AI 编程 - 提示词技巧

1 引言：为什么要学提示词

AI 已成为编程助手（代码生成、重构、自动测试、文档生成、bug 定位等）的核心工具。要把 AI 用好，写清晰、高效的提示词比简单输入问题更重要。

好的提示词能：缩短开发周期、提高代码质量、减少反复试错、稳定输出风格与格式。

2 基础概念与提示词结构

提示词 prompt是你给 AI 的指令。一般包含几个核心要素，缺一不可：

角色/身份（role） ：告诉模型以什么身份回答（例如 你是资深后端工程师），明确专业视角。
任务描述（task） ：精准定义要完成的工作（例如 请实现一个分页查询接口），避免模糊表述。
输入上下文（context）：提供必要的代码片段、接口定义、数据库结构或样例数据，减少模型猜测。
输出约束（format）：规定输出语言、代码风格、函数签名、注释规范及是否需要测试用例。
示例（examples）：少样本（few-shot）示例，给模型示范期望的输出样式与逻辑。
质量控制指令（constraints）：明确性能要求（如时间复杂度）、依赖限制（禁止外部依赖）、输出边界（只给代码块）等。

提示词示例结构（伪模板）

text 复制代码

系统：你是一个经验丰富的 Python 工程师，回答需简洁且只输出代码块。
用户：
任务：根据下面的接口说明实现函数 `get_user_page`。
上下文：数据库表结构、示例输入/输出。
约束：用 SQLAlchemy，实现分页，返回 JSON 可序列化结果，不使用原生 SQL。
示例：输入 → 输出 示例（可选）。

请开始实现，并给出简单的单元测试。

3 通用模板与基础示例

以下是编程场景中高频使用的提示词模板，可直接复制修改复用，搭配示例帮你快速上手。

模板 A --- 生成函数（简单场景）

text 复制代码

系统：你是资深 {语言} 工程师，回答要直接给出可运行的代码和必要注释。
用户：任务：实现一个函数 `FUNC_NAME`，功能：{功能描述}。
上下文：如果需要，附上输入输出示例；依赖库：{依赖列表或无}。
约束：请不要打印额外文本，仅返回代码块。写 1-2 个单元测试。

示例（Python --- 字符串反转）

text 复制代码

系统：你是资深 Python 工程师，回答只包含代码块。
用户：任务：实现 `reverse_words(s: str) -> str`，把一句话中单词顺序翻转，保留单词内部顺序。
约束：写 pytest 单元测试。

期望输出：包含目标函数与 pytest 测试用例的可运行 Python 代码块。

模板 B --- 修复 Bug（定位与修复）

text 复制代码

系统：你是调试专家，回答先指出 bug 的位置与原因，然后给出修复后的完整代码和简短说明。
用户：有以下代码（贴出代码），表现为：{错误现象，例如抛异常、结果不对}，请修复并给出测试用例。
约束：保留原有 API，尽量改动最小。

4 进阶技巧

掌握基础模板后，运用以下进阶技巧，可大幅提升提示词的精准度与输出质量。

4.1 分步式提示（Decompose）

将复杂任务拆解为多个小步骤，要求模型按流程执行并返回每步结果（适合交互式场景），减少一次性输出的错误率。

text 复制代码

1) 首先分析需求并列出实现步骤。
2) 给出伪代码。
3) 翻译为目标语言实现。
4) 给出测试用例并验证逻辑。

核心优势：便于逐步修正偏差，降低模型理解复杂需求的难度。

4.2 Few-shot（少样本示范）

提供 1-3 个高质量示例，示范输入输出逻辑与代码风格。示例需短小精悍，覆盖边界场景，帮助模型快速对齐预期。

4.3 约束输出格式（强制机器可解析）

若需 JSON、YAML、固定函数签名等结构化输出，需明确格式要求并给出 schema。例如：只返回 JSON 格式，键名包括 code、desc、test_case，其中 code 为完整代码块。

4.4 定制"系统提示"与角色

在多轮对话或 API 调用中，将长期约束写入系统提示，固定回答风格。例如：你是遵循 PEP8 规范的 Python 工程师，所有代码必须包含类型注解与函数注释，不输出任何解释性文字。

