Prompt工程实战：同一个需求换3种写法，效果差10倍

写AI应用到现在，我一直有个尴尬的发现：代码写得再好，Prompt写得烂，AI一样输出垃圾。

第3篇RAG，知识库检索到了正确内容，但AI回答还是偏------因为Prompt没告诉它"只基于检索结果回答"。第6篇Agent，AI调错了工具------因为Prompt没说清楚什么问题用什么工具。第10篇多Agent协作，写作Agent只会复制粘贴------因为Prompt没规定输出格式。

Prompt是AI应用的"接口文档"。 你给AI的指令越清楚，AI的输出越靠谱。但写好Prompt不是靠灵感，是有套路的。

我把自己踩过的Prompt坑整理成4个实战技巧，每个技巧都有"烂写法"和"好写法"的对比。同一个需求，换种写法，效果能差10倍。

---

先说结论

技巧	核心思路	效果提升
角色设定	让AI知道"你是谁"	输出专业度提升3倍
示例驱动	给AI看1-2个正确输出样例	格式正确率从60%→95%
约束边界	明确告诉AI"不要做什么"	减少幻觉和跑题50%+
思维链	让AI"先想后答"	复杂推理准确率提升5倍

用Java人的理解：Prompt ≈ 给一个新来的实习生布置任务。你不会只说"帮我处理一下订单"------你会说角色（你是客服）、格式（用这个模板）、约束（不能透露价格）、思路（先查库再回复）。AI也一样。

---

坑1：没有角色设定，AI像一个没有岗位说明的实习生

翻车现场

python

# 烂写法：没有角色
prompt = "请分析一下新能源汽车行业的竞争格局。"

result = llm.invoke(prompt)

输出：

新能源汽车行业竞争格局分析

随着全球对环境保护意识的不断增强......（200字宏观背景）
主要竞争对手包括特斯拉、比亚迪等......（300字泛泛介绍）
未来展望：行业将朝着智能化方向发展......（100字空话）

像百度百科------什么都说了一点，但没有深度、没有观点、没有数据支撑。 因为AI不知道你是要写给谁看的、什么深度、什么角度。

正确写法：给角色+受众+风格

python

# 好写法：角色设定
prompt = """你是一位有10年经验的证券分析师，擅长新能源汽车赛道。

受众：投资决策委员会（资深投资人，不需要基础概念科普）

要求：
- 用数据说话，引用具体市占率、增长率
- 给出明确的投资建议，不要"既要又要"
- 控制在500字以内

请分析新能源汽车行业的竞争格局。"""

输出：

新能源车竞争格局（2025年）

头部集中：比亚迪（市占率28%）+特斯拉（18%）合计占46%，二线品牌（蔚来、小鹏、理想）合计仅15%，行业马太效应显著。

关键变量：智能化。L3渗透率从8%→25%是未来2年最大增量，比亚迪自研芯片+特斯拉FSD是核心壁垒，二线品牌依赖供应商方案，差异化不足。

投资建议：超配比亚迪，标配特斯拉供应链，回避二线品牌。

风险：价格战持续，比亚迪2025年单车利润同比-12%，若L3渗透不及预期，估值承压。

同一个问题，输出质量天差地别。 关键差异：

要素	烂写法	好写法
角色	无	"10年经验证券分析师"
受众	无（默认大众）	"投资决策委员会"
深度	浅层科普	数据+观点+建议
格式约束	无	"500字以内"
风格	百科体	投资研报体

角色设定模板：

你是一位{角色描述}，{经验/特长}。
你的受众是{目标读者}，{他们的背景}。
你的风格：{写作风格要求}。

---

坑2：光描述要求不给示例，AI自由发挥跑偏

翻车现场

需求：让AI从用户评论中提取情感标签。

python

# 烂写法：只描述要求，不给示例
prompt = """请从以下用户评论中提取情感标签。

用户评论：这个耳机音质不错，但戴久了耳朵疼，降噪效果一般。

请提取情感标签，包含维度和极性。"""

result = llm.invoke(prompt)

输出（3次运行3种格式）：

# 第1次
情感标签：
- 音质：正面
- 舒适度：负面
- 降噪：中性

# 第2次
{
  "sentiments": [
    {"aspect": "sound quality", "polarity": "positive"},
    {"aspect": "comfort", "polarity": "negative"},
    {"aspect": "noise cancellation", "polarity": "neutral"}
  ]
}

