Prompt优化技巧

prompt优化

1. 🏛️ System Prompt（系统提示词）优化技巧

System Prompt 是 AI 的"底层灵魂"与"运行法则"，决定了模型的基本人格、行为边界和推理逻辑。

核心优化策略

结构化块标记（XML/Markdown Tags） ：使用 <role>, <constraints>, <context>, <workflow> 等标签将 System Prompt 模块化。大语言模型（特别是 Claude 和 GPT-4）对 XML 标签的边界识别极其敏感，能大幅降低多指令混淆的概率。
负面约束的正向转化（Positive Framing） ：模型对"不要做什么"的理解成本远高于"要做什么"。
- ❌ 坏示范："不要使用复杂词汇，不要写长句子。"
- ✅ 好示范："请使用通俗易懂的常用词汇，并将每个句子的长度控制在 15 个字以内。"
思维链（Chain-of-Thought）引导 ：在 System Prompt 中直接嵌入思考过程要求，迫使模型在给出答案前先在 <thinking> 标签内完成逻辑推理。
上下文预热与防护网（System Hardening）：加入防越狱（Prompt Injection）和抗诱导设定。

🛠️ 最佳实践模板

xml 复制代码

<system_instruction>
  <role>
    你是一位拥有 10 年经验的【高级 Python 代码审计专家】。你的语言风格严谨、客观、直击要害。
  </role>
  <context>
    用户将向你提交 Python 代码段，你需要审查其中的安全漏洞、性能瓶颈与代码规范问题。
  </context>
  <constraints>
    1. 必须优先指出严重的安全风险（如 SQL 注入、XSS、未处理的异常）。
    2. 只针对用户提供的代码进行分析，严禁捏造未经提供的逻辑。
    3. 如果代码没有明显缺陷，请直接回答"代码质量良好"，并提供 1-2 条微优化建议。
  </constraints>
  <workflow>
    请严格按照以下步骤处理：
    Step 1: 在 <thinking> 标签内静默分析代码的结构、漏洞与潜在风险。
    Step 2: 在 <analysis> 标签内按【高危漏洞】、【性能优化】、【规范建议】三段式输出结果。
  </workflow>
</system_instruction>

2. 🎯 Few-shot Examples（少样本示例）优化技巧

Few-shot 是纠正模型格式偏离、提示输出质量最有效的手段（没有之一）。优质的样本胜过千言万语的规则说明。

核心优化策略

多样性与边缘情况覆盖（Edge Cases）：不要只提供"完美输入 -> 完美输出"的示例。至少包含一个正常示例、一个信息缺失/异常示例和一个模糊输入示例。
展示"思考过程"（CoT Few-shot）：在 Examples 中不仅给出 Input 和 Output，还要给出 Reasoning（推理步骤）。这能极大地诱导模型模仿该思维链路。
标签一致性：Example 中的输入输出结构必须与 System Prompt 定义的标签完全 100% 对齐，哪怕多出一个空格都可能让模型产生幻觉。

🛠️ 最佳实践模板

xml 复制代码

### Few-shot Examples

#### Example 1: 正常输入（包含完整思考链）
User:
分析文本情感："这件衣服样式很好看，但是线头太多，质量太差了。"

Assistant:
<thinking>
文本包含了正面评价（样式很好看）和负面评价（线头多、质量差）。结合上下文，整体购买体验偏负面，属于【混合偏负面】情感。
</thinking>
<output>
{
  "sentiment": "Negative",
  "confidence": 0.85,
  "key_phrases": ["样式好看", "线头太多", "质量太差"]
}
</output>

#### Example 2: 边缘输入（信息模糊/无法判断）
User:
分析文本情感："今天星期三。"

Assistant:
<thinking>
文本为客观事实陈述，不包含任何主观倾向或情感词汇。
</thinking>
<output>
{
  "sentiment": "Neutral",
  "confidence": 0.99,
  "key_phrases": ["星期三"]
}
</output>

