从零开始掌握Prompt工程：大模型调教指南

清晰指令 + 逐步推理 = 让AI真正理解你的意图

写在前面

最近在深入学习和使用大语言模型的过程中，发现一个很有意思的现象：同样的模型，不同人用起来效果天差地别。有时候不是模型不够强，而是我们的"沟通方式"出了问题。

今天就来聊聊如何写好Prompt，以及如何用Python优雅地封装LLM调用。这篇文章会带你从基础到进阶，掌握让AI乖乖听话的核心技巧。

一、Prompt核心九法

原则	核心要义
一	清晰具体 ≠ 精简，长 prompt 往往效果更好
二	引导逐步推理 (Chain-of-Thought)，别让模型一步到位
三	给模型"退路" ------允许它说"不知道"，防止幻觉
四	正向指令 > 负向指令
五	角色设定让回答聚焦
六	Few-shot：示例比描述更有效
七	结构化输出，方便程序解析
八	迭代优化------把 prompt 当代码来 Debug
九	temperature、max_tokens 参数控制

下面我们就结合这九大原则，从实战角度逐一攻破。

二、LLM API调用封装实战

2.1 基础配置

首先，我们需要初始化OpenAI风格的客户端（以DeepSeek为例）：

python

ini 复制代码

from openai import OpenAI

# 实例化客户端
client = OpenAI(
    api_key="your-api-key-here",
    base_url="https://api.deepseek.com/v1"
)

2.2 函数封装技巧

python

ini 复制代码

def get_completion(prompt, model='deepseek-chat'):
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.5,      # 原则九：随机性控制，0严谨，2随意
        max_tokens=1024       # 原则九：输出长度限制
    )
    return response.choices[0].message.content

# 测试一下
print(get_completion("写一首夏天游玩的七言诗"))

参数说明：

temperature：0-2之间。0表示确定性输出，2表示高随机性
max_tokens：控制输入+输出的总token数

三、九大原则实战演练

原则一：清晰具体 ≠ 精简

❌ 不好的提问：

text

复制代码

写首诗

✅ 好的提问：

text

复制代码

写一首关于夏天游湖的七言诗，要求意境优美，包含荷花、清风等元素

关键点：不要把"清晰"等同于"精简" 。很多时候，更长的Prompt反而能提供更完整的背景信息，让输出更贴合需求。

python

ini 复制代码

text = """
你应当通过尽可能清晰、具体的指令，来明确你希望模型完成的任务。
这能引导模型产出符合预期的结果，同时降低回复内容偏离主题的概率。
不要把编写清晰的提示词和精简提示词混为一谈。
"""

prompt = f"""
将三个反引号之间的文本总结为一句话
'''{text}'''
"""

原则二：引导逐步推理

复杂任务拆解成多步，让模型按步骤思考（Chain-of-Thought）：

python

ini 复制代码

text = """
在一座风光宜人的小村庄里，姐弟俩杰克和吉尔动身前往山顶的水井取水。
两人一路欢歌向上攀登，不料意外发生
------杰克被石头绊倒，滚下山坡，吉尔也跟着摔了下去。
二人虽受了些轻伤，还是回到了家中，得到家人温柔的安抚。
"""

prompt = f"""
执行以下操作：
1. 将文本概括为一句话
2. 把这句话翻译成法语
3. 列出法语摘要中出现的所有人名
4. 输出JSON对象，包含字段：french_summary、num_names

文本：'''{text}'''
"""

原则三：给模型"退路"------防止幻觉

当模型遇到不熟悉的内容，可能会"一本正经地胡说八道"：

python

ini 复制代码

# ❌ 不加限制时，模型可能编造信息
prompt = "介绍一下博依品牌的喜多多饮料"

# ✅ 正确的做法：让模型明确表示"不知道"
prompt = """
如果你不确定答案，请直接说"未找到相关信息"，不要编造。

介绍一下博依品牌的喜多多饮料
"""

原则四：正向指令 > 负向指令

❌ 负向指令（模型容易困惑）：

text

复制代码

不要写太长的诗，不要用生僻字，不要写悲伤的内容

✅ 正向指令（清晰明确）：

text

复制代码

写一首短诗，使用常见汉字，表达欢乐的情感

原则五：角色设定让回答聚焦

python

ini 复制代码

prompt = """
你是一位资深的茶叶品鉴师，拥有20年从业经验。

请介绍如何泡好一杯龙井茶。
"""

