30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度这类教程最值得先看的不是它覆盖了多少知识点而是能不能帮你把“提示词工程”从一堆模糊的概念变成能立刻上手、解决实际问题的具体技能。很多人学完还是不知道怎么写第一个有效的提示或者不清楚怎么把学到的技巧用到自己的项目里。我建议你先别急着看几十个小时的视频而是抓住几个核心怎么给模型下指令它才听得懂、怎么设计输入格式、怎么控制输出质量以及怎么把这些技巧集成到真实的开发流程里。下面我会按实际落地的顺序把从入门到能干活的关键环节拆开讲清楚。1. 先搞清楚“提示工程”到底在解决什么问题很多人一上来就找各种“魔法提示词”以为背下来就能用。但提示工程的核心不是背模板而是建立一套和大型语言模型LLM有效沟通的方法论。它要解决的是几个很实际的问题1.1 为什么我的问题模型总答非所问这通常是因为指令太模糊。模型不是人它需要非常明确的边界。比如你说“写一份报告”模型不知道你要什么风格、多长、给谁看。但如果你说“用项目周报的格式写一份300字左右的总结面向技术团队重点突出本周完成的三个开发任务和遇到的一个阻塞问题”模型输出的东西立刻就能用了。关键点指令要放在提示的最前面并且用###或这样的符号把指令和你要它处理的具体内容分开。这是OpenAI官方建议的最佳实践能显著提升模型对任务的理解。1.2 除了聊天LLM还能干什么实际工作聊天只是最基础的交互。在开发中LLM可以成为强大的处理引擎。常见场景包括内容生成与转换自动生成产品描述、邮件、代码注释将一种格式如JSON转换成另一种格式如Markdown表格。信息提取与总结从长文档中提取关键实体公司、人名、日期、归纳会议纪要、生成摘要。分类与审核对用户反馈进行情感分类自动标记工单优先级。代码辅助根据注释生成函数代码、解释代码片段、重构代码。关键点不要只把LLM当聊天机器人。把它想象成一个具有强大文本理解和生成能力的“函数”你的提示就是在调用这个函数时传入的“参数”和“上下文”。1.3 学这个对我做项目有什么直接帮助无论你是想快速搭建一个智能客服原型还是做一个自动分析数据并生成报告的工具甚至是开发一个复杂的智能体Agent提示工程都是最前端的、决定成败的环节。一个好的提示设计能让你用最小的代价可能完全不用微调模型就获得可用的结果。它是连接你的业务逻辑和LLM能力的桥梁。2. 环境与工具准备从API开始最实际理论懂了接下来就要动手。对于绝大多数开发者直接从云服务商的API开始是最快、最稳的路径能避开本地部署的各种环境坑。2.1 核心工具选择OpenAI API vs. 国内替代方案OpenAI API生态最成熟文档和社区资源最丰富。对于学习和构建面向国际用户的应用是首选。你需要关注的是如何清晰、安全地管理你的API Key。国内大模型API如果主要用户在国内或者需要考虑网络延迟、合规性国内主流厂商的API是必须考虑的选项。例如百度文心、阿里通义、智谱GLM等都提供了功能类似的API服务。它们的调用方式、参数命名可能略有不同但核心的提示工程思想是完全通用的。重要提醒无论用哪个服务绝对不要在网上搜索或使用他人分享的API Key。这极度不安全可能导致你的账号被封、费用被盗刷。务必通过官方渠道注册账号并获取自己的Key。2.2 快速开始你的第一个API调用我们以OpenAI API为例其他API思路类似用Python快速走通流程。首先安装必要的库pip install openai然后准备一个最简单的脚本。这里的关键不是代码多复杂而是理解调用结构import openai # 1. 设置API Key - 从环境变量读取是最佳实践不要硬编码在代码里 openai.api_key os.getenv(OPENAI_API_KEY) # 2. 构建你的第一个提示 response openai.chat.completions.create( modelgpt-3.5-turbo, # 对于入门这个模型性价比高速度也快 messages[ {role: system, content: 你是一个有帮助的助手。}, # 系统指令设定角色 {role: user, content: 用一句话解释什么是人工智能。} # 用户问题 ], temperature0.7, # 控制创造性0-2之间越高越随机 max_tokens150 # 限制回答的最大长度 ) # 3. 提取结果 print(response.choices[0].message.content)跑通这个你就完成了从0到1的关键一步。接下来所有复杂的提示技巧都是在这个基础上对messages和参数进行优化。2.3 参数初探temperature 和 max_tokenstemperature(温度)这是最重要的创意控制旋钮。