Prompt Engineering 完整指南：从入门到精通

什么是 Prompt Engineering？

Prompt Engineering（提示工程）是设计和优化输入提示以获得 LLM 期望输出的技术。一个好的 prompt 可以显著提升模型的表现，在某些场景下甚至比模型本身更重要。

一、基础原则

1.1 清晰明确

❌ 不好的提示：
"写点东西"

✅ 好的提示：
"请撰写一篇 800 字的博客文章，主题是'人工智能在教育领域的应用'。要求：
- 包含 3 个实际案例
- 使用通俗易懂的语言
- 以教师为主要读者对象
- 结尾给出未来展望"

1.2 提供上下文

❌ 模糊的上下文：
"总结这篇文章"

✅ 清晰的上下文：
"你是一位专业的科技评论员。请阅读以下文章（关于 GPT-4 的技术报告），
然后写一份 300 字的摘要，突出技术亮点和创新点，语言风格要专业但易懂。"

1.3 指定输出格式

"请分析以下代码的复杂度：
- 使用大 O 表示法
- 说明时间复杂度和空间复杂度
- 如果有优化建议，一并提出

代码：
def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n-1) + fibonacci(n-2)"

二、核心技巧

2.1 Role Prompting（角色扮演）

# 给 LLM 赋予特定角色
role_prompts = {
    "teacher": "你是一位经验丰富的中文教师，擅长用生动的例子解释复杂概念。",
    "coder": "你是一位资深软件工程师，遵循 Clean Code 原则，注重代码质量。",
    "doctor": "你是一位三甲医院的主治医师，具有丰富的临床经验。",
    "lawyer": "你是一位专业律师，熟悉中国法律法规，擅长法律文书写作。",
    "copywriter": "你是一位广告文案策划，创意丰富，文笔优美。",
}

prompt = f"""{role_prompts['teacher']}

请用比喻的方式向小学生解释什么是光合作用。
要求：
1. 使用 2-3 个生活中的类比
2. 避免专业术语
3. 控制在 200 字以内"""

2.2 Few-shot Prompting（少样本提示）

few_shot_template = """
请将以下中文句子翻译成英文：

示例 1：
中文：我今天去了超市买了一袋苹果。
英文：I went to the supermarket today and bought a bag of apples.

示例 2：
中文：她的生日是下个星期五，我们打算给她一个惊喜派对。
英文：Her birthday is next Friday, and we plan to throw her a surprise party.

现在请翻译：
中文：{chinese_sentence}
英文：
"""

# 使用示例
prompt = few_shot_template.format(
    chinese_sentence="这本书很有趣，我已经读了两遍了。"
)

2.3 Chain-of-Thought（思维链）

cot_prompt = """
问题：一个水池有两个水管。A 管单独注满需要 4 小时，B 管单独注满需要 6 小时。
如果两个水管同时打开，需要多长时间注满水池？

逐步思考：
1. A 管每小时注满 1/4 水池
2. B 管每小时注满 1/6 水池
3. 两管同时打开，每小时注满 1/4 + 1/6 = 3/12 + 2/12 = 5/12 水池
4. 注满整个水池需要 1 ÷ (5/12) = 12/5 = 2.4 小时

答案：2.4 小时（2 小时 24 分钟）
"""

# 引导模型模仿这种推理模式
question = "一辆车以 60km/h 的速度行驶 2 小时，然后又以 80km/h 的速度行驶 3 小时，总路程是多少？"
prompt = f"{cot_prompt}\n\n问题：{question}\n\n逐步思考："

2.4 ReAct（Reasoning + Acting）

react_prompt = """
你是一个可以思考和行动的 AI 助手。遵循以下格式：

思考：分析问题，确定需要采取的行动
行动：调用工具 [工具名]
观察：工具返回的结果
...（重复以上步骤）
答案：最终答案

可用工具：
1. Search[query] - 搜索网络
2. Calculator[expression] - 计算表达式
3. Python[code] - 执行 Python 代码

问题：北京到上海的距离是多少？如果开车以平均 100km/h 的速度，需要多长时间？

开始：
"""

# 期望输出：
# 思考：需要知道北京到上海的距离，然后计算时间
# 行动：Search[北京到上海距离]
# 观察：约 1200 公里
# 思考：距离已知，计算时间 = 距离/速度
# 行动：Calculator[1200/100]
# 观察：12 小时
# 答案：约 12 小时

2.5 Instruction Following（指令遵循）

instruction_template = """
请严格遵循以下格式要求：

# 输入
{input}

# 输出格式

标题：[简短标题] 摘要：[2-3 行概述] 关键点：

• [关键点 1]
• [关键点 2]
• [关键点 3] 结论：[最终结论]

请严格按照上述格式输出，不要添加额外内容。

输入内容：
{content}
"""

三、高级技术

3.1 Self-Consistency（自一致性）

def self_consistency(question, n_samples=5):
    """多次采样，选择最一致的答案"""
    responses = []
    for _ in range(n_samples):
        prompt = f"""
问题：{question}

请独立思考和回答，不要受到之前回答的影响。
        """
        response = llm(prompt)
        responses.append(extract_answer(response))

    # 聚类并投票
    most_common = Counter(responses).most_common(1)[0]
    return most_common[0]

3.2 Tree of Thoughts（思维树）

# 在关键决策点生成多个推理路径
tot_prompt = """
问题：{problem}

步骤 1：列出至少 3 种不同的解决思路
思路：
1.
2.
3.

