Prompt Engineering 进阶：从"提问"到"工程"

同样一个问题，好的 Prompt 和差的 Prompt 输出质量差距可以达到 10 倍以上。Prompt 不是"问问而已"，而是一门工程学科。

一、为什么 Prompt 重要

LLM 本质是概率预测：给定上文，预测下一个最可能的 token。

模糊的 Prompt = 模糊的上下文 = 模糊的输出
结构化的 Prompt = 清晰的指令 = 稳定高质量的输出

二、Prompt 的五大原则

2.1 明确具体

❌ "写一篇文章" ✅ "写一篇 800 字的技术博客，主题是 Kubernetes 入门，面向后端开发者，包含 3 个代码示例，语气友好"

2.2 结构化组织

\\\`markdown

角色

你是 {role}

任务

{task}

要求

要求 1
要求 2

输出格式

按以下格式：

示例（可选）

输入：xxx 输出：xxx \\\`

2.3 提供上下文

\\\` 你不知道的事情：用户的产品是 XX SaaS 平台，主要客户是中小企业。 \\\`

2.4 给出示例（Few-shot）

\\\` 将以下句子翻译为英文：示例：输入：你好输出：Hello

输入：今天天气真好输出：

现在请翻译：机器学习很有趣 \\\`

2.5 指定输出格式

\\\` 请以 JSON 格式输出： { "category": "...", "tags": ["...", "..."], "summary": "..." } \\\`

三、核心技巧

3.1 角色扮演

\\\` 你是一位有 20 年经验的资深 PHP 工程师，擅长性能优化。请帮我分析以下代码的性能瓶颈： ... \\\`

效果：AI 会调用相关"领域知识"，输出更专业。

3.2 思维链（Chain of Thought）

\\\` 请一步步思考：

先分析问题

再列出每种方案的优缺点

最后给出推荐

问题：如何设计一个高并发的评论系统？ \\\`

效果：AI 不会跳过推理步骤，复杂问题正确率提升 30-50%。

3.3 少样本提示（Few-shot）

\\\` 把评论分类为：好评/差评/中性

示例：评论：这个东西真棒 → 好评评论：太差了 → 差评评论：还行吧 → 中性

现在分类：发货速度挺快 → \\\`

3.4 ReAct 模式

让 AI 推理 + 行动：

\\\` 回答问题时，请按以下格式：

思考：你的推理过程行动：使用什么工具（如果有）观察：工具返回的结果 ...

最终答案：xxx \\\`

这是 LangChain Agent 的核心思想。

3.5 自我批评

\\\` 回答后，请审视你的回答：

是否完整回答了用户问题？

是否有错误？

是否有更优的方案？

如果有，请修正。 \\\`

四、常用模板

4.1 内容创作

\\\` 你是 {角色}。

主题：{主题} 读者：{目标读者} 长度：{字数} 风格：{风格} 要求：

论点 1
论点 2
必须包含一个案例

请撰写。 \\\`

4.2 代码生成

\\\` 你是 {语言} 专家。

任务：{任务} 输入：{输入数据} 输出格式：完整的、可运行的代码，包含注释约束：

使用 {框架}
性能优化
错误处理

\\\`

4.3 数据提取

\\\` 从以下文本中提取 {字段}。

文本：{文本}

输出 JSON： { "field1": "value", "field2": ["v1", "v2"] } \\\`

4.4 翻译

\\\` 将以下文本翻译为 {目标语言}。要求：

保留原文格式（Markdown、代码等）
专业术语用 {领域} 习惯译法
语气：{正式/随意}

文本：{text} \\\`

五、高级技术

5.1 Meta-Prompting

让 AI 帮你写 Prompt：

\\\` 我想要一个 Prompt，用于 {场景}，要求：

输入是 xxx

输出是 xxx

风格要 xxx

请帮我设计这个 Prompt，并解释为什么这样设计。 \\\`

5.2 Prompt 链

复杂任务拆成多步：

\\\`python def pipeline(input): # 步骤 1: 提取关键信息 keywords = llm(f"从以下文本提取关键词：{input}") # 步骤 2: 基于关键词生成大纲 outline = llm(f"基于关键词 {keywords}，生成大纲") # 步骤 3: 基于大纲写文章 article = llm(f"基于大纲 {outline}，写一篇 1000 字文章") return article \\\`

每步用更小、专门的 Prompt，比一个大 Prompt 效果更好。

5.3 自一致性（Self-Consistency）

同一个问题问多次，取多数答案：

\\\`python answers = [llm(prompt) for in range(5)] final = mostcommon(answers) \\\`

适合需要确定性的场景（数学题、选择题）。

5.4 树形思考（ToT）

让 AI 探索多条思路：

\\\` 对每个方案：

评估可行性

列出优缺点

给出评分

最后选择最优方案。 \\\`

六、避坑指南

❌ 坑 1：Prompt 太长

不是越长越好。模型有注意力衰减，Prompt 超过 2000 tokens 后指令跟随能力下降。

❌ 坑 2：指令冲突

\\\` 请简洁回答，不要超过 100 字，详细说明每个步骤... \\\` 简洁 + 详细互相矛盾，AI 会困惑。

❌ 坑 3：依赖 AI 知识

\\\` 请根据官方文档说明 Laravel 11 的新特性 \\\` 如果 AI 训练数据没包含，它会编造。要提供原文。

❌ 坑 4：忽视版本

\\\` 用 Python 3.5 写代码 # 太老 \\\` 指定当前主流版本（如 Python 3.12）。

七、Prompt 优化工具

Promptfoo：A/B 测试 Prompt
LangSmith：追踪 Prompt 效果
Helicone：LLM 可观测性
Vellum：Prompt 实验室

八、实战示例

8.1 文章摘要

\\\`markdown 你是内容编辑。

任务：为以下文章写 3 个不同风格的摘要：

学术风（严谨）

营销风（吸引点击）

简洁风（一句话）

要求：

每条不超过 50 字
保留核心信息

文章：[粘贴文章] \\\`

8.2 代码审查

\\\`markdown 你是资深代码审查员。

请审查以下代码，重点关注：

安全漏洞（SQL 注入、XSS、CSRF）

性能问题（N+1 查询、内存泄漏）

可维护性（命名、结构、注释）

输出格式： 🔴 严重：[问题 + 修复建议] 🟡 警告：[...] 🟢 建议：[...]

代码：[粘贴代码] \\\`

8.3 SQL 生成

\\\`markdown 你是 SQL 专家，擅长 MySQL 8.0。

表结构：

users (id, name, email, createdat)
orders (id, userid, amount, status, created_at)

需求：找出 2025 年 1 月消费超过 1000 元的 VIP 客户邮箱，按消费总额降序。

要求：

索引友好
处理 NULL
LIMIT 100