3. 📐 输出格式控制（Output Format Control）优化技巧

结构化输出（JSON, XML, Markdown Table 等）是大模型接入下游工程代码（API/数据库）的关键桥梁。

核心优化策略

Schema 锚定法：给出明确的 Typescript Interface 或 JSON Schema 定义，而不仅仅是简单的样本。大模型对类型定义（Type Definition）有极强的理解力。
"首字符强引导"（First-Token Priming）：在 User 指令的末尾或 Assistant 响应的开头，预填输出的首个字符（如 { 或 ```json）。
格式防御（Markdown Fences）：明确要求模型将代码/JSON 包裹在特定的代码块中，避免解释性废话（如 "Here is your JSON:"）混入导致 JSON 解析失败。

🛠️ 最佳实践模板

markdown 复制代码

### 输出格式要求

你必须且只能输出合法的 JSON 对象，严禁在 JSON 前后添加任何解释性文字或 Markdown 标记（如不要使用 ```json 包裹）。

JSON 必须严格遵循以下 TypeScript 接口定义：

interface RefactoredCodeResponse {
  // 优化后的完整代码
  code: string;
  // 修改的行数或函数名
  modified_scope: string[];
  // 优化原因总结（不超过 30 字）
  summary: string;
  // 时间复杂度分析（如 O(n)）
  time_complexity: string;
}

响应起始提示：

你的输出必须直接以 { 开头，并以 } 结尾

4. 🛡️ 错误处理 Prompt（Error Handling & Fallback）

高鲁棒性的 Prompt 必须具备"自我校验"与"降级处理"能力，当遇到无效输入、越界风险或无法解答的问题时，能够优雅地捕获错误。

核心优化策略

定义状态码与错误树：为常见错误场景定义标准错误码（Error Code），方便后端代码直接提取并做分支逻辑处理。
拒绝机制（Graceful Refusal）：赋予模型"说不知道"或"拒绝回答"的合法权力，这是防止模型强行"瞎编（幻觉）"的核心手段。
前置校验阈值（Validation Pre-check）：要求模型在回答前先检查输入条件是否满足，若不满足则立即中断后续推理并触发错误响应。

🛠️ 最佳实践模板

markdown 复制代码

### 异常与错误处理规范

在处理用户输入时，请首先进行输入合规性与完整性校验。如果触发以下异常条件，必须立即中断正常流程，并返回对应的标准 JSON 错误结构：

1. **输入信息不足 (ERR_INSUFFICIENT_INFO)**：当缺失完成任务必需的核心参数时。
2. **超出能力范围 (ERR_OUT_OF_SCOPE)**：当请求包含非法指令、政治敏感内容或非 Python 语言代码时。
3. **逻辑冲突 (ERR_LOGICAL_CONFLICT)**：当用户给出的需求前后矛盾时。

#### 错误响应 JSON 格式：
{
  "status": "error",
  "error_code": "ERR_INSUFFICIENT_INFO",
  "message": "用户未提供数据库连接字符串，无法进行 SQL 校验。",
  "action_required": "请补充提供 Target Database 类型及配置信息。"
}

#### 正常响应 JSON 格式：
{
  "status": "success",
  "data": { ... }
}

💡 资深工程师总结：Prompt 调试金字塔

在实际生产项目中，当模型表现不佳时，建议按照以下优先级进行调整排查：

第 1 层（基石）：检查 System Prompt 的规则与约束是否存在歧义或冲突。
第 2 层（关键）：检查 Few-shot 示例是否足够丰富，标签与格式是否与预期 100% 相同。
第 3 层（结构）：检查思考链（CoT）是否显式开启，是否留给了模型足够的计算 Token（思考空间）。
第 4 层（外围）：调整 Temperature / Top_P 参数（提取类/格式化任务设为 0.0-0.2，创作类设为 0.7-0.9）。