对于每种思路，请评估：
- 可行性
- 复杂度
- 潜在风险

然后选择最优方案并执行。
"""

3.3 Automatic Prompt Engineering

# 使用 LLM 自动优化 prompt
def optimize_prompt(task_description, initial_prompt, examples):
    """通过迭代优化 prompt"""
    optimization_prompt = f"""
任务：{task_description}

当前 prompt：
{initial_prompt}

训练示例：
{format_examples(examples)}

问题：当前 prompt 在某些示例上表现不佳。
请分析失败的示例，并提出改进建议。

返回格式：
- 问题分析
- 修改建议
- 优化后的完整 prompt
    """
    optimized = llm(optimization_prompt)
    return extract_prompt(optimized)

四、领域特定 Prompt

4.1 代码生成

code_gen_prompt = """
你是一位资深 {language} 开发工程师。

要求：
1. 编写可运行的代码
2. 遵循 PEP8 / ESLint 等规范
3. 添加类型注解（TypeScript/Python）
4. 编写单元测试
5. 代码要有清晰注释

问题：
{problem_description}

请提供：
1. 完整实现
2. 使用示例
3. 复杂度分析
4. 可能的优化方向
"""

4.2 文本摘要

summarization_prompt = """
请对以下文本进行摘要：

[文本开始]
{document}
[文本结束]

摘要要求：
- 长度：原文的 20-30%
- 保留核心论点和关键数据
- 使用客观中立的语调
- 输出格式：段落形式
"""

4.3 情感分析

sentiment_prompt = """
分析以下文本的情感倾向：

文本："{text}"

请按以下 JSON 格式输出：
{{
    "sentiment": "positive/negative/neutral",
    "confidence": 0.0-1.0,
    "key_phrases": ["短语1", "短语2"],
    "summary": "情感简述"
}}
"""

五、常见陷阱与解决方案

5.1 幻觉问题

# ❌ 容易引发幻觉
prompt = "介绍量子计算机的最新进展"

# ✅ 降低幻觉
prompt = """仅基于以下信息回答问题：

[提供的参考资料]

如果资料中未提及，请回答"无法从给定资料中找到相关信息"。

问题：[具体问题]
"""

5.2 指令忽略

# ❌ 模型可能忽略格式要求
prompt = "回答问题。输出 JSON。"

# ✅ 强化格式约束
prompt = """
你**必须**严格按照以下 JSON Schema 输出：

```json
{
  "type": "object",
  "properties": {
    "answer": {"type": "string"},
    "confidence": {"type": "number"}
  },
  "required": ["answer", "confidence"]
}

任何偏离此格式的回复都是错误的。 """

### 5.3 长度控制

```python
# 精确控制输出长度
prompt = """
请用 **恰好 3 句话** 总结以下文章。

文章：{content}

回复格式：
[第 1 句]
[第 2 句]
[第 3 句]
"""

六、Prompt 测试与评估

import pandas as pd
from sklearn.metrics import accuracy_score, rouge_score

def evaluate_prompt(prompt_template, test_cases):
    """评估 prompt 效果"""
    results = []

    for case in test_cases:
        prompt = prompt_template.format(**case["input"])
        response = llm(prompt)
        score = calculate_metrics(response, case["expected"])

        results.append({
            "input": case["input"],
            "expected": case["expected"],
            "actual": response,
            "score": score
        })

    df = pd.DataFrame(results)
    print(f"平均得分: {df['score'].mean():.3f}")
    return df

def calculate_metrics(prediction, ground_truth):
    """自定义评分函数"""
    # BLEU、ROUGE、BERTScore 等
    from rouge import Rouge
    rouge = Rouge()
    scores = rouge.get_scores(prediction, ground_truth)
    return scores[0]["rouge-l"]["f"]

七、最佳实践清单

✅ 一定要做的事：

1. 提供清晰的示例：如果可能，提供正例和反例
2. 分解复杂任务：将大任务拆成小步骤
3. 指定角色：给模型设定一个专业角色
4. 定义输出格式：明确要求 JSON、列表、表格等结构
5. 使用分隔符：用 ``` 或 --- 分隔不同部分
6. 控制长度：明确字数或句子数要求
7. 添加约束：如”不要编造”、“如果不确定请说明”
8. 迭代测试：在小样本集上快速测试优化
9. 记录版本：保存每次 prompt 及其效果
10. 保持简洁：删除不必要的指令

❌ 避免做的事：

1. 不要过度复杂：太多指令会让模型困惑
2. 不要术语混用：保持术语一致性
3. 不要模糊表述：避免”可能”、“也许”等词
4. 不要忽视安全：添加安全过滤和检查机制
5. 不要忽略用户画像：根据目标用户调整语气和深度

八、实用工具

# Prompt 模板管理
pip install promptlayer langsmith

# 版本追踪
pip install dvc

# 评估框架
pipackage evals openai

总结

Prompt Engineering 是一门实验科学，没有一成不变的”最佳 practice”。关键是：

1. 理解模型特性：了解你使用的 LLM 的能力边界
2. 持续迭代：通过 A/B 测试不断优化
3. 记录实验：追踪每次修改的效果
4. 领域适配：针对特定任务定制策略

记住：好的 prompt = 清晰的指令 + 丰富的示例 + 合理的约束

---

参考资源

• OpenAI Prompt Engineering Guide
• LangChain Prompt Templates
• “The Art of Asking ChatGPT for High-Quality Answers”