prompts.chat:03-core-prompting-principles

原则一：清晰优于巧妙

最好的提示词是清晰的，而不是巧妙的。AI模型是字面解释者------它们会严格按照你给的内容来工作。

要明确具体

不要留下任何猜测空间。直接说出你想要的。

避免歧义

词汇可能有多种含义。选择精确的语言。

说出那些"显而易见"的事

你觉得显而易见的事，对模型来说并不明显。把假设明确写出来。

	隐式（有问题）	显式（有效）
示例	"Make this better."	"Improve this email by: 1. Making the subject line more compelling 2. Shortening paragraphs to 2-3 sentences max 3. Adding a clear call-to-action at the end"

你在帮我写一封求职信。重要背景：

我正在申请Google的软件工程师职位

我有5年Python和分布式系统经验

该职位要求领导经验（我曾领导过一个4人团队）

我想强调我的开源贡献

【批注】 这是全书最核心的一条原则。很多初学者会试图用"花哨"或"创意"的方式写提示词，但AI不需要"创意"------它需要的是精确。越直接、越不加修饰，效果往往越好。记住：AI不是人类，不会领会"言外之意"。

原则二：具体性决定质量

模糊的输入产生模糊的输出。具体的输入产生具体、有用的输出。

具体性阶梯

每一级都增加具体性，并大幅提升输出质量。

等级	示例文本
Level 1	"Write about climate change"
Level 2	"Write an article about climate change effects"
Level 3	"Write a 500-word article about how climate change affects coral reefs"
Level 4	"Write a 500-word article explaining how rising ocean temperatures cause coral bleaching, aimed at high school students, with 2 specific examples from the Great Barrier Reef, in an engaging but scientifically accurate tone"

每一级都增加具体性，并大幅提升输出质量。

明确以下要素

要素	要明确的内容
受众（Audience）	谁会读/用这个输出？
长度（Length）	应该多长/多短？
语气（Tone）	正式？随意？技术性？
格式（Format）	散文？列表？表格？代码？
范围（Scope）	包含什么？排除什么？
目的（Purpose）	这个输出应该达成什么目标？

【批注】 这个"要素清单"是你在写每个提示词时都可以快速过一遍的检查表。你不需要每次都明确所有六项，但在写提示词时有意识地思考这些问题，会显著提升输出质量。

原则三：上下文为王

模型没有记忆，无法访问你的文件，也不了解你的处境。所有相关信息必须放在提示词里。

提供充足的上下文

问自己：一个聪明的陌生人能理解这个请求吗？ 如果不能，就补充更多上下文。

	上下文不足	上下文充分
示例	"Why isn't my function working?"	"I have a Python function that should filter a list of dictionaries by a specific key value. It's returning an empty list when it should return 3 items. Function: def filter_items(items, key, value): return $item for item in items if item\[key$ = value] Call: filter_items(items, 'status', 'active') Expected: 2 items, Got: empty list"

上下文检查清单

模型知道我在做什么吗？（Does the model know what I'm working on?）
它知道我的目标吗？（Does it know my goal?）
它有所有必要的信息吗？（Does it have all necessary information?）
它理解约束条件吗？（Does it understand the constraints?）
一个聪明的陌生人能理解这个请求吗？（Would a smart stranger understand this request?）

【批注】 这条原则与第二章的"上下文"组件相呼应。核心思想是：不要把AI当成了解你的助手，而要把它当成第一天来上班的新人------你需要把一切都交代清楚。上面这个检查清单可以作为每次写提示词前的自检工具。

原则四：引导，而不只是提问

不要只是向模型要一个答案------要引导它走向你想要的答案。

使用引导性框架

	只是提问	引导性提问
示例	"What are the pros and cons of microservices?"	"List 5 advantages and 5 disadvantages of microservices architecture. For each point: - State the point clearly in one sentence - Provide a brief explanation (2-3 sentences) - Give a concrete example Consider perspectives of: small startups, large enterprises, and teams transitioning from monoliths."

提供推理支架（Reasoning Scaffolds）

对于复杂任务，引导推理过程：

推理支架示例：

这个提示词引导AI通过一个系统化的决策过程。

"I need to choose between PostgreSQL and MongoDB for my e-commerce project.