角色设定能让模型从特定视角回答问题，输出更专业、更聚焦。

原则六：Few-shot学习（示例比描述更有效）

给模型提供示例，让它学习你的"风格"：

python

ini 复制代码

prompt = """
你的任务是保持统一的行文风格作答

提问：请讲讲何为耐心
回答：能凿出幽深峡谷的江河，源自涓涓细流；
      恢弘壮阔的交响乐，起于单个音符；
      精美繁复的织锦，始于一缕丝线。

请问：请讲讲何为韧性
"""

print(get_completion(prompt))

输出：

能承受千钧之重的古藤，生于石缝间的幼苗；

历经烈火淬炼的利剑，成于反复锻打的铁坯；

穿越千年风沙的胡杨，长于寸草不生的荒漠。

原则七：结构化输出

让模型按指定格式返回，方便程序解析：

python

ini 复制代码

prompt = """
请列出四大名著，并标注对应的作者与书籍类型。
使用JSON格式呈现，需包含以下字段：
- book_id(书籍编号)
- title(书名) 
- author(作者)
- genre(书籍类型)

【注意】必须输出合法的JSON格式
"""

response = get_completion(prompt)
print(response)

输出示例：

json

json 复制代码

{
    "book_id": 1,
    "title": "红楼梦",
    "author": "曹雪芹",
    "desc": "以贾、史、王、薛四大家族的兴衰为背景...",
    "genre": "古典小说（世情小说）"
}

原则八：迭代优化------把prompt当代码来Debug

python

ini 复制代码

# 版本1：太模糊
prompt_v1 = "分析这段文本"

# 版本2：添加具体任务
prompt_v2 = "分析这段文本的情感倾向"

# 版本3：明确输出格式
prompt_v3 = """
分析以下文本的情感倾向，输出JSON格式：
{"sentiment": "positive/negative/neutral", "confidence": 0.0-1.0}

文本：{text}
"""

# 像调试代码一样，持续优化你的prompt

原则九：temperature与max_tokens参数控制

场景	推荐Temperature	原因
代码生成、数学题	0.1-0.3	需要精确性
创意写作、诗歌	0.7-1.0	需要多样性
头脑风暴	1.0-1.5	需要发散思维
事实问答	0.0-0.2	需要确定性

四、综合实战：步骤化处理

当输入包含操作指令时，可以让模型重新整理格式：

python

ini 复制代码

text = """
泡一杯茶其实很简单！首先把水烧开。烧水的同时，拿出茶杯，放入茶包。
水烧开后，将热水冲入杯中浸泡茶包。静置片刻让茶香析出。
几分钟后，根据个人口味，还可以加入糖或牛奶。
"""

prompt = f"""
【原则二：引导逐步推理】
你将收到三个引号之间的文本，若文本中包含一系列操作指令
请按照下述格式重新整理这些指令：
步骤一...
步骤二...
步骤n...

【原则三：给模型退路】
如果没有操作指引，输出：**没有提供步骤**

【原则四：正向指令】
请使用简洁、积极的语言描述每个步骤

'''{text}'''
"""

print(get_completion(prompt))

输出：

text

复制代码

步骤一：把水烧开。
步骤二：烧水的同时，拿出茶杯，放入茶包。
步骤三：水烧开后，将热水冲入杯中浸泡茶包。
步骤四：静置片刻让茶香析出。
步骤五：根据个人口味，加入糖或牛奶。

五、避坑指南速查表

常见错误	正确做法
指令过于模糊	提供具体约束和示例
要求一步完成复杂任务	拆解成多步，引导推理
模型编造信息	明确允许说"不知道"
用"不要做X"	改成"请做Y"
没有角色设定	添加角色让回答更专业
只描述不示范	用Few-shot给示例
输出格式随意	要求结构化输出
Prompt写一次就放弃	持续迭代优化
忽略temperature参数	根据场景调整

总结

写好Prompt的九字真言：

清、步、退、正、角、例、构、迭、参

翻译一下：

清晰具体 ≠ 精简
引导逐步推步
给模型退路
正向指令
角色设角
Few-shot示例
结构化构
迭代优化（迭）
调参（temperature + max_tokens）

记住：你不是在使用AI，而是在和AI协作。沟通越清晰，协作越高效。