temperature0输出确定性最高每次问同样的问题得到几乎一样的答案。适合事实问答、数据提取、代码生成等需要准确性的任务。temperature0.7~1.0常用的平衡点有一定创造性回答不死板。temperature1.0输出非常随机可能产生无意义或跑题的内容一般不建议。max_tokens(最大令牌数)这不是让你用来控制回答“刚好5句话”的。它是生成过程的安全上限防止模型“说个没完”消耗你的费用。如果你经常碰到回答被截断就需要调大这个值。3. 从“有效”到“高效”核心提示技巧拆解现在你已经能调用API了我们来解决“怎么写提示”这个核心问题。下面这些技巧不是孤立的你需要根据任务组合使用。3.1 技巧一角色扮演System Prompt通过system消息给模型一个明确的身份能极大约束其行为风格。messages [ {role: system, content: 你是一位经验丰富的软件架构师擅长用简洁、清晰的语言解释复杂的技术概念。}, {role: user, content: 请解释一下微服务架构和单体架构的主要区别。} ]对比一下不设system或者设为“你是一个搞笑艺人”的回答你会发现输出风格天差地别。这是成本最低、效果最显著的提示技巧。3.2 技巧二结构化指令与示例Few-Shot Prompting对于格式要求严格的任务如提取特定字段、生成固定格式的JSON光用文字描述不够直接给例子。零样本Zero-Shot只给指令不给例子。适合简单任务。提示“从句子中提取地名。”少样本Few-Shot给一两个例子模型就能举一反三。这是提示工程的精髓。提示请从用户问题中提取产品名称和问题类型。 例子1 用户说“我的iPhone 15屏幕碎了怎么办” 输出{product: iPhone 15, issue_type: 硬件损坏} 例子2 用户说“微信的最新版本总是闪退。” 输出{product: 微信, issue_type: 软件崩溃} 现在请处理 用户说“刚买的华为笔记本无法充电。” 输出关键点例子要典型、格式要一致。模型会模仿你给的例子结构来生成输出。3.3 技巧三思维链Chain-of-Thought, CoT对于需要逻辑推理、数学计算或分步骤解决的问题要求模型“一步步思考”能大幅提升答案的准确性。差提示“小明有5个苹果吃了2个又买了3个他现在有几个苹果”好提示“让我们一步步思考小明一开始有5个苹果。他吃了2个所以剩下 5 - 2 3 个苹果。然后他又买了3个所以现在他有 3 3 6 个苹果。因此小明现在有6个苹果。” 在提示中要求模型展示推理过程不仅答案更准你也更容易排查它哪里想错了。3.4 技巧四给模型“思考时间”对于复杂任务可以设计多轮对话让模型分阶段工作。这模拟了人类解题的过程。# 第一轮拆解任务 messages [ {role: user, content: 我需要分析一篇关于新能源汽车的市场报告并给出一份摘要。我应该先做什么再做什么请列出步骤。} ] # 获取模型建议的步骤... # 第二轮执行第一步 messages.append({role: assistant, content: 第一步通读全文标记出涉及市场规模、主要品牌、技术趋势和挑战的段落。}) messages.append({role: user, content: 好的这是报告原文[报告文本]。请执行你建议的第一步。}) # ... 如此往复这种方法在构建复杂Agent时非常有用让模型自己规划任务。4. 超越单次问答构建真实应用的关键模式掌握了写单个提示的技巧后我们要把它们串起来解决更实际的问题。这里介绍两种最主流的应用模式。4.1 模式一检索增强生成RAG这是目前让LLM“懂”你私有知识的最实用方案。核心思想不是把整个知识库塞给模型有长度和成本限制而是先根据问题找到最相关的文档片段再把片段和问题一起交给模型生成答案。一个简化的RAG工作流知识库处理将你的文档PDF、Word、网页拆分成小块chunks并转换成向量embeddings存入向量数据库如Chroma, Pinecone, Weaviate。用户提问用户输入一个问题。检索将用户问题也转换成向量在向量数据库中搜索最相似的几个文本块。增强提示将检索到的相关文本块作为上下文和原始问题一起构成最终提示发送给LLM。生成答案LLM基于你提供的上下文生成回答。提示设计要点在RAG中你的提示模板通常长这样你是一个专业的客服助手请严格根据以下提供的上下文信息来回答问题。如果上下文里没有答案就如实说“根据已知信息无法回答”。 上下文 {context} 问题{question}这里的{context}就是检索到的文本块。一定要指令模型“根据上下文回答”否则它可能会用自己的知识编造答案幻觉问题。