--- 请帮我做决策。"

（原文此处交互式组件用于展示完整推理支架）

【批注】 "引导而不只是提问"意味着你的提示词应该包含思考路径 ，而不仅仅是问题本身。比如，不要只问"这个方案有什么问题？"，而是问"请从成本、时间、可行性三个维度分析这个方案的问题"------你给了模型一个思考框架，它就能给出更结构化的回答。

原则五：迭代与精炼

提示工程是一个迭代的过程。你的第一个提示词很少是你最好的。

迭代循环

写下初始提示词
审视输出
识别差距或问题
精炼提示词
重复直到满意

常见精炼方向

问题	解决方案
太冗长	加入"简洁一点"或长度限制
太模糊	加入具体示例或约束条件
格式不对	明确指定输出结构
遗漏了某些方面	加入"确保包含......"
语气不对	明确指定受众和风格
不准确	要求提供引用或逐步推理

保留提示词日志

记录什么方法有效：

任务：代码审查

版本1："审查这段代码"→ 太泛泛

版本2：加入了具体的审查标准 → 好一些

版本3：加入了优秀审查的示例 → 非常好

最终版： $将成功的提示词保存为模板$

【批注】 "提示词日志"是一个被严重低估的实践。大多数人每次写提示词都从零开始，但如果你把成功的提示词保存下来，就能逐渐建立起自己的提示词模板库，大幅提高效率。这也是从"初学者"走向"专家"的关键习惯。

原则六：利用模型的优势

要与模型的训练方式协作，而不是对抗。

模型天生想提供帮助

把请求表述成一个乐于助人的助手自然愿意做的事：

	对抗（不推荐）	协作（推荐）
示例	"I know you can't do this, but try to..."	"Help me understand... I'm working on X and need assistance with... Could you walk me through..."

模型擅长识别模式

如果你需要一致的输出，就展示出模式：

模式示例：

这个提示词向AI精确展示了书籍推荐的格式：

"Recommend 3 science fiction books. Format each recommendation as:

📚 $Title$ by $Author$ $Genre$ | $Publication Year$ $2-sentence description$ Why you'll love it: $1 sentence hook$ "

模型可以扮演角色

使用角色设定来调用不同的"模式"：

作为一个唱反调的人，反驳我的提案......

作为一个支持型的导师，帮助我改进......

作为一个持怀疑态度的投资人，质疑这个商业计划......

【批注】 这条原则提醒我们：不要试图"对抗"模型的先天特性。比如，模型本质上是"过度配合"的------它总是想给你一个答案，即使它不确定。与其抱怨这一点，不如利用它：明确告诉它"如果你不确定，请直接说不知道"，反而能得到更可靠的回答。

原则七：控制输出结构

结构化的输出比自由形式的文本更有用。

请求特定格式

按以下格式返回你的分析：

text

复制代码

SUMMARY: [一句话摘要]
KEY FINDINGS: 
• [发现1]
• [发现2]
• [发现3]
RECOMMENDATION: [1-2句话]
CONFIDENCE: [低/中/高] 因为 [原因]

使用分隔符

清晰地区分提示词的各个部分：

text

复制代码

### CONTEXT ###
[你的上下文]
### TASK ###
[你的任务]
### FORMAT ###
[你想要的格式]

请求机器可读的输出

用于程序化调用场景：

只返回有效的JSON，不要任何解释：

json
复制代码
{
  "decision": "approve" | "reject" | "review",
  "confidence": 0.0-1.0,
  "reasons": ["字符串数组"]
}

【批注】 分隔符（Delimiters）是一个非常实用的小技巧。用 ### 或 --- 等标记把提示词的不同部分（上下文、任务、格式）清晰分开，能让模型更准确地理解每一部分的用途，减少"混淆"的可能性。

原则八：验证与核实

永远不要盲目信任模型的输出，尤其是对于重要任务。

要求展示推理过程

解决这个问题，并逐步展示你的计算过程。解决之后，通过 $验证方法$ 来核验你的答案。

请求多角度视角

给我三种不同的解决这个问题的方法。对每一种，解释其利弊权衡。

内置自检机制

生成代码之后，请自行审查以下方面：

语法错误

边界情况

安全漏洞

列出发现的所有问题。

【批注】 这条原则直接对应第一章提到的"幻觉"问题。模型即使错了也听起来很自信------所以你需要主动要求它自我检查。有趣的是，让模型"逐步展示推理"和"自我审查"本身就能降低幻觉率，因为这些指令迫使模型在输出前进行更审慎的"思考"。

