Prompt Engineering 完全指南

Prompt Engineering 是发挥大模型能力的核心技能。好的 prompt 能让模型输出质量提升数倍。

基础原则

• 清晰具体：不要说"写一篇文章"，要说"写一篇 800 字的科普文章，面向高中生，解释什么是神经网络"
• 提供上下文：告诉模型它扮演什么角色，输出给谁看
• 给示例：提供 2-3 个输入输出示例，模型能快速理解你的期望格式
• 设定约束：字数限制、输出格式（JSON/Markdown/表格）、注意事项

经典技巧

Chain of Thought（思维链）

在 prompt 末尾加一句"让我们一步步思考"，强制模型展示推理过程。对于数学、逻辑类问题效果显著，能大幅降低错误率。

Few-Shot Prompting

提供几个完整的问答对作为示例，模型会模仿示例的格式、风格和深度。

Self-Consistency

对同一问题多次采样，取出现最频繁的答案作为最终结果。特别适合推理类任务。

Tree of Thoughts

让模型从多个角度思考问题，每个角度展开成一个推理分支，最后评估各分支选出最优方案。比 Chain of Thought 更强但成本更高。

Role Prompting

指定角色是提升专业性的最简方式：

• "你是一位有 20 年经验的 Python 架构师"
• "你是世界顶级的科普作家"
• "你是一位耐心的小学数学老师"

输出格式控制

明确告诉模型输出格式，可以实现程序化解析：

请用以下 JSON 格式输出：
{
  "summary": "一句话总结",
  "key_points": ["要点1", "要点2"],
  "action_items": ["行动项1"]
}