维设计 。

优秀的提示词能让同一个模型表现出完全不同的能力。

当我们理解提示的层级、类型与策略，就能让AI真正成为高效的"思维伙伴"。

一句话总结：

掌握提示工程，就是掌握与AI思考的方式。