一、什么是 Prompt Engineering为什么它如此重要Prompt Engineering提示工程是一门通过设计和优化提示词来引导大语言模型LLM产出精准、高质量回应的技术与方法。它被誉为大模型的魔法杖与传统模型开发中的特征工程地位相当。一个核心事实同一个任务使用不同的提示词设计可能产生差异巨大的结果。精心设计的提示词能让模型准确理解任务并给出高质量回答而模糊的提示词只会换来泛泛而谈甚至错误输出。根据SQ Magazine2025统计清晰的Prompt可减少42%的不相关结果经过迭代优化的提示语能提升35%的输出品质。与微调Fine-tuning相比Prompt Engineering有两大核心优势对比维度Prompt EngineeringFine-tuning微调成本几乎零成本实时传入知识需要大量标记数据训练成本高灵活性修改提示词即可切换任务每个任务通常需训练一个模型知识时效性可实时注入最新信息知识固化在训练时刻容易过时Prompt Engineering本质上是一种新的人机沟通艺术。掌握它不仅能提升AI使用效率更是在AI时代保持竞争力的关键技能。二、入门篇8个立刻能用的基础技巧技巧1指令必须无歧义AI不是你肚子里的蛔虫模糊的指令只能得到模糊的结果。❌ 错误示范✅ 正确示范分析下这个总结这篇论文的关键发现并用项目符号列表展示语气别太随意请使用正式、学术的语调写作就像教小孩要轻轻地摸小狗比不要使劲抓小狗更有效一样告诉AI要做什么永远比不要做什么更有指导性。不要只适合用来控制边界比如解释什么是经济计量学但不要使用复杂的数学公式或行话。技巧2用正面表述替代负面表述正面指令的指导性远强于负面指令。请使用正式、学术的语调比语气别太随意更能让AI准确执行。给AI一个清晰的目标而不是一个雷区。技巧3提供充足的上下文ContextLLM本质上是模式匹配高手充足的背景信息能帮助它找到正确的知识库。上下文的三大作用领域背景 帮助模型使用正确的专业术语——如在医学问答中提供病例信息对话历史 让模型理解多轮对话的连贯性参考材料 提供具体信息来源提高答案准确性关键提醒上下文并非越多越好。过长的上下文会增加计算负担可能导致关键信息被稀释甚至触发模型的懒政。只保留与当前任务最相关的信息。技巧4明确指定受众群体给5岁小孩解释量子计算与为物理学博士写综述会产生截然不同的结果。这个简单的设定能让AI自动调整内容深度和表达方式。指定读者群体是一个极其高效的技巧。技巧5使用界定符与分隔符把指令背景资料示例你的问题这些不同部分用清晰的分隔符隔开。常用分隔符分隔符类型示例三重反引号指令内容XML标签context内容/context井号# 指令 #破折号---示例# AIPUZI.CN 指令 #总结以下文章content这里是文章内容/content技巧6角色设定Persona Pattern你现在是一个资深前端开发工程师……——一旦给AI人设它就会用该角色相关的风格、术语和思维模式来回答。甚至设定MBTI人格都能让回复更像这类人的思考表达这有论文支撑arXiv:2509.04343。但需注意角色设定在写作风格、语气调整与创意任务上效果显著但在纯粹的事实问答上过度强调你是专家反而可能降低准确度。Persona Pattern最适合用在怎么说而非说什么。技巧7明确规定输出格式必须明确告诉AI你要什么格式这是让输出能被程序调用的关键。格式类型适用场景JSON后端程序直接解析Markdown复制到飞书、Obsidian等工具自动渲染项目符号列表快速浏览的总结内容表格结构化数据展示技巧8输出启动Output Priming想让AI写Python代码在提示词结尾加上pythonAI就会自觉地按照这个格式继续。这是一个专业级技巧通过在结尾给出输出的起手式引导AI顺着你的格式往下生成。同理要求AI输出Markdown代码、SQL查询等都可以用这个方法。三、进阶篇10个提升输出质量的核心方法技巧9零样本提示Zero-shot Prompting不给AI任何例子直接让它干活。这依赖于AI在训练时已经内化的知识。适合场景任务简单明确、模型熟悉的场景。GPT-4等大型模型在许多任务上即使没有示例也能表现良好。局限性 对于复杂任务或特殊格式要求模型可能无法准确理解用户期望。技巧10少样本提示Few-shot Prompting提供2-5个输入-输出的例子让AI通过情境学习In-Context Learning掌握模式。实战案例——情感分类文本这顿饭太好吃了 情感正面文本我等了三个小时才上菜。 