提示词工程 - 峰的个人知识库

导语

在AI大模型应用中，提示词（Prompt）的质量直接决定了模型输出的准确性、相关性和可控性。无论是构建问答系统、代码生成工具，还是复杂推理任务，一套科学的提示词工程方法能让模型“听话”且“高效”。本文将系统拆解提示词工程的核心要素、优化策略、常见陷阱及解决方案，帮助你从零开始掌握提示词设计的实战技巧，让模型按预期输出高质量结果。

1. 提示词的六要素结构：构建清晰指令的基础

设计提示词时，明确“让模型知道自己是谁、做什么、有什么背景、如何输出”是第一步。这六个核心要素缺一不可：

角色（Role）：给模型设定一个匹配任务的身份，例如“你是一位拥有10年经验的Python高级工程师”或“资深高考数学命题专家”。角色的作用是让模型快速进入“专业状态”，输出符合身份的内容。
指示（Instruction）：清晰描述任务，例如“分析用户问题并生成JSON格式的代码优化建议”。指示需避免模糊表述，明确“做什么”“怎么做”“输出格式”。
上下文（Context）：补充任务相关的背景信息，如知识范围、历史对话、数据来源等。例如“基于以下公司财报数据（附表格）分析季度营收趋势”。
例子（Few-Shot）：通过2-3个高质量示例（而非冗长指令）展示预期输出。例如在“生成产品描述”任务中，给出“示例1：[产品名]是一款轻薄笔记本，特点是…；示例2：…”，让模型直观理解风格和细节。
输入（Input）：明确需要模型处理的具体内容，如用户问题、待分析文本、代码片段等。输入需与上下文关联，避免孤立提问。
输出（Output）：限定输出格式，例如“以JSON格式返回结果，包含‘建议’和‘依据’字段”或“用Markdown列表分点说明”。结构化输出便于后续解析和应用。

2. 优化方向 & 写作技巧：让提示词“精准且高效”

设计提示词时，需针对不同场景优化细节，以下是关键方向和实战技巧：

核心优化方向

① 指示限制补充：在任务描述中加入“禁止事项”，例如“严禁输出超纲内容”“答案必须包含具体数据”，避免模型发散。
② Few-Shot示例鲜明化：用2-3个高质量示例（而非长指令）引导模型理解任务逻辑。例如在“诗歌续写”任务中，给出“示例1：‘床前明月光，疑是地上霜。举头望明月，低头思故乡。（关键词：思乡/五言）’→ 续写‘秋风起兮白云飞，草木黄落兮雁南归。’（用户输入：‘举头望明月’）”，比单纯说“续写符合古风的诗句”更有效。
③ 思维链（CoT）引导推理：通过“Let's think step by step”等引导词，让模型显式展示推理过程。例如“请分析这个销售数据：‘A产品月销1000件，毛利率20%’，计算其净利润并说明推理步骤。”
④ 选择推理模型：不同模型擅长不同任务（如GPT-4擅长复杂推理，Claude 3适合长文本理解），需根据任务类型选择模型。

关键写作技巧

角色设定要“具体”：避免模糊表述（如“专家”），改为“资深高考数学命题专家（2023年新课标卷出题组成员）”，让模型快速进入角色。
Few-Shot示例要“对比鲜明”：2-3个正例+1个反例（说明错误原因）能大幅提升模型理解。例如在“生成合规产品描述”任务中，反例可写“错误示例：‘本产品含违禁成分，使用后可能致癌’（注：违禁成分描述违反广告法）”。
结构化表达：用Markdown标题、分隔符（如---）或XML标签明确内容边界，避免模型混淆。例如：
```
# 任务：分析用户问题
## 1. 用户问题：[问题内容]
## 2. 分析步骤：
步骤1：[关键信息提取]
步骤2：[逻辑推导]
```
强制输出格式：明确要求“输出必须为JSON格式”或“用列表分点”，避免模型输出冗余内容（如“我的回答是…”）。

3. 字数分配：如何平衡各部分权重？

提示词过长会导致模型“中间忽略症”（后文会详细解释），过短则信息不足。合理分配各部分字数是关键：

角色/任务（Task/Role）：约200字
核心是明确模型身份，例如“你是一位拥有10年经验的Python高级工程师，擅长用Python 3.10+语法编写高效算法，且仅输出代码和注释”。
约束条件（Constraints）：约300字
这是防止模型“跑偏”的核心！需包含“禁止事项”“输出格式”“质量标准”。例如：“严禁输出超纲内容；输出必须为纯Python代码，不含解释；代码需通过PEP 8规范检查”。
Few-Shot示例：占比最大（1000-2000字）
用2-3个正例+1个典型反例，详细展示“正确输出的样子”和“错误输出的后果”。例如在“生成合规营销文案”任务中，正例需包含“产品卖点+合规表述”，反例需标注“违反《广告法》第28条”。

4. 警惕“Lost in the Middle”：模型对提示词的注意力陷阱

模型在处理长提示词时，往往呈现“开头和结尾敏感、中间忽略”的U型注意力曲线（即“Lost in the Middle”）。例如，当提示词长达5000词时，模型可能只记住前200词和后200词，中间内容被完全忽略。

