💬 Prompt提示词工程：同样的AI，为什么别人用出10倍效果？

第02期 · Prompt 提示词工程：让 AI 真正为你所用

系列：每日 AI 知识点
期数：第 02 期
主题：Prompt 提示词工程
难度：⭐⭐（入门）
一句话：同样的问题，问法不同，回答质量可以差 10 倍。Prompt 工程就是研究如何用最有效的方式跟 AI 沟通的学问。

一、什么是 Prompt 工程？

Prompt（提示词） ，就是你给 AI 说的话。但 Prompt 工程不只是"说话"，而是有技巧、有结构、有策略地说话。

一个真实的对比实验：

场景：让 AI 帮你分析一段代码的性能问题

markdown 复制代码

❌ 普通问法：
"这段代码有性能问题吗？"

✅ 工程化问法：
"你是一位专注于 Android 性能优化的高级工程师，有 8 年经验。
以下是我们刷掌终端 POS 应用的支付回调处理代码，在高并发场景下
（每秒 50+ 笔交易）出现了明显的 ANR（应用无响应）问题。

请你：
1. 找出可能导致主线程阻塞的代码位置
2. 分析每个问题的严重程度（P0/P1/P2）
3. 给出具体的优化方案，包括代码示例

[代码内容]"

结果差异：第一种问法得到的是泛泛的"可能有循环优化空间"；第二种得到的是精准定位到具体行的分析报告，直接可以指导修复。

这就是 Prompt 工程的价值------不改变 AI 的能力，但大幅提升 AI 为你服务的效果。

二、Prompt 的五要素结构

优秀的 Prompt 通常包含五个核心要素：

要素	作用	示例
角色（Role）	定义 AI 的身份和视角	"你是一位资深 Java 工程师"
任务（Task）	明确要做什么	"帮我 review 以下代码"
背景（Context）	提供必要的上下文	"这是支付系统的核心模块，每天处理百万笔交易"
格式（Format）	指定输出形式	"用 Markdown 表格输出，包含问题描述和修复建议"
约束（Constraint）	限制范围或风格	"不超过 500 字，使用简洁的工程师语言"

💡 重要提示：五要素不必全用，根据任务复杂度灵活组合。简单任务可能只需要"任务"+"背景"两个要素，复杂任务才需要全部五个。

实战示例：生成测试用例

只有"任务"（效果差）：

复制代码

帮我生成测试用例

五要素完整版（效果好）：

arduino 复制代码

角色：你是一位有 5 年 IoT 设备测试经验的高级测试工程师
任务：为刷掌支付功能生成完整的测试用例集
背景：刷掌终端是一款支持掌纹识别支付的 POS 设备，
      部署在超市、便利店等零售场景，每天处理数万笔交易
格式：按照"用例名称/前置条件/操作步骤/预期结果/优先级"的格式输出
约束：重点覆盖异常场景（网络中断、识别失败、超时），每类场景至少 3 个用例

三、从差到好：Prompt 进化三级

Level 1：❌ 差的 Prompt

特征：没有背景、没有要求、没有约束

复制代码

帮我看看这个 bug

问题：AI 不知道是什么代码、什么环境、什么现象、你期望什么样的回答。

Level 2：🔶 普通 Prompt

特征：有了内容，但缺少角色和期望

css 复制代码

这段代码有 bug，帮我找出来：
[代码]

问题：AI 会给出回答，但可能只找到表面问题，无法深入分析。

Level 3：✅ 优秀 Prompt

特征：角色明确、背景完整、要求具体

markdown 复制代码

你是一位有 10 年经验的 Android 工程师，专注于支付系统开发。
以下是我们刷掌终端 POS 应用中的支付回调处理代码，
在某些网络超时场景下会出现订单状态不一致的问题（用户扣款成功但显示失败）。

请你：
1. 找出可能导致状态不一致的代码逻辑（标注具体行号）
2. 解释为什么这个场景下会出现这个问题
3. 给出修复建议，并说明修复后的优势

代码：
[代码内容]

