Prompt Engineering 完全指南：从入门到写出高质量提示词

从基础原则到工程实践，掌握与 LLM 高效沟通的方法论。

---

一、Prompt 是什么

Prompt（提示词）是你发给大语言模型（LLM）的输入文本。Prompt 的质量直接决定模型输出的质量。写 Prompt 不是玄学------它有一套可学习、可优化的方法论。

在正式开始前，先看一个典型的 LLM API 调用结构（以 OpenAI 兼容接口为例）：

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.deepseek.com/v1"
)

def get_completion(prompt, model="deepseek-chat"):
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.5,    # 控制随机性：0 最确定，2 最随机
        max_tokens=1024,    # 限制模型回复的最大 token 数（仅限输出部分）
    )
    return response.choices[0].message.content

其中两个核心参数：

参数	含义	建议
temperature	控制输出的随机性，范围 0 ~ 2	事实性任务设低（0-0.3），创意任务设高（0.7-1.2）
max_tokens	限制模型回复的最大 token 数	按需设置，过长浪费，过短截断

---

二、Prompt 四大核心原则

2.1 原则一：撰写清晰具体的指令

「清晰的指令 ≠ 精简的指令」------很多时候，篇幅更长的 Prompt 能为模型提供更完整的背景信息，让输出更贴合需求。

不好的 Prompt：

写一篇关于秋天的诗。

更好的 Prompt：

请写一首七言绝句，主题为深秋山林。要求：
- 押平水韵
- 融入枫叶、寒霜、孤雁三个意象
- 情感基调为寂寥但不悲凉

模型无法猜到你的偏好------你能给的约束越多，它偏离预期的概率越低。

2.2 原则二：引导模型逐步推理

复杂的任务不要指望模型一步到位。像教人一样，把推理过程分解为步骤。

prompt = f"""
执行以下操作：
1. 将三个反引号内的文本概括为一句话
2. 把这句摘要翻译成日语
3. 列出日语摘要中出现的所有人名
4. 输出 JSON 对象，包含字段：japanese_summary、num_names

