【AI大模型入门（二）】提示词工程进阶

上篇文章：大语言模型 (LLM) 零基础入门：核心原理、训练机制与能力全解

目录

1.为什么提示词如此重要？

[2.黄金法则：CO-STAR 结构化框架](#2.黄金法则：CO-STAR 结构化框架)

3.高阶技巧

3.1Few-Shot（少样本提示）

[3.2 Chain of Thought (CoT，思维链) ------ 思考过程外显化](#3.2 Chain of Thought (CoT，思维链) —— 思考过程外显化)

3.2.1少样本思维链

3.2.2自动推理与零样本链式思考（已成历史，3.3会讲）

[3.3推理模型时代的 Prompt 演变](#3.3推理模型时代的 Prompt 演变)

3.4自我批判与迭代

---

导语： 在 AI 时代，自然语言就是新的编程语言。很多开发者抱怨大模型写出的代码全是 Bug，或者写的文章像"AI味"十足的废话。这其实是因为提示词（Prompt）没写好。本文将为你介绍从基础到高阶的提示词框架，并特别解析在 DeepSeek-R1、OpenAI o1 等"深度推理模型"时代，提示词写法发生了哪些革命性变化。

1.为什么提示词如此重要？

大模型的本质是"概率预测模型"。如果你的输入模糊（例如："帮我写个营销方案"），模型就会在巨大的概率空间里随便找一条最平庸的路径。 提示词的作用，就是为 AI 缩小概率空间，限定边界，明确目标。 想要 AI 回答得专业，核心在于换位思考。

想象 AI 是一个刚入职、智商极高但对你的公司业务一无所知的实习生。你需要清晰、无歧义地交代背景、目标和格式要求。

2.黄金法则：CO-STAR 结构化框架

在复杂任务场景下，推荐使用由新加坡政府技术团队（GovTech）总结的 CO-STAR 框架，它的重点在于确保提供给LLM的提示词是全面且结构良好，从而生成更相关和准确的回答。

CO-STAR可以拆解为六个维度：

模块	说明	示例说明
Context	任务背景与上下文	"你是电商资深客服，需解答用户退换货咨询"
Objective	核心目标	"准确安抚用户情绪，并给出退货步骤"
Steps	执行步骤	"1. 识别问题类型；2. 检索退货政策；3. 按步骤整理回复"
Tone	语气基调	"亲切、共情，带有歉意"
Audience	目标受众	"对网购流程不熟悉的中老年消费者"
Response	输出格式	"1. 安抚话术 \n 2. 退货链接 \n 3. 注意事项"

---

例如，我需要进行健康咨询，希望给出营养建议。那我可以这样构建提示词：

优化前(模糊、低效)：

我该怎么吃才能更健康?

优化后(清晰、有效)：

角色：你是一个基于科学证据的 AI 营养顾问。重要约束:你提供的所有建议都仅为通用信息,不能替代专业医疗诊断。在给出任何具体建议前,必须首先声明此免责条款。

任务：基于以下用户信息,提供一份个性化的每日饮食原则性建议。

用户信息：

• 年龄:30岁
• 性别:男性
• 目标:减脂增肌
• 日常活动水平:办公室久坐,每周进行3次力量训练

回答要求:

1. 首先,输出免责声明:"请注意:以下建议为通用健康信息..."

2. 核心原则应围绕"控制总热量摄入,确保充足蛋白质"。

3. 分别对早餐、午餐、晚餐和训练加餐提出各1条核心建议(例如:早餐应包含优质蛋白和复合碳水)。

4. 推荐2种适合该用户的具体健康零食。

5. 避免推荐任何具体的保健品或药物。

输出格式：

【免责声明】[此处输出声明]

【核心原则】

【分餐建议】

• 早餐:...

• 午餐:...