效果：AI 会以资深工程师的视角，深入分析竞态条件、事务一致性等问题，给出生产级别的修复方案。

四、5 大核心 Prompt 技巧

技巧一：角色扮演（Role Prompting）

给 AI 一个明确的"身份"，它会以这个身份的知识体系和思维方式来回答。

为什么有效：LLM 在训练时见过大量不同角色的文本，当你指定角色时，它会激活与该角色相关的知识和表达方式。

bash 复制代码

# 普通问法
"解释一下 TCP 三次握手"

# 角色扮演
"你是一位正在给应届生讲课的网络工程师，
请用生活中的例子解释 TCP 三次握手，
要求让没有网络基础的人也能听懂"

实测效果：角色扮演版本的回答更具体、更有针对性，通常比普通问法的回答质量高出 2-3 倍。

技巧二：少样本提示（Few-shot Prompting）

给几个例子，AI 会模仿你的格式和风格来生成内容。

最适合场景：需要 AI 按照特定格式输出的任务（测试用例、报告、日志分析等）

markdown 复制代码

请按照以下格式生成测试用例：

【示例1】
用例名称：正常刷掌支付
前置条件：设备已激活，用户已注册掌纹，账户余额充足
操作步骤：
  1. 用户将手掌放置在识别区域
  2. 等待识别完成（≤3秒）
  3. 确认支付金额
预期结果：支付成功，设备显示"支付成功"，账户扣款正确
优先级：P0

现在请按照相同格式，生成"网络中断时刷掌支付"的测试用例

技巧三：思维链（Chain of Thought，CoT）

让 AI 把推理过程展示出来，而不是直接跳到结论。

为什么重要：直接问结论，AI 可能会"拍脑袋"给出错误答案；要求展示推理过程，错误往往在中间步骤就能被发现。

bash 复制代码

# 直接问结论（容易出错）
"这个告警是什么原因？"

# 思维链方式
"请一步一步分析这个告警的根因：
第一步：描述告警的现象和关键信息
第二步：列出可能的原因（3-5个）
第三步：根据告警详情逐一排除
第四步：得出最可能的根因
第五步：给出验证方法和解决建议

告警信息：[粘贴告警内容]"

真实案例：某团队使用 CoT 分析告警，根因定位准确率从 45% 提升到 78%。

技巧四：结构化输出

指定 JSON、表格、Markdown 等特定格式，方便后续处理和使用。

javascript 复制代码

请分析以下代码的安全风险，用 JSON 格式输出：
{
  "风险列表": [
    {
      "风险类型": "SQL注入/XSS/越权等",
      "严重程度": "P0/P1/P2/P3",
      "代码位置": "第X行",
      "风险描述": "详细说明",
      "修复建议": "具体修复方法"
    }
  ],
  "整体安全评级": "高危/中危/低危",
  "优先修复项": "最需要立即修复的问题"
}

技巧五：迭代优化

第一次不满意，不要重新开始，而是在原对话基础上追问和修正。

bash 复制代码

# 第一轮：AI 给了一个宽泛的分析
你：[发送分析请求]
AI：[给出分析结果，但比较泛泛]

# 第二轮：追问细化
你："你的分析方向是对的，但第2点太宽泛了。
     请聚焦在'内存泄漏'这个具体原因上，
     并给出如何用 Android Studio 的 Memory Profiler 
     来验证和定位的步骤"

# 第三轮：要求输出示例
你："很好！现在请给出修复后的代码示例，
     重点展示如何正确管理生命周期"

五、Prompt 的 4 大常见误区

误区一：越长越好

很多人认为 Prompt 越详细越好，于是写了几百字的超长 Prompt。

问题：无关的内容会"稀释"关键信息，让 AI 抓不住重点。AI 的注意力是有限的，冗余信息会降低关键指令的权重。

正确做法：精准描述核心需求，删除所有非必要信息。

误区二：一次问完所有问题

arduino 复制代码

❌ "请帮我分析这个 Bug，顺便生成测试用例，
    再写一份测试报告，最后给出优化建议"

问题：复杂的组合任务会让 AI 在各个子任务之间分散注意力，每个部分都做得不够好。

正确做法：分多轮对话，每轮专注一个任务：

第一轮：分析 Bug
第二轮：基于分析结果生成测试用例
第三轮：整理成测试报告

误区三：不给上下文就问具体问题

arduino 复制代码

❌ "这个函数有什么问题？"

AI 完全不知道你在说哪个函数，只能给出泛泛的"可能有"式回答。

正确做法：始终提供足够的上下文------代码、日志、环境信息、问题现象。

误区四：不满意就重新问同样的问题

很多人遇到不满意的回答，会关掉对话重新开始，输入同样的问题。

问题：LLM 有一定的随机性，你可能得到类似的回答；而且浪费了已经建立的上下文。

正确做法：告诉 AI 哪里不满意，让它在原有基础上改进：

arduino 复制代码

"你的回答太简略了，第3点只有一句话，
请详细展开，并给出具体的代码示例"

