Prompting Techniques提示词工程核心知识梳理

请看这条消息数组。第一条消息角色为 system（系统角色），这是开发者设定的指令。指令内容："你是一名负责管理日程与任务的私人助手。" 这条指令会决定模型输出的每一条回答。

第二条消息角色为 user（用户角色），是使用者提出的问题："我今天有哪些日程安排？"

系统提示对终端用户是不可见的，但它会一直存在，持续参与上下文。在 ChatGPT 网页端，系统提示由 OpenAI 后台预先写好；如果你自己开发应用，就需要手动编写系统提示。这也是调用 API 比直接网页聊天能力更强的核心原因之一。我们举实例直观说明：

同一个问题，搭配三种不同提示词，会得到三种完全不一样的回复。

只简单说："帮我整理日程。" 模型只会给出笼统、通用的时间管理建议，实用性很差。
细化要求："用带时间的项目符号列出我今天所有会议。" 此时模型明确了你想要的格式和需要展示的信息，输出简短、结构化、可用。
增加身份与复杂约束："你是私人助手，用户今日行程繁忙。总结他的全部日程，标出时间冲突；若存在撞期会议，给出调整建议。" 这时的回复精准、落地、可直接执行。结论：上下文信息越丰富、约束条件越多，输出内容越有价值。

举个通用例子：不要只说 "总结一下这段内容"，而要写："用三条项目符号为技术受众总结本文。"

提示词里每多一句话、一个限定，都是一条约束；约束越清晰，模型输出质量越高。还有一种高效技巧：在提示词中附上标准示例，直观告诉模型你想要的效果，这种方法叫做少样本提示（few-shot prompting）。

一、核心基础：System Prompt（系统提示）

这里有一个例子。如果没有系统消息，你询问模型如何修复一个bug，你会得到一个有用的、通用的、相当冗长的答案。添加一条系统消息，例如："你是一位高级工程师，正在进行代码审查。请直接且批判性地提出问题。" 同样的问题会得到完全不同的答案。系统消息改变了模型所依赖的模式。你可以在系统消息中放入什么？角色。"你是一位友好的客户支持代理。" 限制条件。"永远不要讨论竞争对手。" 格式说明。"AI始终以要点形式回复。" 背景知识。"用户是付费用户。" 你使用过的每个AI工具背后都有一条系统消息在运行。例如聊天GPT、旅行预订助手、银行聊天机器人。它们本质上并不是不同的模型。它们采用的是相同的技术，只是由不同的系统信息控制。

1. 定义与作用

API 对话消息数组分为两类永久角色：

system：底层全局指令，对用户不可见，全程作用于整条对话上下文，锁定 AI 身份、行为规则、输出标准；网页端由厂商内置，自研应用可自定义，是 API 能力强于普通网页聊天的关键。
user：终端用户提问，单次可变需求。

示例消息数组结构：

复制代码

[
  {"role":"system","content":"你是一名负责管理日程与任务的私人助手。"},
  {"role":"user","content":"我今天有哪些日程安排？"}
]

系统提示优先级高于用户提问，所有回答必须遵循 system 设定的身份与规则。

2. 三层指令对比（模糊→细化→强约束，输出质量逐级提升）

表格

指令等级	提示词写法	输出效果	核心问题
零约束（模糊）	帮我整理日程	宽泛通用时间管理空话，无结构化信息，无法直接使用	缺少身份、格式、输出边界，AI 自由发挥
单层约束（细化）	用带时间的项目符号列出我今天所有会议	结构清晰、内容简短，但缺少复杂场景处理逻辑（如时间冲突）	仅限定输出格式，无业务处理规则
多层约束（完整系统提示）	你是私人助手，用户今日行程繁忙。总结他的全部日程，标出时间冲突；若存在撞期会议，给出调整建议	精准落地、可直接执行，覆盖异常场景	同时锁定身份 + 任务目标 + 处理规则 + 异常方案，多重约束缩小 AI 生成随机空间

