Prompt Engineering详解

Prompt Engineering 详解

概述

Prompt Engineering（提示词工程） 是设计和优化输入给大语言模型（LLM）的提示词，以获得更准确、更符合预期输出的技术。

💡 提示: 核心思想
大模型的输出质量很大程度上取决于输入的质量。好的 Prompt = 好的结果。

为什么需要 Prompt Engineering

问题 原因 解决方案
输出不准确 问题描述模糊 明确任务目标
格式混乱 缺少格式约束 指定输出格式
缺少深度 上下文不足 提供背景信息
推理错误 一步到位太难 引导逐步思考

一、基础提示技术

1.1 Zero-shot Prompting

定义：不提供任何示例，直接向模型提问。

1
2
将以下文本翻译成英文：
今天天气真好，适合出去散步。

适用场景：简单任务、模型已经训练过的常见任务。

优点：简单直接
缺点：复杂任务效果差

1.2 One-shot Prompting

定义：提供 1 个示例，引导模型理解任务格式。

1
2
3
4
5
6
7
8
9
请将中文翻译成英文：

示例：
中文：苹果
英文：Apple

请翻译：
中文：香蕉
英文：

1.3 Few-shot Prompting

定义：提供多个（通常 3-5 个）示例，让模型学习模式。

1
2
3
4
5
6
7
8
9
10
11
12
13
请根据以下示例，对用户评论进行情感分类：

评论：这个产品太棒了，物超所值！
情感：正面

评论：质量一般，不推荐购买。
情感：负面

评论：还行吧，中规中矩。
情感：中性

评论：快递超快，包装也很好，非常满意！
情感：

📝 注意: 最佳实践

  • 示例要多样化，覆盖不同情况
  • 示例格式要与期望输出一致
  • 3-5 个示例通常足够，太多可能造成干扰

二、推理增强技术

2.1 Chain of Thought (CoT) - 思维链

定义：引导模型展示推理过程，逐步得出答案。

基础 CoT

1
2
3
问题：一个商店有 23 个苹果，卖掉了 7 个，又进货了 12 个，现在有多少个苹果？

请一步一步思考：

模型输出：

1
2
3
4
5
6
让我一步一步计算：
1. 初始苹果数量：23 个
2. 卖掉后：23 - 7 = 16 个
3. 进货后：16 + 12 = 28 个

答案：现在有 28 个苹果。

Few-shot CoT

1
2
3
4
5
6
7
8
9
问题：小明有 5 个苹果，小红给了他 3 个，他又吃了 2 个，还剩几个？
思考过程：
- 初始：5 个
- 小红给了 3 个：5 + 3 = 8 个
- 吃了 2 个：8 - 2 = 6 个
答案：6 个

问题：一个农场有 15 只鸡，卖掉了 6 只，又买了 8 只，现在有多少只？
思考过程：

⚠️ 重要: CoT 适用场景

  • 数学计算
  • 逻辑推理
  • 多步骤问题
  • 需要解释过程的任务

2.2 Zero-shot CoT

定义：不提供示例，仅通过魔法短语触发推理。

魔法短语：

  • “Let’s think step by step”（让我们一步一步思考）
  • “请逐步分析”
  • “让我们仔细推理”
1
2
3
4
问题：一列火车从 A 站出发，每小时行驶 60 公里，2 小时后到达 B 站。
另一列火车同时从 B 站出发，每小时 80 公里。两车何时相遇？

Let's think step by step.