情感负面文本这家店的装修还行吧。 情感中性文本他们的服务真是绝了再也不来了。 情感[?]研究发现示例的格式和多样性甚至比示例的答案还重要。AI在学你的模式而不是在背答案。技巧11思维链Chain-of-Thought, CoT这是提示工程领域里程碑式的技术。要求AI把思考过程写出来而不是急着蹦答案。原始问题小明有5个苹果他又买了3筐每筐4个。他现在有几个AI可能直接给17也可能给12准不准全靠运气。使用CoT后小明原有5个苹果。他买了3筐每筐4个所以新买了 3 × 4 12 个苹果。他总共有 5 12 17 个苹果。答案是17。CoT给了AI更多的计算空间去处理问题准确率暴涨。技巧12Zero-shot CoT零样本思维链你甚至不需要给解题示例只需要在问题最后加一句魔法咒语让我们一步一步地思考。Lets think step by step更强版本让我们一步一步地解决这个问题以确保我们得到正确的答案。有研究表明这句话能让AI回答的准确率大幅提升。注意对于推理模型如DeepSeek R1、ChatGPT o1它们本身就擅长推理用这个提示词反而效果可能不好。技巧13自一致性Self-Consistency这是CoT的威力加强版。让AI生成多个思维链取多数投票作为最终答案。比如10次计算中7次答案是172次是121次是23——那就选最自洽的17。方法调高temperature参数让AI每次思路不一样生成多个答案后取共识。这种方法能极大提高复杂推理的准确性且广泛适用、非常有效。技巧14最小到最多提示Least-to-Most Prompting将推理问题分解为更小的步骤每次解决一个每个子问题的输出用作下一个子问题的输入。比普通CoT稍复杂但更能解决需要许多步骤的推理问题。当CoT不够用时这是你的重型武器。方法特点适用场景CoT单线程逐步推理中等复杂度推理Least-to-Most分解子问题逐个击破多步骤复杂推理Self-Consistency多路径取共识需要高准确率的场景技巧15思维树Tree of Thoughts, ToT如果CoT是单线程思考ToT就是多线程自我评估。模拟人的广度优先搜索分解 把问题拆成几步生成 在第一步同时想出多个可能的思路A、B、C评估 AI自己评估哪个最有前途探索 顺着最优路径往下走发现走不通就回溯ToT非常适合下棋、解谜、写小说这种需要走一步看三步的复杂任务。技巧16验证链Chain-of-Verification, CoVe专门用来治幻觉的技术。流程如下步骤说明1. 生成答案AI先给出初步答案2. 验证计划AI生成需要验证的关键事实列表3. 独立验证AI逐一验证每个事实4. 修正输出根据验证结果修正最终答案技巧17CO-STAR 框架由新加坡政府科技局数据科学与AI团队创立是最实用的提示构建工具之一字母含义说明CContext上下文为任务提供背景信息OObjective目标明确你要求完成的任务SStyle风格指定写作风格如商业分析师TTone语气设置情感调如正式、幽默AAudience受众识别目标受众如专家/初学者RResponse响应规定输出格式如JSON/列表CO-STAR框架把提示词设计变成了一套可复用的工程流程强烈建议日常使用。技巧18RAG技术检索增强生成AI的知识是静态的RAG通过外接实时知识库来解决胡说八道问题。工作流程步骤说明1. 检索系统先从知识库中检索相关信息2. 注入将检索到的可靠信息注入提示词3. 生成AI基于这些真实信息作答RAG大大降低了幻觉概率是当前企业级应用的主流方案。技巧19生成式知识提示Generated Knowledge Prompting在正式答题前让AI先生成相关知识。比如要求模型在生成最终答案之前先列出有关这个主题的所有有用信息。这个简单的技巧在许多情况下可以显著提高LLM的性能。技巧20提示链Prompt Chaining将复杂任务分解为一系列小任务每个任务的输出作为下一个任务的输入。这就像把一个大项目拆成多个里程碑降低了每个步骤的复杂度同时提高了整体的可控性。四、专家篇10个高阶策略与实战心法技巧21元提示Meta-prompting / Auto Prompt EngineeringAI来生成提示词。 让一个LLM为另一个LLM编写优化的提示词通过beam search等技术自动搜索最优提示。这是一种让AI教AI的方法论可以大幅减少手动调参的工作量。技巧22展示而非告知Show, Dont Tell不要满足于他很悲伤这样的表述而是要求AI通过场景、声音和感觉来展现悲伤。