Prompt 的基本结构：指令 + 背景 + 示例
本文围绕 Prompt'指令 + 背景 + 示例'的基本结构展开，先阐述关注此结构的原因——规范结构能大幅提升 LLM 输出准确率，再逐一拆解三部分：指令需明确动作、范围与输出形式，避免模糊；背景补充场景、数据与约束，助模型理解任务边界；示例作为参考模板，依数量分不同类型，且设计需匹配任务、含关键细节、格式统一。还介绍四种结构组合策略及适用场景，指出常见误区与解决办法，通过编程代码生成、数学练习题设计两个实战任务提供实践指导，最后总结核心要点并给出下一步学习建议，帮助读者掌握用结构化 Prompt 提升模型输出质量的能力。
一、引言：为什么要关注 Prompt 的基本结构？
在大语言模型（LLM）的应用中，很多用户会遇到这样的困惑：同样是向模型提问，有时能得到精准、有用的答案，有时却得到偏离需求、甚至毫无意义的回复。造成这种差异的核心原因之一，就是 Prompt 的结构是否清晰、完整。
想象一下，如果你向同事交代工作时只说'写个方案'，对方可能会疑惑'写什么主题的方案？给谁看？需要包含哪些内容？什么时候要？'；但如果你说'请在周五下班前，为公司新推出的智能手环写一份面向年轻消费者的推广方案，需要包含活动主题、线上线下执行步骤、预算分配这三部分，参考去年耳机推广方案的框架来写'，同事就能明确方向，高效完成任务。
LLM 就像一个需要清晰指令的'数字同事'，而**'指令 + 背景 + 示例'**的结构，正是让模型理解需求、精准输出的'沟通说明书'。据相关实践数据显示，采用规范结构的 Prompt，其输出结果的准确率比随意提问高出 60% 以上，尤其在专业领域（如编程、法律文书生成），结构的完整性直接决定了输出内容的可用性。
本章将深入拆解 Prompt 基本结构的三个核心组成部分，结合多行业案例讲解如何灵活组合运用，帮助读者掌握'让模型听话'的基础能力。
二、Prompt 基本结构拆解：三大核心组成部分
（一）指令（Instruction）：告诉模型'做什么'
指令是 Prompt 的核心，是用户明确要求模型完成的具体任务，相当于给模型的'行动命令'。指令必须清晰、具体，避免模糊的表述，否则模型会因理解偏差而输出无效内容。
1. 指令的核心要求
- 明确动作：使用动词直接定义任务，如'总结''分析''生成''翻译''修改''对比'等，让模型知道需要执行的操作。
- 限定范围：明确任务的边界，如'总结以下文本的核心观点（不超过 300 字）''分析这份销售数据中 2024 年 Q3 的增长原因'，避免模型输出超出需求的内容。
- 指定输出形式：根据使用场景要求模型的输出格式，如'以 Markdown 列表形式输出''用对话体生成''输出结构化 JSON 数据'等，提升结果的实用性。
2. 反面案例与优化
| 场景 | 模糊指令（反面） | 清晰指令（优化后） | 差异分析 |
|---|---|---|---|
| 文本总结 | '总结这篇文章' | '总结以下文章的核心观点，分 3 点说明，每点不超过 50 字' | 模糊指令未明确总结的维度（观点/结构/案例）和输出形式，优化后通过'分 3 点''50 字限制'让模型聚焦核心，结果更易读 |
| 文案生成 | '写一段手机宣传语' | '为一款定价 2000-3000 元的学生手机写 3 条宣传语，突出续航（待机 72 小时）和性价比优势，风格活泼' | 模糊指令未提及手机定位（学生）、价格、核心卖点，优化后通过具体参数和风格要求，让宣传语更贴合目标用户 |
| 代码辅助 | '帮我写个代码' | '用 Python 写一段读取 CSV 文件（路径为 './data.csv'）的代码，要求过滤出'年龄'列大于 30 的数据，并将结果保存为新文件 './filtered_data.csv'，需包含异常处理（如文件不存在的情况）' | 模糊指令未明确编程语言、功能细节和异常处理要求，优化后代码可直接运行，无需二次修改 |
（二）背景（Context）：告诉模型'为什么做''基于什么做'
背景是支撑指令执行的信息基础，相当于给模型的'任务背景说明书'。它包括任务的场景、相关前提条件、数据来源、约束规则等，帮助模型理解任务的意义和边界，避免因信息缺失导致输出偏离实际需求。