核心结论

提示词里每一条限定、每一条规则都是约束；约束越具体、维度越丰富（角色 / 格式 / 逻辑 / 异常），AI 输出偏离预期的概率越低，内容落地价值越高。

二、进阶强力技巧：少样本提示 Few-Shot Prompting

1. 基础概念

依托大模型上下文学习（In-Context Learning） 能力：不微调模型权重，直接在提示词中放入2--5 组「输入 - 标准输出」示范样例，让 AI 直观看懂你想要的风格、格式、推理逻辑，替代冗长抽象文字描述CSDN博...。

Zero-shot（零样本）：只文字描述需求，无示例；
Few-shot（少样本）：附带标准样例，控制力大幅提升。

2. 适用场景（文字说不清楚，示范一眼看懂）

强制固定输出格式（JSON、特定列表、表格、固定句式）；
统一文风、专业话术（商务文案、技术总结、特定写作风格）；
多步复杂推理任务（日程冲突判断、数据分类、内容提取）；
降低 AI 幻觉，减少多余前言、无关解释。

3. 标准化提示词结构（三段式）

任务总说明：明确要完成什么；
示范样例：2--5 组规范输入 + 标准答案；
当前待处理输入。

实战示例（日程助手少样本提示）

复制代码

# 任务：整理用户日程，标记冲突并给出调整方案
## 示例1
用户日程：9:00-10:00部门例会，9:30-11:00客户面谈
输出：
1. 9:00-10:00 部门例会
2. 9:30-11:00 客户面谈
【时间冲突】两项会议9:30--10:00重叠
调整建议：将客户面谈延后至11:10开始

## 示例2
用户日程：14:00-15:00方案评审，16:00-17:00周报撰写
输出：
1. 14:00-15:00 方案评审
2. 16:00-17:00 周报撰写
【无时间冲突】

## 当前用户日程：8:30-10:00产品会，9:00-10:30线下拜访

AI 会完全复刻示例的排版、冲突标记逻辑、建议话术，输出高度统一。

三、通用优化公式（可复用到所有场景）

反面（低效模糊写法）

总结一下这段内容 问题：无受众、无篇幅、无结构、无重点要求，输出不可控。

正面（标准强约束写法）

用三条项目符号为技术受众总结本文，每条只保留核心技术逻辑，不添加科普铺垫 拆解约束维度：

输出结构：3 条项目符号；
目标受众：技术人群；
内容限制：仅核心逻辑；
禁止项：剔除科普废话。

四、落地设计模板（高质量 System Prompt 通用四段式）

复制代码

# 1. 角色定位（锁定AI身份、专业能力）
你是XX领域专业助手，核心职责：xxx

# 2. 核心任务（明确要处理的输入、最终目标）
接收用户日程文本，完成全量梳理、冲突识别、优化建议输出

# 3. 输出强制格式（缩小生成空间）
固定使用带时间点的有序列表，冲突单独标注，建议简洁可执行

# 4. 行为约束&禁止项（兜底防跑偏）
1. 不得遗漏任意一条日程；
2. 不添加无关寒暄，仅输出日程相关内容；
3. 冲突必须给出至少1条可行调整方案

# 5. 可选：少样本示范（进一步统一输出标准）
【附上2--3组输入输出样例】

五、关键底层逻辑总结

系统提示是 AI 行为的底层基准，长对话全程生效，自研 API 应用的核心可控手段；
模糊指令 = 放任模型随机生成；多层清晰约束 = 可控、稳定、可落地的输出；
文字描述有极限，少样本提示用范例直观传递标准，是提升输出一致性最高效的技巧；
优化提示词的核心思路：从「只说要做什么」升级为「明确身份 + 规定格式 + 定义处理逻辑 + 给出示范 + 划定禁止行为」。