总结

这些原则构成了后续所有内容的基础。在第二部分中，我们将把它们应用到具体的技术中，这些技术将极大地提升提示词的效果。

原则速览

原则	核心要点
1. 清晰优于巧妙	明确、直接、不留歧义
2. 具体性决定质量	越具体，输出越有用
3. 上下文为王	提供所有必要背景信息
4. 引导，而不只是提问	提供推理框架和思考路径
5. 迭代与精炼	持续改进，记录成功模式
6. 利用模型的优势	协作而非对抗
7. 控制输出结构	指定格式，使用分隔符
8. 验证与核实	要求展示推理、自我审查

小测验

问题： 以下哪条原则建议你在提示词中包含所有相关的背景信息？

A. 清晰优于巧妙（Clarity Over Cleverness）
B. 具体性决定质量（Specificity Yields Quality）
C. 上下文为王（Context Is King） ✓
D. 迭代与精炼（Iterate and Refine）

解析： 上下文为王强调AI模型在会话间没有记忆，也无法读取你的想法。包含相关背景、约束和目标有助于模型理解你的需求。

练习：填空

通过填写以下提示词模板来测试你对核心原则的理解：

模板：

text

复制代码

You are a {{role}} with expertise in {{expertise}}.

Context: I'm working on {{context}}.

Task: {{task}}

Constraints:
- Keep your response under {{length}} words
- Focus only on {{focus}}
- Format: Return your answer as {{format}}.

填空提示：

空白	提示	上下文说明
{``{role}}	AI应该扮演什么职业角色？	一个职位名称或专业角色
{``{expertise}}	需要什么具体的领域知识？	与该角色匹配的技能或领域
{``{context}}	项目或情境是什么？	该专业知识适用的项目
{``{task}}	AI应该执行什么具体动作？	适合该角色和情境的动作
{``{length}}	回答应该多长？	一个数字（字数）
{``{focus}}	应该优先关注哪个方面？	与任务相关的质量或维度
{``{format}}	输出应该如何结构化？	输出格式类型

解析： 一个结构良好的提示词包含：明确的角色（原则一）、充分的上下文（原则三）、具体的任务（原则二）、约束条件（原则四）和输出格式（原则七）。

核心原则检查清单

在每次提交提示词前，快速过一遍这个清单：

清晰优于巧妙：你的提示词明确且无歧义吗？
具体性决定质量：你是否包含了受众、长度、语气和格式？
上下文为王：提示词包含所有必要的背景信息吗？
示例优于解释：你是否展示了想要什么，而不仅仅是描述？
约束聚焦输出：是否有清晰的边界限制范围和格式？
迭代与精炼：你准备好根据结果改进了吗？
角色塑造视角：AI知道要扮演什么角色吗？
验证与核实：你是否内置了准确性检查机制？

【总批注】（更新版）

本章定位 ：如果说第一章是"认知基础"（AI如何工作），第二章是"结构工具箱"（提示词的六个组件），那么第三章就是心法------贯穿所有提示词写作的底层原则。这三章构成了全书的理论基石。
八条原则的内在逻辑：
- 原则1-3 （清晰、具体、上下文）是关于输入质量------你给模型什么；
- 原则4-6 （引导、迭代、利用优势）是关于交互方式------你如何与模型协作；
- 原则7-8 （控制结构、验证核实）是关于输出质量------你如何确保得到想要的。
新增组件亮点：
- "隐式 vs 显式"对比表（原则一）直观展示了同一任务在模糊和精确表达下的差异；
- "具体性阶梯"四级递进（原则二）让你看清每增加一个细节，输出质量如何跃升；
- "上下文检查清单"（原则三）可作为日常自检工具；
- "引导性提问"对比（原则四）展示了如何从"问问题"升级到"给框架"；
- "协作 vs 对抗"对比（原则六）提醒你利用模型天性而非与之对抗；
- 原则速览表、小测验、填空练习、检查清单构成了完整的知识闭环，方便复习和自测。
最容易被忽视的两条：
- 原则5（迭代与精炼） ：大多数人的问题是"写一次提示词，不满意就放弃"，而不是"持续迭代直到满意"。提示工程本质上是实验科学，迭代是必经之路。
- 原则8（验证与核实） ：在非关键任务中可能无所谓，但在重要场景（如代码生成、数据分析、决策支持）中，主动要求模型自我检查能避免很多坑。
"提示词日志"的实战价值：这可能是本章最实用的建议。建议你从现在开始，用一个文档或笔记软件记录每次成功的提示词------标注任务类型、提示词全文、输出质量。几周后你就会拥有一个属于自己的提示词模板库。
学习建议：读完本章后，选一个你之前写过但效果不佳的提示词，对照"核心原则检查清单"逐一检查并改写，观察改进后的效果。这种"对照原则修改"的练习，比读十遍理论都有效。