Prompt Engineering 提示词工程完整详解

一、定义

Prompt Engineering（提示词工程） 专门研究如何设计、优化输入给大模型（LLM）的文本指令（Prompt），让模型稳定输出符合预期、高质量、低成本结果的一套方法论。简单说：教 AI 听懂你的要求，控制它的输出。

二、核心作用

不用微调模型，仅靠文字指令就能大幅提升回答质量；
约束输出格式（列表、JSON、代码、表格），方便程序解析；
减少幻觉、减少多余废话、降低 Token 消耗；
适配 Agent、工具调用、长文档问答等复杂业务。

三、主流基础提示词技巧

1. 清晰角色设定（System Prompt）

开头给 AI 固定身份、立场、能力边界，稳定行为。示例：

plaintext

复制代码

你是专业后端工程师，只输出可运行Python代码，不加多余解释。

2. 明确约束规则

限定长度、风格、视角、禁止行为：

控制字数：只用 5 句话回答
风格：学术严谨 / 口语通俗 / 诗歌
禁止：不编造不存在数据、不省略关键步骤

3. Few-Shot 少样本提示

给 1~3 个标准答案示例，AI 会模仿格式与逻辑输出。模板结构：

plaintext

复制代码

需求：列出3个显卡，逗号分隔
示例1：H100, A100, RTX4090
需求：列出3种内存
输出：

4. Zero-Shot 零样本

不给例子，仅靠清晰指令直接生成，适合简单任务。

5. Chain-of-Thought（CoT 思维链）

要求 AI 分步思考，复杂推理、数学、逻辑题准确率暴涨。关键词：Let's think step by step / 一步步拆解推理。

6. 格式指定（配合 OutputParser）

强制 JSON、逗号列表、Markdown 表格，便于代码读取。搭配你学过的 CommaSeparatedListOutputParser 使用。

7. 分隔符区分输入与指令

用 """、### 把用户问题、参考资料包裹，避免模型混淆指令和内容。

plaintext

复制代码

参考资料：
"""
HBM是高带宽3D堆叠显存
"""
基于上面资料，一句话解释HBM

四、进阶工程方法

Prompt Template 模板化 把固定 System 指令封装模板，统一复用、方便 AB 测试（你前面代码用到）。
Prompt Chaining 提示词链 分步提问：先提取关键词→再总结→再格式化，拆解复杂任务，对应 Chain Composition。
自动 Prompt 优化 用大模型迭代改写 Prompt，自动测试哪种指令效果最好。
缓存优化 固定 System Prompt 开启缓存，降低输入 Token 计费。

五、和你现有代码体系关联

PromptTemplate = 提示词工程的标准化载体，统一管理 Prompt；
CommaSeparatedListOutputParser = 提示词格式约束的代码落地；
list_prompt | llm | parser 链路 = 提示词工程 + 模型调用 + 结果解析完整流水线；
AB 测试：更换不同 Prompt 模板，对比准确率、成本，属于 Prompt 工程调优环节。

六、简单实操对比

差 Prompt（模糊、无约束）

plaintext

复制代码

讲讲Token

输出：冗长杂乱，无固定格式。

优化后 Prompt（工程化写法）

plaintext

复制代码

角色：AI硬件讲师
规则：输出3条要点，英文逗号分隔列表
任务：解释Token是什么
{format_instructions}

AI 直接输出规整列表，程序可直接解析，无多余文字。

一句话总结

提示词工程是一套写指令的标准化技巧，不靠改模型，只靠优化输入文本，精准控制大模型输出内容、格式、逻辑，是开发 LLM 应用最基础、成本最低的优化手段。

Prompt Engineering 提示词工程 完整详解