底层原理拆解

1. 负面指令的缺陷

模型理解 "不要做什么" 存在天然模糊性：

Don't be verbose 只划定了禁止边界，但没定义标准：多短算简洁？没有明确目标；
Avoid jargon 无法界定哪些词属于术语，模型容易过度删减或保留冷门专业词；负面指令是约束型规则，只排除错误行为，不给清晰行动目标，模型容易跑偏。

2. 正向指令的优势

正向句式直接给出明确执行标准：

Be concise, one sentence per point 给出量化规则，模型有清晰参照；
Use simple words a high school student would understand 划定受众门槛，输出尺度固定；模型会主动朝着给定目标生成，输出稳定性、可控性大幅提升。

3. 提示词工程实操结论

写系统提示词、任务约束时通用准则：

尽量删除所有 Don't / Avoid / Never / Do not 类负面禁令；
转化为「应该做什么 + 清晰标准」的正向描述；
能加量化、受众、格式限制就补充，进一步降低模型理解偏差。

拓展示例对照

表格

低效负面指令	高效正向改写
Don't write long paragraphs	Split content into short paragraphs under 3 lines each
Don't make answers complicated	Explain logic step by step with basic examples
Don't skip key details	List all critical information one by one

三种角色各司其职： system（系统角色）用于设定模型的行为与身份； user（用户角色）负责提供人类输入与提问； assistant（助手角色）承载模型过往输出、留存对话上下文。三者配合，能让你完整掌控模型的回复风格，以及模型所能读取、记住的全部对话信息。

三大对话角色完整拆解（System / User / Assistant）

一、System 系统角色

核心作用

全局定义大模型的身份、行为准则、能力边界、回复格式、语气风格、约束规则，是模型的底层指令，优先级最高，对话全程生效。

关键特点

最先输入，不受用户后续提问覆盖；
规定禁止行为（敏感内容、编造信息、固定话术等）、输出规范；
可限定专业身份（翻译、程序员、文案、心理咨询等）、回答逻辑框架；
不会被计入普通聊天上下文，只作为底层约束存在。

示例片段

复制代码

你是专业代码助手，只输出带注释可运行代码；禁止编造不存在的API；回答简洁，不额外闲聊；计算类问题必须给出演算过程。

二、User 用户角色

核心作用

承载人类真实提问、需求、素材、指令、补充信息，是模型需要响应的输入主体。

关键特点

每一轮用户提问单独标记为 user；
内容完全由人提供，可包含问题、文本、图片描述、需求修改、反驳、追问；
模型读取 user 内容作为本轮需要处理的任务。

示例片段

复制代码

用Python写一个批量读取Excel并统计求和的脚本。

三、Assistant 助手角色

核心作用

存储模型上一轮输出的全部回复内容，构建完整对话上下文记忆链。

关键特点

每一轮模型回答单独标记为 assistant；
是上下文记忆核心：模型会读取历史所有 assistant 记录，记住之前聊过的内容、达成的结论、之前输出的内容；
实现连续对话：多轮问答依靠user-assistant交替记录实现上下文关联；
可被后续 user 指令修改、推翻、补充。

示例片段

复制代码

import pandas as pd
def excel_sum(file_path):
    df = pd.read_excel(file_path)
    return df.sum().sum()

四、三者协作完整流程（标准对话结构）

复制代码

system: 全局基础设定
user: 第一轮人类提问
assistant: 模型第一轮回答
user: 第二轮追问/新需求
assistant: 模型第二轮回答
...

协作价值

可控回复风格：system 锁死人设与格式，不会随对话跑偏；
完整上下文记忆：user+assistant 交替留存全部聊天记录，模型不会遗忘前文；
分层权限清晰：底层规则 (system)、用户需求 (user)、历史回答 (assistant) 分离，可单独修改任意一段，灵活调试 prompt。

补充区分要点

表格

角色	核心定位	生命周期	能否修改记忆
System	底层行为规则	全局全程生效	一次性设定，修改需重新传入
User	人类任务输入	单轮单次	仅代表当前需求
Assistant	模型历史输出缓存	多轮累加留存	构成上下文记忆主体