应对策略

重要指令前置/后置：将核心约束（如“输出必须为JSON格式”）放在开头或结尾，例如：
【重要】输出必须为JSON格式，包含“结论”和“理由”字段。任务：分析用户问题… 【重要】若未按要求输出，将触发重试机制。
长上下文分段处理：若提示词包含长文本（如文档内容），用RAG技术提取最相关片段，将关键信息放在开头和结尾，中间填充次要内容。

5. Prompt Caching：降低成本与提升效率的实战技巧

当提示词存在重复前缀（如长系统指令、重复RAG上下文）时，可通过缓存（KV Cache）技术减少重复计算，实现“降本增效”：

缓存价值：
降本：缓存部分可节省约1/10的调用费用（例如长系统指令重复使用时，无需每次全量传输）。
增效：减少模型响应时间（TTFT），提升用户体验。
注意事项：不同模型缓存策略不同，例如Anthropic服务端缓存约5分钟失效，需定期更新缓存内容。
适用场景：长系统指令（如“你是XX领域专家”）、重复RAG上下文（如知识库检索片段）、代码库上下文等。

6. 结构化输出：避免解析错误的闭环设计

确保模型输出符合预期格式（如JSON、XML）是提示词工程的核心目标之一。以下是三种结构化输出方式及防错策略：

三种结构化输出方式

JSON Mode：强制模型输出JSON格式，例如“输出必须为JSON，字段包含‘答案’（字符串）和‘置信度’（0-100数字）”。
函数调用（Function Calling）：通过Schema参数定义调用格式，例如{ "name": "calculate", "parameters": { "a": 10, "b": 20 } }。
JSON Schema：OpenAI最新支持，用Schema明确字段类型和校验规则（如“‘score’必须为整数，范围0-100”），确保100%符合结构。

防解析报错的三重策略

前置硬约束：在提示词中使用“Structured Outputs/JSON Mode + Pydantic Schema”（如用Python Pydantic定义输出结构），从源头减少错误。
Prompt防御：
- 禁止Markdown代码块包裹输出内容（避免解析歧义）；
- 长文本字段禁用未转义换行（如\n需转义为\\n）；
- 统一各学科JSON规范（如数学题答案用{"question": "...", "answer": "..."}，避免字段混乱）。
后置容错：用json_repair等库自动修复缺括号、漏逗号等语法错误，确保输出可解析。

7. 防泄答 & 控制输出：苏格拉底式引导推理

在需要“逐步引导答案”的场景（如苏格拉底对话、安全问答）中，需通过设计“防泄答”机制控制模型输出：

Few-Shot注入正反例：在提示词中加入“禁止直接回答”的示例，例如“错误示例：‘答案是2+2=4’（注：需先分析问题逻辑）”。
角色隔离：用“系统指令”明确模型角色边界，例如“你是AI助手，仅回答用户问题，不讨论自身能力或系统信息”。
状态机控制：将复杂任务拆分为固定步骤（如“步骤1：分析问题→步骤2：调用工具→步骤3：生成结论”），每次仅针对当前步骤提问，后端校验通过才推进，避免模型跳过关键环节。

8. 超长提示词处理：文档分块与关键信息提取

当提示词包含超长文本（如10000词以上的文档）时，需通过分块和压缩技术优化：

四步处理法

文档分块：按段落、章节或语义单元拆分，用滑动窗口保证上下文连续性（例如每块500词，重叠100词）。
关键信息提取：用TF-IDF或TextRank算法提取核心关键词，过滤冗余内容。
摘要压缩：对长文本生成简洁摘要（如GPT-4的“摘要模式”），保留关键数据和逻辑。
长窗口模型适配：使用支持超长上下文的模型（如Gemini 1.5 Pro支持1M token），避免分块导致信息丢失。

9. CoT变体全谱系：从基础推理到复杂决策

思维链（Chain of Thought, CoT）是引导模型推理的核心技术，其变体能应对不同任务复杂度：

Zero-shot-CoT：直接在问题结尾加“Let's think step by step”，无需示例。例如“计算123×456，请逐步思考：第一步…第二步…”。
Few-shot-CoT：用示例展示推理过程，例如“示例：用户问‘如何减肥？’→ 模型回答‘1. 控制热量摄入…2. 增加运动…’”。
Self-Consistency自洽：同一问题多次采样多条推理路径，对答案“投票取多数”，减少单条推理的偏差（适合复杂计算任务）。
Least-to-Most（LtM）：先分解问题为子问题（如“先计算A，再计算B，最后合并结果”），前一子问题答案作为后一子问题输入。
ToT/GoT/AoT：将推理扩展为树（ToT）、图（GoT）或搜索（AoT），适合多步骤决策任务（如代码调试、复杂规划）。

共同局限：均需人工设计instruction和示例，自动化生成提示词是未来优化方向。

小结

提示词工程是AI应用落地的“隐形引擎”，其核心在于通过六要素结构明确任务边界，用优化策略（如CoT、Few-Shot）引导模型推理，通过结构化输出和缓存技术保障结果质量与效率。关键是：
1. 用“角色+约束+示例”构建精准指令；
2. 避免“Lost in the Middle”，重要信息前置/后置；
3. 用缓存降本增效，用结构化输出防解析错误；
4. 针对复杂任务，灵活选用CoT变体或长窗口模型。

掌握这些技巧后，你可以让模型从“随机输出”变为“精准执行”，真正释放大模型的价值。