2.3 Tree of Thought (ToT) - 思维树

定义：探索多个推理路径，自我评估选择最优解。

graph TD
    A[问题] --> B[思路1]
    A --> C[思路2]
    A --> D[思路3]
    B --> E[评估: 可行]
    C --> F[评估: 不可行]
    D --> G[评估: 可行但复杂]
    E --> H[深入探索]
    H --> I[最终答案]

Prompt 示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
问题：如何设计一个高并发的秒杀系统？

请用以下思维框架分析：

## 思路探索
1. 思路 A：[描述方案]
   - 优点：
   - 缺点：
   - 可行性评分：1-10

2. 思路 B：[描述方案]
   - 优点：
   - 缺点：
   - 可行性评分：1-10

3. 思路 C：[描述方案]
   - 优点：
   - 缺点：
   - 可行性评分：1-10

## 最优方案选择
基于以上分析，选择并详细阐述最佳方案。

2.4 Self-Consistency（自一致性）

定义：多次采样答案，选择出现频率最高的结果。

1
2
3
4
5
6
7
8
9
请对以下问题给出 3 个独立的推理过程和答案：

问题：[复杂问题]

推理 1：
推理 2：
推理 3：

最终答案（选择出现最多的答案）：

三、角色与上下文设定

3.1 角色设定（Role Prompting）

定义：指定 AI 扮演特定角色，影响其回答风格和专业度。

1
2
3
4
5
你是一位拥有 15 年经验的 Java 架构师，精通分布式系统设计、微服务架构和性能优化。

请以你的专业视角，分析以下代码的潜在问题：

[代码内容]

常用角色模板：

角色 描述
技术专家 “你是一位资深的 [领域] 专家”
代码审查员 “你是一位严格的代码审查员”
产品经理 “你是一位用户导向的产品经理”
教师 “你是一位耐心的编程教师”

3.2 系统提示（System Prompt）

定义：设置模型的行为准则和约束条件（API 调用时的 system 角色）。

1
2
3
4
5
6
7
8
9
10
11
12
{
  "messages": [
    {
      "role": "system",
      "content": "你是一个专业的技术文档助手。规则：1. 只回答技术相关问题 2. 使用 Markdown 格式 3. 代码示例使用 Java"
    },
    {
      "role": "user",
      "content": "如何实现线程安全的单例模式？"
    }
  ]
}

3.3 上下文注入

定义：在 Prompt 中提供相关背景知识（RAG 场景的核心）。

1
2
3
4
5
6
7
8
9
10
11
## 背景知识
以下是关于 Spring AI 的官方文档摘要：
---
[检索到的文档内容]
---

## 用户问题
如何在 Spring AI 中配置 OpenAI 的 API Key？

## 要求
请根据背景知识回答问题，如果背景知识中没有相关信息，请明确说明。

四、输出控制技术

4.1 格式约束

JSON 格式

1
2
3
4
5
6
7
8
9
10
11
12
请分析以下用户评论，以 JSON 格式输出结果：

评论：这款手机拍照效果很好，但电池续航太差了。

输出格式：
{
  "sentiment": "正面/负面/中性",
  "aspects": [
    {"aspect": "方面名", "sentiment": "正面/负面", "comment": "具体评价"}
  ],
  "summary": "一句话总结"
}

Markdown 格式

1
2
3
4
5
6
7
请用 Markdown 格式输出技术方案文档：

## 要求
- 使用多级标题组织内容
- 代码块使用正确的语言标识
- 重点内容使用粗体
- 包含流程图（Mermaid）

4.2 长度控制

1
2
3
4
5
6
7
8
9
请用不超过 100 字总结这篇文章的核心观点。

---

请详细解释这个概念，包括：
1. 定义（50字）
2. 工作原理（200字）
3. 应用场景（100字）
4. 代码示例（完整可运行）

4.3 分隔符使用

使用明确的分隔符避免 Prompt 注入和内容混淆：

1
2
3
4
5
6
7
请翻译以下文本，文本用 ### 包裹：

###
用户输入的内容
###

翻译结果：

常用分隔符：

  • ###
  • ---
  • """
  • <text></text>
  • [START][END]

五、高级技术

5.1 ReAct（Reasoning + Acting）

定义：推理与行动交替进行，适合 Agent 场景。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
你是一个能够使用工具的 AI 助手。

可用工具：
1. search(query) - 搜索信息
2. calculator(expression) - 计算数学表达式
3. get_weather(city) - 获取天气

请用以下格式回答问题：

Thought: 思考下一步该做什么
Action: 工具名称
Action Input: 工具输入
Observation: 工具返回结果
... (重复直到得出答案)
Thought: 我现在知道最终答案了
Final Answer: 最终答案

