不知道小伙伴们有没有过这种经历：同样用 ChatGPT，别人写的 Prompt 一扔进去，出来的结果又专业又好用；我们吭哧吭哧写了半天，出来的东西却总感觉 "差点意思"。
我刚开始用大模型的时候就是这样 ------ 看着别人 "一句话生成 PPT"、"三行代码搞定数据分析"，我自己试的时候，要么回答太笼统，要么格式不对，要么完全跑偏。
后来我才明白：大模型就像一个超级聪明但特别 "老实" 的员工 ------ 你怎么吩咐，它就怎么干活。你说得越清楚，它干得越好。你说得含糊，它就给你一个含糊的答案。
而你跟大模型说的 "吩咐"，就是今天要讲的 Prompt（提示词）。
别小看 Prompt，这玩意儿现在已经成了一门专门的学问，叫 "提示词工程"（Prompt Engineering）。有人靠写 Prompt 月薪好几万，你敢信？
今天这篇，咱们就把 Prompt 这个词彻底讲明白。看完你将知道：Prompt 到底是什么，为什么它这么重要，一个好 Prompt 应该包含哪些要素，以及两种最基础的 Prompt 技巧 ------ 零样本和少样本。
一、Prompt 是什么？
Prompt，中文叫提示词 。说人话就是：你跟大模型说的话、发的指令、提的问题，统统都叫 Prompt。
打个比方：如果大模型是一个超级厉害的厨师，那 Prompt 就是你点的菜。你说 "炒个菜"，厨师可能给你随便炒个青菜；你说 "来一份宫保鸡丁，少辣多花生，不要葱"，厨师就知道该怎么做了。
Prompt 就是你给大模型的 "点菜清单"------ 说得越具体，出来的结果越符合你的心意。
Prompt 可以很简单，也可以很复杂
最简单的 Prompt 就是一句话：
"帮我写一封辞职信"
复杂的 Prompt 可能有几百字，包含角色设定、任务要求、背景信息、输出格式、约束条件等等：
"你是一位有 10 年经验的 HR 专家。请帮我写一封辞职信，要求：1. 语气礼貌但坚定；2. 说明离职原因是个人发展；3. 表达对公司的感谢；4. 字数 300 字左右；5. 用正式的商务邮件格式。"
这两个 Prompt，出来的结果质量天差地别。
二、为什么 Prompt 这么重要？
你可能会问：不就是说句话吗？至于这么讲究？
至于，太至于了。原因有三个：
1. 大模型 "读心术" 还没学会
大模型很厉害，但它不会读心术。你心里想的是 "一篇专业的、有深度的技术博客"，但你只说了 "写篇文章"，它怎么知道你要的是啥？
它只能根据你说的话来猜你的意图。你说得越清楚，它猜得越准。
2. 同样的模型，不同的 Prompt，结果天差地别
我给你举个真实的例子：
不好的 Prompt：
"什么是机器学习？"
出来的答案可能就是一段干巴巴的定义，百度百科都比它详细。
好的 Prompt：
"你是一位资深的 AI 科普作家。请用大白话解释什么是机器学习，要求：1. 用一个生活化的比喻开头；2. 举一个具体的例子；3. 说明机器学习和传统编程的区别；4. 控制在 300 字以内；5. 结尾留一个思考题。"
出来的答案直接就能当公众号推文用。
你看，模型还是那个模型，只是 Prompt 不一样，结果就完全不一样。
3. Prompt 是成本最低的 "提效方式"
想让大模型变得更厉害？你可以花几百万去微调一个模型，也可以花十分钟把 Prompt 写好。效果可能差不了多少，但成本差了十万八千里。
所以说，学好 Prompt，是普通人用好大模型的第一步，也是性价比最高的一步。
三、一个好 Prompt，应该包含哪些要素？
说了这么多，那到底怎么写一个好 Prompt？有没有什么套路？
有的。一个高质量的 Prompt，通常包含这几个要素：
1. 角色设定：告诉 AI"你是谁"
这是最常用也最有效的技巧。你给 AI 一个身份，它就会用这个身份的视角来回答。
比如：
- "你是一位资深的 Python 程序员" → 回答更专业、代码更规范
- "你是一位小学老师" → 回答更简单、更易懂
- "你是一位幽默的脱口秀演员" → 回答更有趣、更有梗
为什么角色设定有效？ 因为大模型读了太多书，它脑子里有各种身份的 "记忆"。你给它一个角色，就相当于激活了对应的那部分记忆。
2. 任务指令：清晰说明要做什么
这是 Prompt 的核心。你要明确告诉 AI 你想让它做什么，越具体越好。