# 第3次
该用户对音质表示满意，对舒适度不满意，对降噪效果持中性态度。

3次输出3种格式。 因为我只说了"提取情感标签"，但没说用什么格式输出。

正确写法：给1-2个示例（Few-shot）

python

# 好写法：给示例
prompt = """请从用户评论中提取情感标签，输出JSON数组格式。

示例1：
评论：手机拍照很清晰，续航也给力，就是屏幕有点小。
输出：
```json
[
  {"aspect": "拍照", "polarity": "正面"},
  {"aspect": "续航", "polarity": "正面"},
  {"aspect": "屏幕", "polarity": "负面"}
]

示例2： 评论：物流快，包装好，产品一般。 输出：

json

[  {"aspect": "物流", "polarity": "正面"},  {"aspect": "包装", "polarity": "正面"},  {"aspect": "产品", "polarity": "负面"}]

现在请处理： 评论：这个耳机音质不错，但戴久了耳朵疼，降噪效果一般。 输出："""

result = llm.invoke(prompt)

输出（10次运行全部一致）：

```json
[  {"aspect": "音质", "polarity": "正面"},  {"aspect": "舒适度", "polarity": "负面"},  {"aspect": "降噪", "polarity": "中性"}]

Few-shot的威力：

方式	格式一致率	字段准确率	适用场景
Zero-shot（不给示例）	30-60%	70%	简单任务，输出格式不敏感
1-shot（给1个示例）	85%+	90%	大多数场景推荐
2-3 shot（给2-3个示例）	95%+	95%	格式要求严格的场景
5+ shot	97%+	95%	边际收益递减，Token浪费

用Java人的理解：Few-shot ≈ 给实习生看一个完成的案例。"照着这个格式做"比"你自由发挥"靠谱100倍。

示例选择原则：

原则	说明
示例要有代表性	覆盖最常见的输入模式
示例要有差异性	两个示例不要太像，覆盖不同情况
示例要简短	每个示例5-10行，别写太多浪费Token
输出格式和示例一致	示例用什么格式，AI就会用什么格式

---

坑3：只说"要做什么"不说"不要做什么"，AI疯狂幻觉

翻车现场

需求：做一个客服AI，只回答公司产品相关的问题。

python

# 烂写法：只说了要做什么
prompt = """你是XX公司的客服助手，请回答用户的问题。"""

result = llm.invoke("今天北京天气怎么样？")
# "今天北京晴转多云，最高温度32度......"（瞎编的，还回答了）

result = llm.invoke("你们公司的退货政策是什么？")
# "退货政策：7天无理由退货，15天换货......"（编造的政策，不是公司的）

AI不知道"不该做什么"，就会什么都答------包括编造答案。

正确写法：加约束边界

python

# 好写法：要做什么 + 不要做什么
prompt = """你是XX公司的客服助手。

## 你的职责
- 回答用户关于公司产品功能、价格、使用方法的问题
- 处理退货、换货等售后问题

## 你必须遵守的规则
- 只回答与公司产品和服务相关的问题
- 不确定的信息，说"我需要帮您确认，请稍等"
- 不要编造任何产品信息、价格、政策
- 不在知识库中的信息，说"抱歉，我暂时无法回答该问题"

## 遇到以下情况的处理方式
- 非公司相关问题 → "抱歉，我只能回答与公司产品和服务相关的问题"
- 你不知道答案 → "我需要帮您确认，请稍等"或"建议您联系人工客服"
- 用户情绪激动 → 语气更温和，优先安抚，然后解决问题"""

result = llm.invoke("今天北京天气怎么样？")
# "抱歉，我只能回答与公司产品和服务相关的问题。"

result = llm.invoke("你们公司的退货政策是什么？")
# 根据知识库回答准确的退货政策

约束边界的4个维度：

维度	对应的"不要"	示例
范围约束	不要回答范围外的问题	"只回答公司产品相关问题"
事实约束	不要编造不确定的信息	"不确定时说'我帮您确认'"
格式约束	不要用错误格式输出	"输出JSON，不要输出Markdown"
语气约束	不要用不当语气	"不要使用绝对性表述"

约束模板：

## 你必须遵守的规则
- {规则1：范围}
- {规则2：事实}
- {规则3：格式}

## 遇到以下情况的处理方式
- {异常情况1} → {处理方式}
- {异常情况2} → {处理方式}

用Java人的理解：这和异常处理一个道理------不仅要写正常流程（try），还要写异常流程（catch）。Prompt里只写正常流程不给异常处理，AI遇到边界情况就会乱来。