六、工作场景实战：Prompt 模板库

以下是针对测试工程师日常工作的实用 Prompt 模板：

模板一：测试用例生成

markdown 复制代码

角色：你是一位有 5 年 IoT 设备测试经验的高级测试工程师

任务：为以下功能生成完整的测试用例集

功能描述：[粘贴需求文档或功能说明]

要求：
1. 覆盖正常流程、异常流程、边界条件
2. 特别关注：网络异常、超时、并发、数据一致性场景
3. 格式：用例名称 / 前置条件 / 操作步骤 / 预期结果 / 优先级(P0-P3)
4. 至少生成 15 个用例，其中 P0 用例不少于 5 个

模板二：告警日志分析

markdown 复制代码

角色：你是一位有 8 年经验的 IoT 系统运维工程师，
      熟悉刷掌支付终端的技术架构

任务：分析以下告警日志，找出根因

背景：刷掌终端部署在零售场景，告警发生时间：[时间]，
      影响设备数量：[数量]，用户反馈：[现象描述]

告警日志：
[粘贴日志内容]

请按以下结构输出：
1. 告警现象概述
2. 可能根因（按可能性排序）
3. 推荐的排查步骤
4. 临时解决方案（如有）
5. 根本解决方案

模板三：代码理解

markdown 复制代码

角色：你是一位精通 C++/Kotlin/Python 的高级工程师

任务：帮我理解以下代码的逻辑

重点说明：
1. 这段代码的整体功能是什么
2. 关键函数的作用和参数含义
3. 异常处理逻辑
4. 可能存在的风险点

代码：
[粘贴代码]

模板四：技术方案评审

markdown 复制代码

角色：你是一位资深架构师，专注于 IoT 和支付系统

任务：评审以下技术方案

评审维度：
1. 方案的合理性和可行性
2. 潜在的技术风险
3. 性能和扩展性考虑
4. 安全性风险
5. 与现有系统的兼容性

请给出：
- 整体评价（强烈推荐/推荐/谨慎/不推荐）
- 主要风险点（按严重程度排序）
- 改进建议

方案内容：
[粘贴方案文档]

七、Prompt 工程的进阶方向

掌握了基础五要素和五大技巧后，还可以探索以下进阶方向：

进阶方向	说明	适用场景
系统提示词（System Prompt）	在对话开始前设定全局角色和规则	构建专用 AI 助手
自我一致性（Self-Consistency）	让 AI 多次回答同一问题，取最一致的答案	需要高可靠性的推理
思维树（Tree of Thought）	让 AI 探索多条推理路径	复杂决策问题
ReAct 模式	推理（Reason）+ 行动（Act）交替进行	Agent 任务规划
Prompt 链（Prompt Chaining）	将复杂任务分解为多个 Prompt 依次执行	长流程自动化

八、一句话总结

Prompt 工程 = 用结构化的方式跟 AI 沟通，通过角色、任务、背景、格式、约束五要素组合，配合少样本、思维链、迭代优化等技巧，让 AI 从"随便说说"变成"精准执行"。

💬 Prompt提示词工程：同样的AI，为什么别人用出10倍效果？

第02期 · Prompt 提示词工程：让 AI 真正为你所用

一、什么是 Prompt 工程？

二、Prompt 的五要素结构

实战示例：生成测试用例

三、从差到好：Prompt 进化三级

Level 1：❌ 差的 Prompt

Level 2：🔶 普通 Prompt

Level 3：✅ 优秀 Prompt

四、5 大核心 Prompt 技巧

技巧一：角色扮演（Role Prompting）

技巧二：少样本提示（Few-shot Prompting）

技巧三：思维链（Chain of Thought，CoT）

技巧四：结构化输出

技巧五：迭代优化

五、Prompt 的 4 大常见误区

误区一：越长越好

误区二：一次问完所有问题

误区三：不给上下文就问具体问题

误区四：不满意就重新问同样的问题

六、工作场景实战：Prompt 模板库

模板一：测试用例生成

模板二：告警日志分析

模板三：代码理解

模板四：技术方案评审

七、Prompt 工程的进阶方向

八、一句话总结

延伸阅读