【健康零食推荐】

---

3.高阶技巧

3.1Few-Shot（少样本提示）

通过给AI提供一两个输入-输出的例子，让它"照葫芦画瓢"。

核心思想：你不是在给它下指令，而是在"教"它，你想要的格式，风格和逻辑。

使用场景：格式固定，风格独特，逻辑复杂的任务，如风格仿写，数据提取，复杂格式生成。

例如进行情感分析：

示例1： 评论："这手机续航太差了！" -> 标签：【电池/负面】

示例2： 评论："客服秒回，非常耐心。" -> 标签：【服务/正面】

任务： 请分析评论："屏幕很清晰，但系统总是卡顿。" -> 标签：

3.2 Chain of Thought (CoT，思维链) ------ 思考过程外显化

提示工程的关键目标是让AI更好地理解复杂语义。这种能力的高低，可以直接通过模型处理复杂逻辑推理题的表现来检验。

在过去几年，让大模型解决复杂逻辑题时，常用的魔法短语是："请一步步进行推理并得出结论（Let's think step by step）"。 通过这句话，强制模型在输出最终答案前，先输出第一步、第二步。这种在上下文中铺垫逻辑过程的做法，极大提高了模型的准确率。

举例（举例论文来自：https://arxiv.org/abs/2205.11916）

翻译一下问题：

杂耍者可以杂耍16个球。其中一半的球是高尔夫球,其中一半的高尔夫球是蓝色的。请问总共有多少个蓝色高尔夫球?

推理结果：

8 个蓝色高尔夫球

可以看到，答案错误。该逻辑题的数学计算过程并不复杂，但却设计了一个语言陷阱，即一半的一半是多少。

为了解决类似的逻辑问题,可以使用思维链提示。思维链提示相较于少样本提示是一种更好的提方法，思维链提示最常用的两种方式：

• Few-shot-CoT：少样本思维链
• Zero-shot-CoT：零样本思维链

3.2.1少样本思维链

相比于少样本提示(Few-shot)，少样本思维链(Few-shot-CoT)的不同之处只是在于需要在提示样本中不仅给出问题的答案、还同时需要给出问题推导的过程(即思维链)，从而让模型学到思维链的推导过程,并将其应用到新的问题中。此技巧主要用于解决复杂推理问题，如数学、逻辑或多步骤规划。

**核心思想：**要求 AI "展示其工作过程",而不是直接给出最终答案。这模仿了人类解决问题时的思考方式。

**适用场景：**数学题、逻辑推理、复杂决策、需要解释过程的任务。

例如，手动写一个思维链作为少样本提示的示例：

Q："罗杰有五个网球,他又买了两盒网球,每盒有3个网球,请问他现在总共有多少个网球？"

A："罗杰起初有五个网球,又买了两盒网球,每盒3个,所以,他总共买了2×3=6个网球,将起始的数量和购买的数量相加,可以得到他现在总共的网球数量:5+6=11,所以罗杰现在总共有11个网球"

在获得了一个思维链示例后,就可以以此作为样本进行Few-shot-CoT来解决第二个推理问题,如下所示：

示例1：

Q："罗杰有五个网球,他又买了两盒网球,每盒有3个网球,请问他现在总共有多少个网球?"

A："罗杰起初有五个网球,又买了两盒网球,每盒3个,所以,他总共买了2×3=6个网球,将起始的数量和购买的数量相加,可以得到他现在总共的网球数量:5+6=11,所以罗杰现在总共有11个网球"

问:"食堂总共有23个苹果,如果他们用掉20个苹果,然后又买了6个苹果,请问现在食堂总共有多少个苹果?"

通过这个例子可以观察到，这就好像是"把答案告诉了AI"。从某种意义上说，是的，你告诉它的是"回答这个问题的正确方式和步骤" ，而不仅仅是最终的答案，AI 会模仿你提供的范本结构和逻辑，来解决新问题。

实际上，Few-shot-CoT 的方式虽然有效，但不一定是稳定且准确的。如果想要得到稳定的正确答案，需要更高阶的提示方法。你给的例子越详细，它模仿得就越像，这更像是一种 "教学" 或 "格式

化" 。当你有一个非常复杂的逻辑流程，或者你希望 AI 严格按照某种格式(比如先分析A，再对比B，最后总结C)来输出时，就可以直接提供一个完美的"思考过程"作为范例。

3.2.2自动推理与零样本链式思考（已成历史，3.3会讲）

零样本思维链(Zero-shot-CoT)是少样本思维链(Few-shot-CoT)的简化版。只需在提示词末尾加上一句魔法短语，即可激发 AI 的推理能力。

核心思想：通过指令 "请一步步进行推理并得出结论" ,强制 AI 在给出答案前先进行内部推理。

适用场景:任何需要一点逻辑思考的问题,即使你不太清楚具体步骤。

例如:

