本篇目标：这是卷 2（提示工程实战）的第一篇。我们将告别"聊天式提问"，学会像写代码一样写 Prompt，让 AI 的回答从"看运气"变成"稳定交付"。
一、为什么你的 Prompt 总是不稳定？
很多人的提问方式是碎片化的：
- 第一句："帮我写个 Python 脚本。"
- AI 给了个脚本。
- 第二句："不对，要能读取 Excel 的。"
- AI 改了。
- 第三句："要把结果存到数据库。"
- AI 又改了。
- 第四句："能不能加个进度条？"
这种"挤牙膏"式的提问，不仅累，而且容易让 AI 迷失上下文 （记得卷 1 讲的遗忘原理吗？）。
更高效的做法是：一次性把话说完，并且说得有条理。 这就是 结构化 Prompt。
二、结构化 Prompt 的四大支柱（GOCO 模型）
一个完美的 Prompt，应该包含四个核心模块：Goal（目标）、Context（上下文）、Constraints（约束）、Output（输出格式）。
1. Goal（目标）：你要干什么？
用一个动词开头，清晰定义任务。
- 差："看看这个代码。"
- 好 ："重构 这段 Python 代码，使其符合 PEP8 规范，并优化循环性能。"
2. Context（上下文）：背景信息
告诉 AI 它不知道的信息。
- 角色：你是谁？（资深后端工程师）
- 环境：代码运行在哪里？（Ubuntu 22.04, Python 3.10）
- 依赖：已经装了什么库？（Pandas, SQLAlchemy）
- 业务背景：这是给谁用的？（给财务部门用的报表工具）
3. Constraints（约束）：红线与边界
告诉 AI 不能做 什么，或者必须做什么。
- "必须使用
pathlib，禁止使用os.path。" - "代码必须包含类型注解（Type Hints）。"
- "不要解释基础概念，直接给代码。"
4. Output（输出格式）：交付物标准
告诉 AI 你想要什么样子的结果。
- "返回一个 JSON 格式的列表。"
- "只返回修复后的代码块，不要 Markdown 包裹。"
- "先列出修改计划，再给代码。"
三、实战对比：从"路人甲"到"工程师"
任务：写一个 SQL 查询，统计每个用户的订单总额。
❌ 路人甲 Prompt
"写个 SQL 查用户订单总额。"
AI 回复（随机性大） ：
它可能会给你写个 MySQL 的，也可能写个 PostgreSQL 的；可能没考虑订单状态（退款的也算进去了？）；字段名也是瞎编的。
✅ 结构化 Prompt
markdown
# Goal
Write a SQL query to calculate the total order amount for each user.
# Context
- Database: PostgreSQL 15
- Table `users`: `id`, `username`
- Table `orders`: `id`, `user_id`, `amount` (decimal), `status` (string), `created_at` (timestamp)
- Business Logic: Only include orders with status 'completed'.
# Constraints
- Use `LEFT JOIN` to include users with zero orders (show 0 as total).
- Sort by total amount descending.
- Use `COALESCE` to handle NULL values.
# Output Format
- Return only the SQL code block.
- Add comments explaining the logic.AI 回复（精准稳定）：
sql
-- Calculate total order amount for each user, including those with no orders
SELECT
u.id,
u.username,
COALESCE(SUM(o.amount), 0) AS total_amount
FROM
users u
LEFT JOIN
orders o ON u.id = o.user_id AND o.status = 'completed'
GROUP BY
u.id, u.username
ORDER BY
total_amount DESC;结果完全符合预期：用了 Postgres 语法，过滤了状态，处理了 NULL 值，排序正确。
四、Prompt 的"积木化"管理
不要每次都从头写 Prompt。你应该建立自己的"Prompt 积木库"。
1. 角色积木（Role Block）
存一个文件 role_python.md：
markdown
You are a Senior Python Engineer.
- You prefer `pydantic` for data validation.
- You use `pytest` for testing.
- You follow Google Style Guide for docstrings.2. 任务积木（Task Block）
存一个文件 task_refactor.md：
markdown
# Goal
Refactor the provided code for better readability and performance.
# Constraints
- Keep the original logic unchanged.
- Add comments for complex logic.3. 组合使用
当你需要重构 Python 代码时，只需要把这两个积木拼起来，再贴上你的代码即可。
在 Cursor 或 Trae 中，你可以把这些积木存为 .cursorrules 或 Snippets，一键调用。
五、本篇产出：通用 Prompt 模板（可复制）
请把这个模板保存到你的笔记软件里，每次提问前填空。
markdown
# Role (角色)
[你是谁？例如：资深前端开发，精通 React 和 Tailwind CSS]
# Goal (目标)
[你要做什么？例如：实现一个响应式的登录页面组件]
# Context (上下文)
[背景信息？例如：
- 使用 Next.js 14 App Router
- 已安装 lucide-react 图标库
- 需要适配深色模式
]
# Constraints (约束)
[规则是什么？例如：
- 使用 TypeScript
- 必须包含表单验证（Zod）
- 不要使用任何额外的 CSS 文件，全部用 Tailwind 类
]
# Output Format (输出格式)
[长什么样？例如：
- 只提供组件代码文件 (.tsx)
- 不解释基础 import
]
# Input Data (输入数据 - 可选)
[如果有代码要改，贴在这里]练习题：修复这个烂 Prompt
烂 Prompt："帮我把这个 excel 转成 csv。"
请用上面的模板，把它改成一个结构化 Prompt。
（提示：你要考虑 excel 有几个 sheet？csv 存哪里？编码格式是 utf-8 吗？要不要保留表头？）
点击查看参考答案
markdown
# Goal
Write a Python script to convert an Excel file to CSV.
# Context
- Input file: `data.xlsx` (contains multiple sheets)
- Target sheet: "Sheet1" only
# Constraints
- Use `pandas` library.
- Encoding: UTF-8 with BOM (to support Chinese in Excel).
- Separator: Comma (`,`).
- Handle missing values: Fill with empty string.
# Output Format
- Provide the full Python script.下一步 ：掌握了结构化，你的 Prompt 已经及格了。但有时候，仅仅把话说清楚还不够，你得给 AI "打个样"。下一章我们将学习 Few-Shot Prompting（示例驱动）------这是让 AI 瞬间学会你团队代码风格的终极秘籍。