本攻略基于多份公开资料（包括 Google Cloud Prompt Engineering Guide）以及作者实践经验，力求提供一份可直接落地的中文手册。
1 为什么要关心提示词？
- 效率：一条写得好的提示能节省大量反复调试的时间。
- 质量：模型输出好坏与提示设计直接挂钩。
- 安全：合适的约束能显著降低偏见或敏感内容的风险。
- 可控性：通过精细提示，我们可以让模型“说人话”、守规则。
2 提示词的三大核心理念
-
上下文即一切
LLM 不会“记住”世界，它只看你给的文本。你给的信息越充足，答案越贴合。 -
示范胜于描述
相比“请输出 JSON”，直接给一段 JSON 示例往往更有效。 -
逐步思考 VS 一步到位
对复杂任务，先让模型写思路再给结果（Chain‑of‑Thought，思维链简称 CoT）通常更稳。
3 五大黄金法则
| # | 法则 | 说明与例子 |
|---|---|---|
| 1 | 动词开头，目标清晰 | ✅“生成 5 句广告文案” ⛔“帮我想想…” |
| 2 | 补足背景 | “受众：初中生；主题：可持续能源” |
| 3 | 示例驱动 | Few‑Shot > One‑Shot > Zero‑Shot，给出例子 |
| 4 | 格式先行 | 明确输出结构：Markdown、表格、JSON… |
| 5 | 可迭代 | 每次只改动一处，再对比效果 |
4 写作套路与范式
4.1 指令式（Instruction）
你是一名 SEO 专家。请根据下列关键词写一段 160 字以内的简洁描述，避免重复词。
关键词：绿色出行、共享单车、低碳生活
4.2 场景设定（Role + Context）
背景：一位 10 岁小学生在做有关火山的科普演讲。
你的任务：用通俗语言解释“板块俯冲”现象，控制在 120 字以内。
4.3 Few‑Shot 示例
【示例】
输入：鳄梨 -> 输出：一种富含健康脂肪的热带水果
输入：胡萝卜-> 输出：富含 β‑胡萝卜素的根茎蔬菜
【任务】
输入：黑豆 -> 输出：
4.4 Chain‑of‑Thought（思维链分步推理）
先展示推理步骤，再给最终结论。
问题：一辆车以 60km/h 行驶 1.5 小时，行驶了多少公里？
步骤：
1. …
2. …
答案：
5 提示词调优工作流
- 初稿：基于“五大黄金法则”草写 Prompt。
- 小样测试：选择 5‑10 条典型输入跑模型，打分。
- 问题定位：输出偏题？格式不符？内容走样？
- 微调：
- 增删上下文
- 调整示例顺序
- 引入 CoT 或移除冗余词
- 回归测试：确保新改动没破坏旧场景。
建议将测试输入与期待输出保存为单元测试脚本，持续集成。
6 常见“踩坑”与修复
| 症状 | 可能原因 | 快速修复 |
|---|---|---|
| 内容跑题 | 目标不够具体 | 用动词+限定条件重写指令 |
| 逻辑跳步 | 未显式要求思考过程 | 加一句“请逐步推理” |
| 长篇大论 | 没有限定长度 | 加字符/段落上限或示例 |
| 数据造假 | 缺少信息来源约束 | 加“仅使用给定文本，不要编造” |
| 敏感输出 | 缺少价值观指引 | 加“请遵守…准则，避免…” |
7 场景示例集锦
| 领域 | 示例 Prompt 片段 |
|---|---|
| 产品运营 | “生成 5 条适合 TikTok 的 15 秒旁白脚本，语气幽默，含号召行动” |
| 数据分析 | “根据下表数据写一段 100 字洞察，结尾给出一条改进建议” |
| SQL 生成 | “根据以下自然语言需求写 SQL，表结构在附件” |
| 图像创作 | “一只穿宇航服的考拉，在月球剪影下喝咖啡，数字油画风” |
| 教育 | “为 7 年级学生设计 3 个概率游戏，每个用 3 句描述” |
8 进阶：自动化与工具链
- 模板引擎：Jinja2 / Liquid – 把 Prompt 写成可参数化模板。
- 向量数据库检索：先用 Embedding 找到相关文档，再插入 Prompt（RAG）。
- 评分模型：用另一个 LLM 或规则打分，实现自动 A/B 对比。
- 多 Agent 协作：规划‑执行‑校对三个角色串联完成复杂任务。
结语
提示词工程 ≠ 花哨写作，而是一门以最小成本激发 LLM 最大潜能的系统方法。
记住：目标 > 上下文 > 示例 > 约束 —— 然后不断迭代，你的提示词将成为生产力的新杠杆。