在创作场景中这个技巧能让AI的输出从平铺直叙升级为身临其境。同时要明确规定视角一致性避免AI在不同段落间随意切换人称。技巧23深度角色扮演与风格模仿通过模仿特定作家风格或深度角色扮演来提升作品质量。可以指定用鲁迅的风格写用海明威的简洁笔触写等。这在创意写作、营销文案、品牌内容生产中效果极为显著。技巧24像管理初级程序员一样管理AI从简单指令开始逐步迭代优化按照示例统一代码风格通过分解大任务来降低复杂度。特别有价值的做法让AI在编码前先用自然语言解释实现逻辑——这相当于自动生成代码文档既能验证思路正确性又能留下可维护的说明。技巧25思考强度控制Think / Think Harder / UltraThink以Claude Code为代表的AI编程工具内置了思考强度控制关键词关键词Token消耗输出质量think最低基础think hard中等较好think harder较高更好ultrathink最高最优一些搞不定的Bug试试加上think harder甚至ultrathink有奇效。技巧26认知验证器Cognitive Verifier让AI主动列出自己的假设由你来判断哪些正确。这是一种AI自检机制能有效降低错误信息的传播风险。技巧27事实查核清单Fact Checklist要求AI在回答中附上信息来源降低幻觉风险。尤其在涉及数据、法规、医学等高风险领域时这个技巧是必选项。技巧28反向互动Reverse Interaction让AI反过来问你问题引导出更完整的需求。当你不确定自己想要什么时这个技巧能让AI帮你梳理思路比你自己瞎想高效得多。技巧29自定义暗语Meta Language Creation用简短的符号或代码触发复杂指令大幅加快重复性工作的沟通效率。实战示例从现在开始当我输入 2 - 3 时意思是请将这段文字从200字扩写成300字并保持语气专业。如果理解请回答 YES。原理是利用LLM的In-Context Learning能力——你在对话开头定义规则模型就会在后续对话中遵守。适合每天处理大量类似任务的营销人员或客服主管。建议将常用设定存成Prompt懒人包每次开新对话直接贴上。技巧30提示词版本控制与A/B测试把提示词当作代码来管理做版本控制V1、V2版、用占位符动态塞数据、搞A/B测试看哪个效果好。管理方式说明版本控制保存不同版本的提示词追踪效果变化占位符用{{变量名}}代替具体内容实现模板复用A/B测试同时运行两个提示词对比输出质量完美的提示词很少一蹴而就。测试→发现问题→调整→再测试这个循环才是提示工程师的日常。五、Prompt Engineering 无法解决的问题问题类型说明纯计算问题AI的算术能力仍有局限需借助代码解释器如PAL技术实时信息模型知识有截止日期需用RAG或联网搜索补充精确的事实记忆AI会幻觉必须用RAG、CoVe等技术约束过度复杂的多步骤指令模型可能忽略部分指令需用Prompt Chaining拆解六、30个技巧速查总表编号技巧名称难度核心价值1无歧义指令⭐消除模糊输出2正面表述⭐提升指令执行力3上下文管理⭐精准定位知识库4指定受众⭐自动调整深度5界定符与分隔符⭐结构清晰化6角色设定⭐风格与术语对齐7明确输出格式⭐程序化调用8输出启动⭐⭐引导格式延续9零样本提示⭐⭐简单任务首选10少样本提示⭐⭐情境学习掌握模式11思维链 CoT⭐⭐⭐推理准确率暴涨12Zero-shot CoT⭐⭐一句咒语搞定推理13自一致性⭐⭐⭐多路径取共识14最小到最多⭐⭐⭐多步骤推理15思维树 ToT⭐⭐⭐⭐多线程回溯搜索16验证链 CoVe⭐⭐⭐专治幻觉17CO-STAR框架⭐⭐系统化构建提示词18RAG技术⭐⭐⭐⭐接入实时知识库19生成式知识提示⭐⭐答题前先列知识20提示链⭐⭐⭐复杂任务分解21元提示⭐⭐⭐⭐AI生成提示词22展示而非告知⭐⭐创作质量飞跃23深度角色扮演⭐⭐风格精准模仿24管理式提示⭐⭐像管程序员一样管AI25思考强度控制⭐⭐⭐编程调试神器26认知验证器⭐⭐⭐AI自检假设27事实查核清单⭐⭐⭐降低幻觉风险28反向互动⭐⭐AI帮你梳理需求29自定义暗语⭐⭐⭐重复性工作提速30版本控制与A/B测试⭐⭐⭐工程化管理提示词结语Prompt Engineering不是天赋而是一套可学、可练、可优化的系统工程。从最基础的无歧义指令开始逐步尝试思维链、自一致性、RAG等高级技巧你会发现AI的真正潜力远超想象。记住测试→发现问题→调整→再测试。这个循环就是提示工程师的日常也是你与AI对话水平持续跃升的唯一路径。