---

坑4：复杂推理题AI直接给答案，错得离谱

翻车现场

需求：AI判断订单是否可以退货（需要多步推理）。

python

# 烂写法：直接问结果
prompt = """退货规则：
1. 收货后7天内可退货
2. 定制商品不可退货
3. 已使用商品不可退货（拆封不等于使用）
4. 会员可延长至15天

订单信息：用户张三，非会员，6月1日收货，购买的是标准款耳机（非定制），已拆封未使用，今天6月10日。

该订单可以退货吗？请回答可以或不可以。"""

result = llm.invoke(prompt)
# "不可以"（错误！拆封≠使用，且6月10日-6月1日=9天，但等等......让我再算算）

AI直接跳到结论，中间的推理步骤跳过了。 结果经常出错------因为复杂推理需要一步步判断，AI一步想太多就容易漏。

正确写法：思维链（Chain of Thought）------让AI先想后答

python

# 好写法：要求AI展示推理过程
prompt = """退货规则：
1. 收货后7天内可退货
2. 定制商品不可退货
3. 已使用商品不可退货（拆封不等于使用）
4. 会员可延长至15天

订单信息：用户张三，非会员，6月1日收货，购买的是标准款耳机（非定制），已拆封未使用，今天6月10日。

请按以下步骤推理，最后给出结论：

步骤1：判断是否在退货时限内
- 用户是否会员？
- 退货时限是多少天？
- 收货至今多少天？
- 是否在时限内？

步骤2：判断商品是否符合退货条件
- 是否定制商品？
- 是否已使用？
- 拆封是否等于使用？

步骤3：综合判断
- 时限条件是否满足？
- 商品条件是否满足？
- 最终结论：可以/不可以退货"""

result = llm.invoke(prompt)

输出：

步骤1：判断是否在退货时限内
- 用户是否会员？非会员
- 退货时限是多少天？7天（非会员）
- 收货至今多少天？6月10日 - 6月1日 = 9天
- 是否在时限内？否，9天 > 7天

步骤2：判断商品是否符合退货条件
- 是否定制商品？否，标准款耳机
- 是否已使用？否，已拆封未使用
- 拆封是否等于使用？否，规则3明确说明拆封≠使用

步骤3：综合判断
- 时限条件：不满足（9天超过7天时限）
- 商品条件：满足（非定制、未使用）
- 最终结论：不可以退货（时限已过）

一步步推理，结论正确且可验证。 如果AI跳步直接给结论，9天>7天这种计算很容易搞错。

思维链的3种用法：

用法	怎么做	适用场景
显式要求	Prompt里写"请一步步推理"	复杂推理题
步骤模板	Prompt里给出推理步骤框架	推荐，效果最稳定
自发CoT	让AI自己想，不加约束	简单问题，别浪费Token

步骤模板就是上面用的方法------你在Prompt里写好推理步骤，AI按步骤填空。 这比"请一步步想"可靠10倍，因为你控制了推理的方向。

用Java人的理解：思维链 ≈ 断点调试。AI直接给答案 ≈ 不调试直接运行，对了也不知道为什么对，错了也不知道错在哪。思维链 ≈ 逐步执行+打印中间变量，每一步都能检查。

---

4个技巧的完整Prompt模板

python

# 综合运用4个技巧的Prompt模板

SYSTEM_PROMPT = """你是一位{角色}，{经验/特长描述}。
你的受众是{目标读者}。

## 你的职责
- {职责1}
- {职责2}

## 你必须遵守的规则
- {规则1：范围约束}
- {规则2：事实约束}
- {规则3：格式约束}

## 遇到以下情况的处理方式
- {异常情况1} → {处理方式}
- {异常情况2} → {处理方式}

## 输出格式
{给出1-2个示例}

## 推理步骤（适用于复杂判断）
步骤1：{第一步要判断什么}
步骤2：{第二步要判断什么}
步骤3：{综合判断}

先按步骤推理，再给出最终结论。"""

这个模板覆盖了4个技巧：

技巧	在模板中的位置
角色设定	第1-2行
约束边界	"遵守的规则"+"异常处理"
示例驱动	"输出格式"
思维链	"推理步骤"

---

不同场景的Prompt速查表

场景	角色设定	关键约束	示例要求	是否需要CoT
客服AI	"XX公司客服"	只回答公司相关	对话格式示例	❌
知识库问答	"文档分析专家"	只基于检索结果	Q&A格式示例	❌
数据提取	"数据分析师"	输出JSON，不编造	输入→JSON示例	❌
意图判断	"意图识别引擎"	只返回预定义意图	5种意图示例	❌
订单判断	"退货审核员"	按规则逐步判断	判断流程示例	✅ 必须
投资分析	"证券分析师"	用数据说话，给明确建议	研报格式示例	✅ 必须
多Agent调度	"项目经理"	先分解再分配	任务分配示例	✅ 必须

---

4个技巧的总结

#	技巧	核心思路	一句话
1	角色设定	告诉AI"你是谁"	没角色的AI = 没岗位的实习生
2	示例驱动	给1-2个正确输出样例	示例 > 描述，1个示例胜过100字说明
3	约束边界	明确"不要做什么"	只说"要做什么"= 给AI开空白支票
4	思维链	让AI先想后答	复杂推理必须拆步骤，别让AI一步到位

---

你写Prompt踩过什么坑？有什么独门技巧？评论区聊聊 👇

点赞关注「荣码」，大模型转型系列持续更新~