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。

1. 背景的核心作用

补充场景信息：让模型了解任务的应用场景，如'你是电商平台的客服，需要回复用户的退款咨询''为科技公司的技术博客写一篇文章，读者是初级程序员'，帮助模型匹配场景化的语气和内容。
提供基础数据：当任务需要基于特定信息完成时，需将数据作为背景提供给模型，如'基于以下销售数据（2024 年 1 月：50 万元；2 月：65 万元；3 月：72 万元），分析季度增长趋势''根据这份合同条款（[合同内容]），指出其中的风险点'。
明确约束条件：设定任务的限制规则，如'生成的文案不能包含敏感词汇（如'绝对''最好'）''回答时需使用中文，避免专业术语，让中学生能理解''代码需兼容 Python 3.8 及以上版本'。

2. 典型场景案例

场景 1：客户服务回复

指令：'回复用户的咨询，安抚用户情绪并给出解决方案'
背景：'用户在我店购买的笔记本电脑，收到货后发现屏幕有划痕，已拍摄照片（无需让模型处理图片），用户要求换货，且希望尽快处理，订单号为 20240512001，店铺换货政策为'7 天无理由，质量问题免费换货，运费由店铺承担''
模型输出（片段）：'您好！非常抱歉给您带来了不佳的购物体验，订单号 20240512001 对应的笔记本电脑屏幕划痕问题，符合店铺 7 天无理由换货政策（质量问题），我们将为您免费安排换货，运费由店铺承担。请您先在订单后台提交换货申请，并上传屏幕划痕的照片，我们会在 24 小时内审核，审核通过后会安排快递上门取件，后续进度会通过短信告知您~'

场景 2：学术论文引言生成

指令：'为一篇关于'AI 在医学影像诊断中的应用'的学术论文写一段引言（300 字左右）'
背景：'论文的研究方向是'基于深度学习的肺癌 CT 影像辅助诊断'，目前行业痛点是'传统人工诊断依赖医生经验，漏诊率约 15%，且效率低（单张 CT 需 5-10 分钟）'，本文的创新点是'提出一种轻量化卷积神经网络模型，诊断准确率达 98%，单张 CT 处理时间缩短至 10 秒''
模型输出（片段）：'医学影像诊断是肺癌早期筛查的关键环节，但传统人工诊断模式存在明显局限：一方面，诊断结果高度依赖医生的专业经验，不同医生的判断差异可能导致约 15% 的漏诊率；另一方面，单张肺部 CT 影像的人工分析需 5-10 分钟，难以满足大规模筛查的效率需求。随着人工智能技术的发展，深度学习在医学影像处理领域展现出巨大潜力。本文聚焦肺癌 CT 影像辅助诊断，提出一种轻量化卷积神经网络模型，通过优化网络结构减少参数数量，在保证诊断准确率达 98% 的同时，将单张 CT 影像的处理时间缩短至 10 秒，为肺癌早期筛查的规模化应用提供技术支撑。'

（三）示例（Examples）：告诉模型'怎么做才对'

示例是给模型的'参考模板'，通过具体的'输入 - 输出'案例，让模型理解用户期望的输出风格、格式或逻辑，尤其适用于复杂任务（如多轮对话、结构化数据生成）或需要统一风格的场景（如品牌文案、专业报告）。

根据示例数量的不同，可分为