说说prompt engineering

Prompt Engineering 提示词工程

Prompt Engineering 是设计和优化输入提示（Prompt） ，让大语言模型（LLM）输出更准确、更有用结果的技术。简单说：怎么跟 AI 说话，它才能听得懂、答得好。

---

一、为什么需要 Prompt Engineering？

LLM 本质上是一个"概率预测器"，你给它什么输入，它预测最可能的输出。同样的模型，不同的提示词，结果天差地别：

提问方式	结果
"帮我写个冒泡排序"	可能只给代码，也可能给代码+解释，也可能给错
"请用 Java 实现冒泡排序，并添加详细注释，说明时间复杂度和空间复杂度"	稳定输出高质量答案

核心价值：

• 提升回答准确性
• 控制输出格式（JSON、Markdown 等）
• 减少幻觉（Hallucination）
• 实现复杂推理（Chain of Thought）
• 控制"人设"和语气

---

二、Prompt 的构成要素

一个完整的 Prompt 通常包含以下要素（可根据需要组合）：

┌─────────────────────────────────────────┐
│ 1. 角色 (Role)                           │
│    "你是一位资深 Java 架构师..."          │
├─────────────────────────────────────────┤
│ 2. 任务 (Task)                           │
│    "请设计一个高并发秒杀系统的方案"        │
├─────────────────────────────────────────┤
│ 3. 上下文 (Context)                      │
│    "系统预估 QPS 1万，库存 100件..."      │
├─────────────────────────────────────────┤
│ 4. 示例 (Examples)                       │
│    "例如：..."                           │
├─────────────────────────────────────────┤
│ 5. 输出格式 (Output Format)             │
│    "请以 JSON 格式返回"                   │
├─────────────────────────────────────────┤
│ 6. 约束 (Constraints)                    │
│    "回答不超过 500 字"                    │
└─────────────────────────────────────────┘

---

三、核心技术与技巧

1. Zero-shot / Few-shot

技术	说明	示例
Zero-shot	不给示例，直接提问	"将这句话翻译成英文：你好"
Few-shot	给几个示例，让模型学会模式	给 2-3 个翻译示例，再要求翻译新句子

Few-shot 示例：

将以下中文翻译成英文：
中文：苹果 → 英文：apple
中文：汽车 → 英文：car
中文：电脑 → 英文：computer
中文：人工智能 → 英文：

2. Chain of Thought (CoT) 思维链

让模型一步一步思考，显著提升复杂推理问题的准确率。

方式	提问	效果
直接问	"小明有 5 个苹果，给了小红 2 个，又买了 3 个，现在有几个？"	可能答对，但复杂题容易错
CoT	"请一步步思考：1. 初始有 5 个；2. 给了小红 2 个，剩下 3 个；3. 买了 3 个，现在有 6 个。所以答案是 6 个"	推理清晰，准确率高

高级变体：

• Self-Consistency：让模型多次推理，取多数答案
• Tree of Thoughts (ToT)：探索多条推理路径，分支回溯
• Graph of Thoughts (GoT)：更复杂的推理图结构

3. 角色扮演

给模型设定"人设"，影响输出风格和专业度。

你是一位资深后端架构师，有 10 年高并发系统经验。
请从架构角度评价以下设计方案，指出潜在风险...

4. 结构化输出

强制模型以特定格式返回，便于程序解析：

请以 JSON 格式返回以下信息：
{
  "summary": "摘要内容",
  "keywords": ["关键词1", "关键词2"],
  "sentiment": "positive/negative/neutral"
}

5. 思维链的进阶

问题：一个水池，进水管 3 小时注满，出水管 5 小时排空。
如果同时打开，几小时能注满？

请一步步推理：
1. 进水管每小时注水 1/3 池
2. 出水管每小时排水 1/5 池
3. 净进水速度 = 1/3 - 1/5 = 2/15 池/小时
4. 注满需要 1 ÷ (2/15) = 7.5 小时

---

四、不同场景的 Prompt 模板

代码生成

你是一位资深 Java 开发工程师。
请用 Java 实现一个 LRU 缓存，要求：
1. 使用泛型支持任意类型
2. 线程安全
3. 添加详细注释
4. 包含单元测试示例

文本总结

请总结以下文章的核心观点，要求：
- 不超过 200 字
- 分 3 个要点列出
- 保持客观，不添加评论

文章内容：...

数据分析

你是一位数据分析师。
根据以下销售数据，请分析：
1. 季度趋势
2. 异常波动点
3. 给出 3 条业务建议

数据：...

角色设定

从现在开始，你是一位专业的面试官，正在面试 Java 后端开发岗位。
请依次提问技术问题，并根据我的回答给出评价。
第一题：

---

五、常见问题与优化

问题	表现	优化方法
回答太啰嗦	给出大量无关信息	加约束："回答控制在 200 字以内"
答案太简略	只说结论，没过程	加指令："请给出推理过程"
格式混乱	无结构，难以解析	指定输出格式："以 Markdown 表格返回"
幻觉	编造不存在的事实	加约束："如果不确定，请说'不确定'" + 提供上下文
偏离主题	跑题，答非所问	加角色限定 + 明确任务边界
语言不一致	中英混杂	指定语言："请用中文回答"

---

六、Prompt 调试方法

1. 迭代优化：不要期望一次完美，反复调整
2. 对比实验：同一问题用不同 Prompt 对比效果
3. 拆解复杂任务：把大问题拆成小步骤，分步提问
4. 增加示例：Few-shot 往往比 Zero-shot 更稳定
5. 温度参数调整 ：
   • 低温度（0-0.3）：输出确定性高，适合代码、事实问答
   • 高温度（0.7-1）：输出更有创造性，适合写作、头脑风暴

---

七、从 Prompt 到 Agent

Prompt Engineering 的进阶是让 AI 能自主使用工具：

你可以使用以下工具：
1. search(query): 搜索最新信息
2. calculator(expression): 计算数学表达式
3. code_execute(code): 执行代码

用户问题：今天北京和上海的气温差是多少？
请调用工具回答。

这样 AI 会：search("北京天气") → search("上海天气") → calculator(气温差) → 输出答案。

---

八、总结

核心要点	说明
本质	与 AI 高效沟通的技术
目标	提升回答准确性、控制输出格式、减少幻觉
基础技巧	Few-shot、Chain of Thought、角色扮演、结构化输出
进阶方向	Agent、工具调用、多轮对话、自我一致性
调试方法	迭代优化、对比实验、拆解任务、调整温度
价值	决定 LLM 应用的上限，是 AI 应用开发的核心能力

一句话：Prompt Engineering 就是"用 AI 听得懂的方式，问出它能答好的问题"。

提示词网址：

https://github.com/anthropics/prompt-eng-interactive-tutorial