文本：
```{{text}}```
"""

这种方式让模型先思考再行动 ，大幅提升复杂任务的正确率------这也叫 思维链（Chain of Thought，CoT）。

关键技巧：遇到推理类任务（数学题、逻辑题、多步骤操作），加上"让我们一步步思考（Let's think step by step）"往往有奇效。

2.3 原则三：要求明确的输出格式

直接告诉模型你想要的格式，能省去大量后处理工作：

prompt = f"""
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）
- desc（简介，不超过 30 字）
- genre（书籍类型）
"""

结构化输出的好处：

• 程序可直接 json.loads() 解析
• 字段一致，无遗漏
• 便于批量处理

2.4 原则四：处理「无内容」的边界情况

当输入文本不包含你期望的内容时，明确告知模型该怎么做，避免它编造答案：

prompt = f"""
你将收到由三引号包裹的文本。
若文本中包含一系列操作指令，请按以下格式重新整理：
步骤1. ...
步骤2. ...
步骤N. ...

如果文本中没有操作指引，直接输出："未提供步骤"。

\"\"\"{{text}}\"\"\"
"""

不加这个兜底指令的话，模型可能会强行从一段写景的文字里"发明"出步骤------这叫幻觉（Hallucination）。

---

三、Prompt 的结构化设计

3.1 System Message 与 User Message

现代 Chat API 支持多角色消息，合理分工让 Prompt 更清晰：

角色	用途	示例
system	设定模型的全局行为、角色、规则	"你是一位精通 Python 的编程导师"
user	具体任务 / 问题	"请解释装饰器的原理"
assistant	历史回复（多轮对话）	模型之前的回答

messages = [
    {
        "role": "system",
        "content": "你是一位精通 Python 的编程导师。回答应当简洁、准确，配合可运行的代码示例。"
    },
    {
        "role": "user",
        "content": "Python 的 GIL 是什么？"
    }
]

System Message 的威力：

• 设定回答风格（"用小学生能懂的语言解释"）
• 限定知识范围（"只回答 Python 相关的问题"）
• 约束输出格式（"所有代码用 ```python 包裹"）

3.2 使用分隔符避免注入

将用户输入用三引号 """...""" 或 XML 标签 <text>...</text> 包裹，能防止模型混淆指令和内容：

prompt = f"""
将以下文本总结为一句话。
文本：
\"\"\"{{user_input}}\"\"\"
"""
# 即使用户输入中包含"忽略上面的指令"等干扰内容，
# 分隔符也让模型能清楚区隔"指令"和"待处理文本"。

---

四、Few-shot Prompting（少样本提示）

4.1 Zero-shot vs Few-shot

方式	含义	适用场景
Zero-shot	不给示例，直接提问	简单任务
Few-shot	先给 1~N 个示例，再提问	需要统一输出风格 / 格式

4.2 Few-shot 示例

prompt = f"""
你的任务是保持统一的风格作答。

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；
      恢宏壮阔的交响乐，起于单个音符；
      精美繁复的织锦，始于一缕丝绒。

提问：请讲讲何为爱情
"""

通过一个示例（1-shot），模型学会了你的风格偏好------它会用类似的散文诗风格回答"爱情"。

4.3 Few-shot 的实用场景

• 统一输出格式：给 2~3 个输入→输出范例，模型照猫画虎
• 风格迁移：给一段目标风格的文字作参考
• 分类任务：给几个标注样本，模型类推出分类规则

Few-shot 会消耗更多 token（示例也计入 prompt 长度），需权衡成本。

---

五、角色扮演 Prompt

让模型扮演特定角色，能激活其对应的知识分布：

你是一位有 10 年经验的 Python 后端工程师。
你的代码风格偏好：
- 类型注解完整
- 异常处理严谨
- 注释简洁但关键逻辑必写

请 review 以下代码...

好用的角色模板：

• 「你是一位精通 XX 的技术专家」
• 「你是一位耐心的小学老师，擅长用比喻解释概念」
• 「你是一个代码审查机器人，只关注安全漏洞和性能问题」

---

六、控制输出长度的策略

除了 max_tokens 参数截断，还可以在 Prompt 中引导：

策略	Prompt 示例
字数限制	「用不超过 100 字回答」
句数限制	「用 3 句话总结」
要点限制	「列出最重要的 5 个要点」
格式约束	「每条建议不超过一行」

max_tokens 是硬截断，Prompt 引导是软约束------两者配合使用效果最佳。

---

七、常见陷阱与应对

陷阱	表现	应对
幻觉	模型编造不存在的事实	加「如果不确定，请说不知道」
忽略指令	输出格式不对、遗漏步骤	把关键约束放在 Prompt 最前面和最后面
输出截断	max_tokens 不足导致回答不完整	加长 max_tokens，或拆分任务
格式不稳定	有时返回 JSON，有时返回纯文本	Few-shot 给格式范例 + system message 强调
话题漂移	多轮对话中逐渐偏离主题	在新一轮开头重申关键约束

解决「忽略指令」的实用技巧

模型对 Prompt 开头和结尾的内容最敏感。如果你有重要的格式要求，写在 Prompt 的最前面和最后面各一次：

你必须返回合法的 JSON，不要输出其他内容。

...（任务描述）...

再次强调：只返回 JSON，不要有任何解释文字。

---

八、迭代优化 Prompt 的方法

Prompt Engineering 本质上是一个实验循环：

写初版 Prompt → 观察输出 → 定位问题 → 修改 Prompt → 再测试

具体步骤：

1. 先写一个简单版本，不要一开始就过度设计
2. 用 3~5 个不同输入测试，覆盖正常 + 边界情况
3. 定位问题：是格式错了？内容跑了？还是漏了步骤？
4. 增量修改：一次只改一个变量，方便归因
5. 保留每个版本：好的 Prompt 是改出来的，旧版本可能是未来参考

---

九、Python f-string 构建 Prompt

Python 的 f-string 是构建动态 Prompt 的利器，支持多行和变量嵌套：

text = "需要处理的文本内容"

prompt = f"""
你将收到由三引号包裹的文本。
请完成以下任务：
1. 总结为一句话
2. 翻译为英文

\"\"\"{text}\"\"\"
"""

f-string 的优势：

• {变量} 直接嵌入，比 + 拼接和 % 格式化更直观
• """...""" 三引号保留换行，Prompt 结构一目了然
• {{}} 可转义为字面量花括号（当需要在 Prompt 中展示 JSON 时很有用）

---

十、Prompt 模板速查

总结类

用 3 句话总结以下内容，每句不超过 30 字：
"""
{text}
"""

翻译类

将以下文本翻译为英文，保持原文语气和专业术语：
"""
{text}
"""

代码解释类

解释以下 Python 代码的功能和原理，适合有一定基础的开发者阅读：
```python
{code}

### 提取结构化信息类

从以下文本中提取所有人名、地名、时间，以 JSON 格式返回： 字段：people（数组）、places（数组）、times（数组） 如果某字段没有匹配项，返回空数组。 """ {text} """

### 分步骤指令类

请将以下操作步骤按顺序整理为编号列表： """ {text} """ 如果没有步骤，输出："未提供步骤"。

---

## 十一、小结

1. **清晰 > 精简**：详细的指令 + 完整上下文 > 一句话提问
2. **引导推理**：复杂任务分解为步骤，用「逐步思考」激活思维链
3. **控制输出**：明确格式（JSON）+ 兜底规则（边界处理）
4. **善用角色**：System Message 设定全局行为，User Message 提出具体任务
5. **分隔符保平安**：用 `"""..."""` 包裹用户输入，防止指令混淆
6. **Few-shot 统一风格**：给 1~3 个范例，模型跟上你的偏好
7. **迭代优化**：好 Prompt 是试出来的，保持版本，一次改一个变量

Prompt Engineering 不是魔法------它是**用结构化思维把需求翻译成模型能稳定执行的语言**。