提示工程

提示工程是与 LLM 交互的艺术和科学。同一个模型，不同的提示可以产生天差地别的输出。掌握提示工程是构建 LLM 应用的基础。

类型： 构建 语言： Python 前置条件： 无 预计时间： ~45 分钟

学习目标

• 理解系统提示、用户提示和助手回复的结构
• 掌握提示设计的核心原则：清晰、具体、有约束
• 实现结构化输出控制
• 理解提示工程的局限性

提示结构

System Prompt:  定义角色、行为规则和输出格式
User Prompt:    用户的实际请求
Assistant:      模型的回复

核心原则

1. 具体优于模糊

差: "写一篇文章"
好: "写一篇 500 字的技术博客，主题是 Python 异步编程，
    目标读者是有 1-2 年经验的开发者，风格简洁专业"

2. 提供示例（Few-shot）

将以下文本分类为正面/负面/中性：

示例1: "这个产品太棒了！" → 正面
示例2: "服务态度很差" → 负面
示例3: "今天天气一般" → 中性

输入: "价格还可以，但质量一般"
输出:

3. 约束输出格式

SYSTEM_PROMPT = """你是一个数据提取助手。从用户输入中提取信息，严格按以下 JSON 格式输出：

{
  "name": "人名",
  "date": "日期（YYYY-MM-DD格式）",
  "amount": "金额（数字）",
  "currency": "货币类型"
}

规则：
- 如果某个字段缺失，设为 null
- 日期必须转换为 YYYY-MM-DD 格式
- 金额只保留数字，不含货币符号
- 不要输出任何 JSON 以外的内容"""

4. 分步推理

请按以下步骤分析这段代码：

1. 首先识别代码的主要功能
2. 然后找出潜在的 bug
3. 接着评估代码风格
4. 最后给出改进建议

代码：
```python
def process(data):
    result = []
    for i in range(len(data)):
        if data[i] != None:
            result.append(data[i].strip())
    return result

## 高级技巧

**角色设定。** 给模型一个明确的角色可以显著改善输出质量：

```python
SYSTEM_PROMPT = """你是一位有 20 年经验的高级 Python 开发者。
你遵循 PEP 8 规范，偏好类型注解，使用 f-string 而非 format()。
回答时先给出简洁的解决方案，再解释原理。"""

思维链（CoT）。 让模型先思考再回答：

请仔细思考以下问题，先展示推理过程，再给出最终答案。

问题：一个水池有两个进水管和一个出水管。A管单独注满需要6小时，
B管单独注满需要8小时，出水管单独放完需要12小时。
如果三管同时打开，多久能注满水池？

自我检查。 让模型验证自己的输出：

完成翻译后，请检查：
1. 是否有遗漏的句子
2. 术语翻译是否一致
3. 语气是否与原文匹配
如有问题，请修正后重新输出。

关键术语

延伸阅读

• OpenAI Prompt Engineering Guide — OpenAI 官方提示工程指南
• Anthropic Prompt Engineering — Anthropic 提示工程文档
• White et al., 2023 — “A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT” — 提示模式目录