2.提示词工程
提示词编写核心原则
提示词（Prompt）是与 AI 模型交互的文本指令。核心原则是换位思考------AI 对你提供的信息和你脑子里的东西一无所知。写好提示词的关键：清晰（明确需求）、具体（给出详细背景）、无歧义（让 AI 准确理解意图）。
基本技巧：限定问题范围。直接让 AI"写个故事"结果泛泛；"写一个关于太空冒险的儿童故事，明确主角、风格、包含 3 个冒险情节"则结果精准。
COSTA 结构化框架
COSTA 是结构化编写提示词的六维框架：
| 维度 | 含义 | 示例 |
|---|---|---|
| Context（背景） | 说明任务背景和上下文 | "你是一个电商客服，需要解答用户关于苹果手机的咨询" |
| Objective（目标） | 核心目标是什么 | "准确回答价格、发货时间以及适配的配件" |
| Steps（步骤） | 按哪些步骤执行 | "1.识别问题类型 → 2.检索知识库 → 3.回复" |
| Tone（语气） | 语言风格 | "用口语化、白话的方式回答" |
| Audience（受众） | 目标用户群体 | "针对 20~35 岁的消费者，关注性价比" |
| Format（格式） | 输出格式 | "按表格形式输出" |
不一定每次都要写全六个维度，根据场景选择使用。
实战对比：优化前"我该怎么吃才更健康？"→ 长篇大论无具体建议。优化后用 COSTA 框架指定角色（AI 营养顾问）、用户信息（30 岁男性、BMI 24）、输出格式（免责声明→核心原则→分餐建议→零食推荐）→ 结构清晰、可直接执行的饮食方案。
少样本提示（Few-Shot Prompting）
核心思想不是给模型指令 ，而是教它想要的结果------照葫芦画瓢，给示例让模型模仿。
示例：直接问"二鸟59等于多少？"模型不知道符号含义。改用少样本提示------示例1：二英53=5，示例2：四鹦鹉7=11→问"二鸟59=？"→模型推断出"鸟"代表加号，得出正确结果。
思维链与自我批判
思维链（Chain-of-Thought, CoT） 用于突破大模型的逻辑推理瓶颈。示例问题："杂耍者可以杂耍 16 个球，其中一半是高尔夫球，一半的高尔夫球是蓝色的，请问一共有多少个蓝色的高尔夫球？"------不加推理时模型答 8 个（错误），正确答案应为 4 个（16÷2÷2）。
少样本思维链：不仅给出答案，还要给出推导过程。模型学习推理步骤后给出带过程的准确答案。
零样本思维链：不需要示例，只需在问题后加一句指令------"请一步一步推理，并得出结论。"模型自动展示推理过程。
关键结论：加 CoT 提示优于不加，少样本 CoT 优于零样本 CoT，严格分步的 CoT 更稳定。核心在于让 AI 展示其工作过程。
自我批判与迭代：将生成和评审两个步骤分离，让 AI 自己验证自己的答案。审查维度包括边界场景（空列表、单元素）、变量命名规范、代码结构清晰度、性能优化等。
提示词技巧总结
| 技巧 | 适用场景 | 核心要点 |
|---|---|---|
| 限定范围 | 所有场景 | 清晰、具体、无歧义 |
| COSTA 框架 | 复杂任务 | 六维度结构化描述 |
| 少样本提示 | 非标准格式 | 给示例照葫芦画瓢 |
| 思维链（CoT） | 逻辑推理 | 展示推导过程 |
| 自我批判与迭代 | 代码/文本生成 | 生成+评审两步分离 |
在实际的 AI 编程工具（如 Cursor）中，提示词模板同样至关重要。不同语言需关注不同要点：Java 注重 Spring Boot 框架要求与依赖注入，C++ 注重代码风格与 RAII 原则，Python 注重数据分析库与编码规范。企业级项目中，提示词模板可以约束 AI 生成符合安全性、日志、异常处理等企业标准的代码。