罗杰有五个网球,他又买了两盒网球,每盒有3个网球,请问他现在总共有多少个网球?请一步步进行推理并得出结论。

AI 的输出可能会变成：

罗杰最初有5个网球。

他买了两盒网球,每盒有3个网球,所以买来的网球数量是：2 × 3 = 6个网球。

因此,他现在总共有网球：5 + 6 = 11个。

答案：11个网球。

"一步步进行推理" 这个指令，相当于在引导模型的"注意力机制"。它告诉模型："在生成最终答案之前,请先在你的'脑海'里(即生成的文本序列中)模拟出一个缓慢、有序的推理上下文。"

当模型开始输出"第一步... 第二步... "时,它实际上是在为自己创造一个更丰富、更逻辑化的上下文。它在这个自己创造的优质上下文中进行推理,最终得出的结论自然比在贫瘠的上下文中(只有原始问题)更准确。

根据《Large Language Models are Zero-Shot Reasoners》论文中的结论,从海量数据的测试结果来看,Few-shot-CoT 比 Zero-shot-CoT 准确率更高。

3.3推理模型时代的 Prompt 演变

注意！随着 DeepSeek-R1 、OpenAI o1/o3 等原生支持"思考（Thinking）"机制的推理模型普及，提示词工程发生了巨大变化。

在调用这类推理模型时：

1. 不要再写"请一步步思考"： 这些模型在底层训练时已经学会了内化思维链（你会看到它们输出长长的 <think> ... </think> 过程）。强行指导它们如何思考，反而可能干扰它自身的 RL（强化学习）优化路径。

2. 提供更硬的约束而非过程指导： 以前你可能需要教 AI "先做 A，再做 B，最后总结"。现在，你只需要把约束条件、边界条件、最终验收标准极其清晰地定义出来。模型自己能规划出比你更好的解题步骤。

3. 注重 Context（上下文）的纯净度： 推理模型非常敏感，不要给自相矛盾或无关紧要的背景信息，保持 Prompt 的奥卡姆剃刀原则------"如无必要，勿增实体"。

举个代码审查的例子：

现代提示词： "请审查以下 Python 代码。 约束：

1. 时间复杂度不得高于 O(n log n)。

2. 如果存在内存泄漏风险，必须指出并重构。

3. 只输出重构后的代码，不需要多余的解释。 代码：

把思考留给 DeepSeek-R1 的 <think> 过程，把清晰的规则留在你的 Prompt 里。

3.4自我批判与迭代

要求 AI 在生成答案后,从特定角度对自己的答案进行审查和优化。

**核心思想：**将"生成"和"评审"两个步骤分离,利用 AI 的批判性思维来提升内容质量。

**适用场景：**代码审查、文案优化、论证强化、安全检查。

**案例：**编写一段代码后进行检查

优化前：

写一个Python函数,计算列表中的最大值。

优化后：

请执行以下两个步骤:

步骤一：编写代码

写一个Python函数 find_max ,用于计算一个数字列表中的最大值。

步骤二：自我审查与优化

现在，请从代码健壮性和可读性的角度，审查你上面编写的代码。

请回答：

1. 如果输入是空列表,函数会怎样?如何改进?
2. 变量命名和代码结构是否清晰?能否让它更易于理解?
3. 请根据你的审查,给出一个优化后的最终版本。

在实际应用中,这些技巧常常是组合使用的。例如,我们可以：

1. 使用 CO-STAR 框架设定基本结构和角色。
2. 在框架的"Steps"或"Response"部分,融入思维链指令。
3. 对于格式复杂的输出,在最后附上少样本示例。
4. 最后,要求 AI 进行自我审查。

我们更多使用 LLM 的场景大都是编写代码，如果你们用过 Cursor、Trae这样的 AI IDE。应该不陌生在AI 帮我们编码之前，需要配置相关的"编码规则" -- Rules。它其实就是这些 IDE 输入给 LLM 的提示词，告诉 LLM 编写代码时的注意事项与要求。

Cursor官方提示词：https://cursor.directory/plugins?tag=rules

下一篇预告： 理论掌握后，如何把大模型接入到自己的代码系统里？下一篇我们将手把手教你 API 调用、Ollama 本地化部署实战 ，以及企业级 AI 应用的基石------Embedding 与 RAG 技术。