Prompt Engineering（提示工程）完整指南：从入门到进阶

Prompt Engineering 是 AI 面试中仅次于微调的高频题。本文系统梳理提示工程的核心理念、实战技巧和进阶策略。

---

一、什么是 Prompt Engineering？

1.1 定义

Prompt Engineering（提示工程） 是指通过精心设计输入文本（Prompt），引导大语言模型（LLM）生成预期输出的技术。它是不需要修改模型参数的”软技能”，但效果往往决定了大模型的实际可用性。

1.2 为什么重要？

• 直接影响模型输出质量 — 同一个模型，Prompt 不同效果天差地别
• 最经济的优化手段 — 不需要训练，不需要算力
• 面试必考 — 几乎所有 AI 岗位面试都会问

---

二、Prompt 的核心要素

2.1 角色设定（Role）

给模型一个明确的身份，大幅提升输出质量。

2.2 任务描述（Task）

清晰、具体、量化的任务描述。

2.3 上下文（Context）

提供必要的背景信息。

2.4 输出格式（Format）

明确指定输出的结构和样式。

2.5 示例（Few-shot）

给模型提供输入输出的范例。

---

三、Prompt 的核心技术

3.1 零样本提示（Zero-shot）

直接给出任务描述，不给示例。

适用： 简单、明确的分类任务

3.2 少样本提示（Few-shot）

提供 2~5 个示例，让模型学习模式。

适用： 需要理解输出格式或分类标准的任务

3.3 思维链（Chain-of-Thought, CoT）

引导模型逐步推理，而不是直接给出答案。

面试高频问题： CoT 为什么有效？→ 因为它让模型有”思考空间”，将隐式的推理过程显式化，减少了跳跃性错误。

3.4 思维树（Tree-of-Thoughts, ToT）

CoT 的进阶版，同时探索多条推理路径。

3.5 思维链的进阶技巧

技巧	描述	适用场景
Zero-shot CoT	直接加 “Let’s think step by step”	通用推理
Auto-CoT	自动生成推理示例	节省 Token
Contrastive CoT	同时给正确和错误的推理示例	需要避免常见错误
Self-Consistency	多次采样取多数答案	提高准确性

---

四、Prompt 的高级技巧

4.1 结构化 Prompt

将复杂的 Prompt 拆解为清晰的结构。

4.2 角色链（Chain of Role）

让模型在多个角色间切换。

4.3 对抗性 Prompt

让模型检查和反驳自己的输出。

4.4 温度调节

温度值	特点	适用场景
0~0.2	确定性强，输出稳定	代码生成、分类、抽取
0.3~0.7	平衡创造力和准确性	日常对话、翻译
0.8~1.0	创造力强，多样性高	创意写作、头脑风暴

4.5 系统提示词（System Prompt）

在对话开始时设定全局行为。

---

五、Prompt 优化的迭代流程

优化 Checklist：
– [ ] 角色设定是否明确？
– [ ] 任务描述是否具体？
– [ ] 是否有足够的上下文？
– [ ] 输出格式是否指定？
– [ ] 是否需要示例？
– [ ] 约束条件是否清晰？
– [ ] 边界情况是否覆盖？

---

六、常见 Prompt 陷阱

6.1 Prompt 注入（Prompt Injection）

用户通过恶意输入劫持模型行为。

6.2 过度约束

给模型太多限制反而降低了输出质量。

6.3 自相矛盾的指令

---

七、面试高频问题整理

Q1: Zero-shot 和 Few-shot 的区别？

A: Zero-shot 不给示例直接推理，适合简单任务。Few-shot 给 2~5 个示例让模型学习模式，适合需要理解格式或分类标准的任务。

Q2: CoT（思维链）为什么有效？

A: 它让模型把隐式的推理过程显式化，减少了跳跃性错误。模型”看到自己思考的过程”可以自我纠正。

Q3: System Prompt 和 User Prompt 的区别？

A: System Prompt 设定模型的全局行为和角色，用户不可见；User Prompt 是用户的具体输入。System Prompt 优先级高于 User Prompt。

Q4: 如何设计一个好的 Prompt？

A: 明确角色→清晰任务→提供上下文→指定格式→给示例→加约束→测试迭代。

Q5: 长度限制对我设计 Prompt 有什么影响？

A: 模型有上下文窗口限制（如 4K/8K/128K），系统提示+用户输入+历史对话+模型输出总长度不能超过限制。设计 Prompt 时要留下足够的空间给模型输出。

Q6: 温度（Temperature）参数怎么调？

A: 需要确定性任务用 0~0.2（代码、分类），创意任务用 0.7~1.0（写作、头脑风暴），日常对话用 0.3~0.7。

Q7: 什么是 Prompt 注入？怎么防？

A: 用户通过输入劫持模型行为。防护：输入过滤、隔离系统提示与用户输入、权限分离。

Q8: 同一个问题反复问，结果不一样怎么办？

A: 大模型本身有随机性。如果需要一致性，将 temperature 设为 0，使用结构化输出格式，或通过多次采样取多数（Self-Consistency）。

---

八、总结

Prompt Engineering 的核心原则：

1. 角色明确 — 给模型一个身份
2. 任务具体 — 清晰描述你要什么
3. 上下文充分 — 提供必要的背景
4. 格式指定 — 明确输出的结构和样式
5. 示例引导 — 用少样本让模型理解模式
6. 迭代优化 — 没有完美的 Prompt，只有不断迭代

一句话记住： 给模型写 Prompt，就像给下属布置任务——越清晰、越具体、越结构化，结果就越好。