不好的： "写篇文章" 好的： "写一篇关于 Python 入门的技术文章，面向零基础读者，字数 1500 字左右"
3. 背景信息：给足上下文
有时候 AI 回答得不对，不是因为它不会，而是因为它不知道背景。
比如你说 "帮我写封邮件"，它不知道你要写给谁、为什么事、什么语气。你得告诉它：
"帮我写一封邮件，发给我的老板，主题是申请下周三请假一天，原因是家里有事，语气要礼貌正式。"
4. 约束条件：划定边界
告诉 AI 什么可以做、什么不可以做，或者有什么限制。
比如：
- "字数控制在 500 字以内"
- "不要使用专业术语"
- "用 markdown 格式输出"
- "只回答问题，不要额外解释"
5. 输出格式：告诉它怎么呈现
如果你想要特定的格式，一定要说清楚。比如：
- "用表格形式输出"
- "分点列出，每点不超过 20 字"
- "用 JSON 格式返回，包含 name 和 age 两个字段"
💡 小技巧：把这几个要素组合起来，就是一个高质量的 Prompt。你可以记一个简单的公式：角色 + 任务 + 背景 + 约束 + 格式 = 好 Prompt
四、两种最基础的 Prompt 方式
Prompt 技巧有很多，但最基础、最常用的是这两种：Zero-shot（零样本） 和 Few-shot（少样本）。
名字听起来很玄乎，其实超级简单。
Zero-shot（零样本）：不给例子，直接说
Zero-shot 就是 "零个例子" 的意思。你直接告诉 AI 要做什么，不给任何示例。
比如：
"把下面这句话翻译成英文：我爱人工智能"
这就是 Zero-shot------ 没有例子，直接上。
什么时候用 Zero-shot？
- 简单任务：翻译、总结、问答
- 模型本来就很擅长的事
- 你不确定该给什么例子的时候
Zero-shot 的优点是简单省事，缺点是复杂任务容易跑偏。
Few-shot（少样本）：给几个例子，让它照猫画虎
Few-shot 就是 "几个例子" 的意思。你先给 AI 几个示例，告诉它 "我要的是这种感觉"，然后再让它做新的。
比如：
" 把下面的句子翻译成网络流行语风格：
示例 1：我很开心 → 我直接原地起飞 示例 2：这太难了 → 这也太劝退了吧 示例 3：我明白了 → 哦～原来是这样
现在翻译：我很生气 →"
AI 一看例子，就知道你要的是啥风格了，出来的结果会比 Zero-shot 准很多。
为什么 Few-shot 有效？ 因为大模型有一个神奇的能力叫上下文学习（In-Context Learning）------ 它能从你给的例子里 "现学现卖"，不用重新训练，就能掌握规律。
什么时候用 Few-shot？
- 复杂任务：格式转换、风格模仿、特定分类
- Zero-shot 效果不好的时候
- 你有明确的输出格式或风格要求
小知识：一般给 2-5 个例子就够了，太多了反而占 Token、费钱。
五、写 Prompt 的 3 个常见误区
最后，说几个新手最容易踩的坑：
误区 1：越短越好。 错。Prompt 不是越短越好，而是越清楚越好。该说的信息一定要说全，别怕长。当然也别啰嗦，简洁但要完整。
误区 2：跟它 "商量"。 大模型是工具，不是朋友。不用 "能不能帮我..."、"麻烦你..."，直接说 "请做..."、"帮我做..." 就行。它不在乎礼貌，只在乎指令清不清晰。
误区 3：一次说太多事。 如果任务很复杂，不要把所有要求堆在一个 Prompt 里。可以分步来：先让它写大纲，满意了再让它写正文；先让它分析问题，再让它给方案。分步走，效果更好。
总结
好了，Prompt 就讲到这里。简单回顾一下：Prompt 就是我们跟大模型说的话，是我们给它的指令；同样的模型，不同的 Prompt，结果天差地别；一个好 Prompt 通常包含角色、任务、背景、约束、格式五个要素；最基础的 Prompt 方式是 Zero-shot（不给例子）和 Few-shot（给几个例子）。
记住一句话：你跟大模型说话的水平，决定了大模型回答的水平。
下一篇，我们来讲讲 Context Window（上下文窗口）------ 大模型的 "短期记忆" 到底有多大？为什么聊到后面它就 "失忆" 了？8K、32K、128K 这些数字到底是什么意思？
咱们下篇见！