4.5 温度与随机性控制

需稳定、可复现代码时，设置低温度（0--0.2），减少模型创造性输出。
需灵感、多样化实现方案时，设置高温度（0.7+），鼓励模型探索不同思路。

4.6 工具/函数调用（模型支持时）

将可执行函数签名传给模型，让其返回结构化调用结果，便于后续自动化处理。例如，让模型生成符合特定函数格式的参数，直接对接业务代码。

4.7 提示重写（Prompt Tuning）

对同一任务尝试不同措辞，记录各版本输出效果，通过 A/B 测试筛选最稳健的提示词，形成个人模板库。

5 编程场景下的高质量提示示例

以下为高频编程场景的完整提示词，可直接复制使用，适配 FastAPI、Jest 等主流工具。

示例 1 --- 生成 REST 接口（Python + FastAPI）

text 复制代码

系统：你是资深后端工程师，熟悉 FastAPI、Pydantic 与 SQLAlchemy。回答只返回代码块，代码可直接运行。
用户：
任务：实现一个分页用户列表接口 `GET /users`，支持 `page` 和 `size` 参数，返回 JSON：{total:int, page:int, size:int, items:[{id:int,name:str,email:str}]}
上下文：数据库模型 User(id:int,name:str,email:str)，使用 SQLAlchemy ORM。
约束：避免 N+1 查询，加入简单的输入验证，写一个 pytest 测试覆盖主要逻辑。

示例 2 --- 自动生成单元测试（JavaScript/Node）

text 复制代码

系统：你是资深 JS 测试工程师，熟悉 Jest。回答只返回代码块，包含测试用例与简短设计说明。
用户：这里是一个函数（贴代码），请为其生成 5 个边界覆盖的 Jest 单元测试，并解释每个测试用例的设计目的（一句话/个）。
约束：不要改变被测试函数的签名。

示例 3 --- 重构建议 + 代码输出

text 复制代码

系统：你是资深架构师，写作风格简洁，优先考虑代码可读性、扩展性与可维护性。
用户：请阅读下面代码（贴代码），提出 3 条重构建议并据此输出重构后的代码（只输出修改后的文件内容）。

6 提示词调试与版本管理

好的提示词是迭代出来的，通过科学的调试与版本管理，可持续优化输出质量。

细粒度修改：每次仅调整一个维度（如约束条件、示例数量），便于定位优化点与回滚。
记录与对比：用文档或 Git 保存提示词版本，同步记录对应输出效果（示例输入+模型输出），形成迭代日志。
自动化测试：将模型输出纳入 CI 流程，检查是否符合函数签名、通过静态类型检查与单元测试。
指标化评估：定义量化标准（如编译通过率、测试覆盖率、静态分析分数），客观评价提示词效果。

7 常见问题与解决方法（FAQ）

问：模型输出不稳定、每次结果不一样，怎么办？

答：设置低温度（0--0.2），固定系统提示与角色，增加少样本示例，同时强制输出格式（如固定函数结构），减少随机性。

问：AI 产生错误或不安全的代码，如何规避？

答：切勿直接将生成代码用于生产。需搭配自动化测试、静态检查、安全扫描，关键场景必须人工审核；同时在提示词中明确安全约束（如禁止 SQL 注入、避免硬编码密钥）。

问：模型写错 API 调用或出现拼写错误，如何修正？

答：提供精准的依赖库版本、API 文档片段作为上下文，补充正确的调用示例；用单元测试覆盖接口边界，强制模型对齐正确用法。

问：如何让模型只输出代码而不附加解释？

答：在系统提示中明确指令：只返回代码块，不输出任何解释性文字、注释外的说明，并在用户提示中重复强调，强化约束。

问：上下文窗口不足，无法传入完整代码/文档，怎么办？

答：仅保留最小可用上下文（核心代码片段、关键接口定义），冗余文档通过 RAG（检索增强生成）按需调取；用函数调用将大量上下文结构化，减少无效信息占用窗口。

结束语：学习路线与实践建议

提示词工程没有捷径，核心在于"实战+迭代"，以下建议帮你快速提升：

实战为王：覆盖多场景练习（生成代码、修 Bug、重构、写测试、生成文档），积累不同场景的模板。
构建个人 Prompt 库：将高频任务的优质提示词版本化管理，标注适用场景与优化要点，便于复用。
自动化评价：把模型输出纳入现有测试与 CI 流程，用量化指标替代主观判断，提升提示词稳定性。
持续迭代：对核心业务场景的提示词做 A/B 测试，跟踪输出质量与效率，定期优化模板。

我的博客：https://itart.cn/blogs/2026/note/prompting-techniques.html