大语言模型提示词工程实用技巧

提示词工程（Prompt Engineering）是使用大语言模型的核心技能。一个精心设计的 prompt，输出质量可以提升数倍；而一个粗糙的 prompt，可能产生大量无用的内容。本文从实战角度总结四个核心维度。

一、角色设定：给模型一个"人设"

让模型扮演特定角色，能显著提升输出的专业性和针对性。例如：

• 技术文档场景：「你是一位有 10 年经验的后端工程师，擅长用简洁的方式解释复杂概念」
• 写作场景：「你是一位资深科技博主，文风简洁有力，避免夸张表述」
• 分析场景：「你是一位数据分析师，习惯于先呈现结论再展开推理过程」

角色设定的关键在于具体：不要只说"你是专家"，要说明是什么领域的专家、有什么特点。

二、分步引导：把大象放进冰箱

复杂任务不要一股脑塞给模型，应该拆成清晰的步骤：

1. 先让模型理解需求并复述
2. 再让模型给出方案框架
3. 然后逐步填充细节
4. 最后做自我检查和修正

这种方式模拟了人类的思考过程，比直接要最终答案质量高得多。

三、示例驱动：少样本学习

对于格式要求严格的任务，提供 1-3 个示例是最有效的方式。例如要求模型按特定 JSON 格式输出：

请按照以下格式输出：
{
  "summary": "一句话总结",
  "key_points": ["要点1", "要点2", "要点3"],
  "action_items": ["行动1", "行动2"]
}

示例输入：{一段文字}
示例输出：{对应的 JSON}

Few-shot 示例让模型直接"看见"你想要的样子，胜过长篇的文字说明。

四、约束边界：告诉模型什么不能做

除了说"要什么"，也应该说"不要什么"：

• 「不要编造数据或引用」
• 「如果不确定，直接说不知道，不要猜测」
• 「回复控制在 300 字以内」
• 「不要使用 Markdown 表格」

明确的负面约束比正面的"请简洁"更有效。

总结

提示词工程不是魔法，本质是需求表达的精确化。好的 prompt = 清晰的角色 + 合理的步骤分解 + 具体的示例 + 明确的边界。每次使用 AI 后花 30 秒复盘你的 prompt，问问自己：目标说清楚了吗？约束给够了吗？——这个习惯会让你越来越擅长与 AI 协作。