4.2 模式二智能体LLM Agent智能体让LLM不仅生成文字还能“使用工具”。你可以定义一些函数如查询数据库、调用天气API、执行计算然后让LLM根据用户请求决定调用哪个工具、传入什么参数。一个简单的Agent决策流程用户请求“北京今天天气怎么样”LLM思考“用户需要天气信息。我应该调用‘获取天气’的工具参数是‘城市北京’。”系统执行工具获取真实天气数据。将工具执行结果返回给LLM。LLM组织语言生成最终回答“北京今天晴气温15-25度。”实现框架LangChain、LlamaIndex等框架大大简化了构建RAG和Agent的复杂度。它们提供了连接LLM、工具、向量数据库的标准组件。你的提示工程工作就变成了为这些框架中的“链”Chain或“代理”Agent设计高质量的提示模板。5. 从演示到生产必须考虑的工程化问题能在笔记本里跑通Demo只是第一步。要真正用起来以下几个工程问题绕不开。5.1 提示模板管理不要在你的Python代码里到处写硬编码的提示字符串。一旦要修改会非常麻烦。推荐做法将提示模板放在配置文件如YAML、JSON或专门的模板文件中。# prompts.yaml summarization: system: 你是一个文本总结专家。 user: 请用不超过100字总结以下文本的核心内容\n\n{text}\n extraction: system: 你是一个信息提取助手。 user: 从以下文本中提取所有人名、地点和组织机构名并以JSON格式输出\n\n{text}\n在代码中读取并渲染这些模板。这样便于维护、协作和做A/B测试。5.2 处理长上下文与成本控制模型有上下文窗口限制如4K、16K、128K Token。超长文本需要处理。策略对于总结、问答先用RAG检索相关部分。对于需要全文分析的任务如分析整份合同可以考虑“Map-Reduce”方法先将长文档切分成段分别分析Map再将各段结果综合起来Reduce。成本监控API调用是按Token数输入输出收费的。在开发阶段就要养成习惯记录每次调用的Token消耗估算成本。对于高频应用设置预算警报和速率限制是必须的。5.3 评估与迭代怎么知道提示改好了改了几个词效果是变好还是变坏了不能靠感觉。建立评估集准备一批有标准答案的测试用例QA对。定义评估指标可以是准确率答案完全匹配、相似度用嵌入向量计算语义相似度或者是更复杂的、用另一个LLM来评判的“模型评分”。A/B测试将新旧两个提示模板在同一批测试用例上运行对比评估指标。只有数据能告诉你哪个更好。5.4 常见失败模式与排查输出不符合格式首先检查你的Few-Shot示例格式是否完全正确。模型会严格模仿。其次可以尝试在提示最后加上“请确保输出格式为...”。答案胡编乱造幻觉在RAG场景下强调“根据上下文”。在通用场景下可以加上“如果你不确定请说不知道”。也可以要求模型在回答中引用来源。回答冗长或跑题调整temperature到更低值如0.2同时使用max_tokens限制长度并在指令中明确要求“简洁回答”。API调用错误优先检查网络连接、API Key是否正确且有余额、模型名称是否拼写正确。然后查看官方文档的速率限制和配额说明。6. 学习路径与资源建议最后给一个务实的学习路线帮你把散落的知识点串起来第一周掌握基础目标能用API完成一次成功的调用。行动注册一个API服务国内外皆可用Python SDK写几个简单的聊天和问答程序。重点玩转system角色和temperature参数。第二周精通单提示技巧目标能针对特定任务总结、提取、分类、改写写出高效的提示。行动为每个任务类型用上一节的技巧设计3个不同版本的提示在同样的测试数据上运行比较结果。记录下什么指令最有效。第三周构建简单应用目标实现一个简单的RAG应用或工具调用Agent。行动选一个框架如LangChain用你的私人文档比如你的笔记搭建一个本地知识问答系统。或者定义一个“计算器”工具让LLM能解决数学问题。第四周及以后深入与优化目标解决实际项目中的问题并优化性能、成本。行动将提示工程应用到你的真实工作流中。开始管理提示模板建立评估体系关注Token消耗和响应延迟。关于教程和课件网上教程很多核心是“动手大于观看”。不要追求“最全”而要追求“最能用上”。找到一套有代码、能跑通的教程比如标题中提到的附带课件的跟着做一遍然后立刻用你自己的数据和需求去改造它这个过程比你被动看几十小时视频有价值得多。真正的提示工程能力是在不断“提问-观察输出-调整提示”的循环中练出来的。从一个明确的小任务开始写出你的第一个提示然后根据结果反复打磨这才是最快的学习路径。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度