问题：北京今天的气温是多少摄氏度？换算成华氏度是多少？

5.2 Generated Knowledge Prompting

定义：让模型先生成相关知识，再基于知识回答问题。

1
2
3
4
5
## 第一步：生成知识
请列出关于 Java 线程池的 5 个关键知识点。

## 第二步：回答问题
基于以上知识，解释为什么不建议使用 Executors.newFixedThreadPool()？

5.3 Directional Stimulus Prompting

定义：提供提示词暗示，引导模型输出方向。

1
2
3
请写一首关于春天的诗。

提示词：花开、暖风、希望、新生

六、Prompt 模板库

6.1 代码审查模板

1
2
3
4
5
6
7
8
9
10
11
12
你是一位资深的 Java 代码审查专家。

请审查以下代码，从以下维度分析：
1. **代码规范**：命名、格式、注释
2. **潜在 Bug**：空指针、并发问题、资源泄露
3. **性能问题**：时间复杂度、内存使用
4. **安全风险**：SQL 注入、XSS 等
5. **可维护性**：代码复杂度、可测试性

代码：
```java
[代码内容]

输出格式：

问题 严重程度 位置 修改建议 
1
2
3
4
5

---

### 6.2 技术方案模板

请设计一个技术方案，要求：

背景

[问题描述]

输出要求

  1. 需求分析：明确功能和非功能需求
  2. 架构设计：整体架构图（Mermaid）
  3. 技术选型：框架、中间件选择及理由
  4. 核心流程：关键流程时序图
  5. 数据设计：核心表结构
  6. 风险评估：潜在风险及应对策略
1
2
3
4
5

---

### 6.3 Debug 助手模板

你是一位经验丰富的 Debug 专家。

错误信息

[错误日志]

相关代码

[代码片段]

请分析

  1. 错误的直接原因
  2. 根本原因分析
  3. 解决方案（给出具体代码）
  4. 如何避免类似问题

---

## 七、最佳实践

### 7.1 Prompt 设计原则

| 原则 | 说明 |
|------|------|
| **明确具体** | 避免模糊表述，明确任务目标 |
| **结构清晰** | 使用分隔符、编号组织内容 |
| **提供示例** | 复杂任务用 Few-shot 引导 |
| **迭代优化** | 根据输出效果不断调整 |
| **控制长度** | 避免过长导致信息丢失 |

### 7.2 常见错误

| 错误 | 示例 | 改进 |
|------|------|------|
| 过于模糊 | "帮我写代码" | "用 Java 实现一个线程安全的 LRU 缓存" |
| 缺少上下文 | "这个报错怎么解决" | "Spring Boot 3.x 启动报错：[具体错误]" |
| 期望过高 | "写一个完整的电商系统" | 拆分为多个小任务逐步实现 |

### 7.3 调试技巧

1. **打印思考过程**：加入 "请展示你的推理过程"
2. **要求自我检查**：加入 "请检查答案是否正确"
3. **分步验证**：复杂任务拆分为多轮对话

---

## 八、工具与资源

### 在线工具

| 工具 | 用途 |
|------|------|
| [PromptPerfect](https://promptperfect.jina.ai/) | Prompt 优化 |
| [OpenAI Playground](https://platform.openai.com/playground) | 在线测试 |
| [LangSmith](https://smith.langchain.com/) | Prompt 管理与追踪 |

### 学习资源

- [Prompt Engineering Guide](https://www.promptingguide.ai/)
- [OpenAI Prompt Engineering](https://platform.openai.com/docs/guides/prompt-engineering)
- [Learn Prompting](https://learnprompting.org/)

---

## 相关笔记

- 大模型学习路线
- LLM应用开发
- RAG技术详解
AI > 大模型
#AI #大模型 #Prompt #提示词工程
Prompt Engineering详解
https://zmmmmy.github.io/2026/01/12/Prompt Engineering详解/
作者
ZhiMy
发布于
2026年1月12日
许可协议