提示工程（Prompt Engineering）是学习和使用大语言模型（LLM）时必须掌握的核心技能。它指的是通过设计、优化输入给模型的文本指令，以引导模型生成更准确、更符合预期的输出。本文将结合官方文档与实战经验，系统讲解提示工程的策略、结构、技巧及进阶方法。
提示工程基础策略
根据 OpenAI 官方指南，有效的提示工程通常遵循以下六种核心策略：
- Include details in your query to get more relevant answers：在查询中包含详细信息，以获得更相关的答案。模糊的指令往往导致泛泛的回答。
- Ask the model to adopt a persona：要求模型采用特定角色。例如设定为'资深 Python 工程师'或'专业翻译'，能显著改变输出的语气和专业度。
- Use delimiters to clearly indicate distinct parts of the input：使用分隔符（如
###,"""）清晰区分输入的不同部分，防止模型混淆指令与数据。 - Specify the steps required to complete a task：指定完成任务所需的步骤。对于复杂任务，分步指令比单句指令更有效。
- Provide examples：提供示例。Few-shot learning（少样本学习）能极大提升模型对特定格式或逻辑的理解。
- Specify the desired length of the output：指定所需的输出长度。这有助于控制生成的篇幅，避免冗长或过短。
提示词的典型构成
一个高质量的 Prompt 通常包含以下六个要素：
- 角色（Role）：定义 AI 的身份，如'你是一位软件架构师'。
- 指示（Instruction）：明确描述需要执行的任务。
- 上下文（Context）：提供背景信息，特别是在多轮对话中保持连贯性。
- 例子（Examples）：必要时给出 Few-shot 示例，帮助模型理解期望的输出模式。
- 输入（Input Data）：待处理的具体信息，需明确标识。
- 输出（Output Format）：规定输出的格式，如 JSON、XML 或 Markdown，便于后续程序解析。
常用提示技巧
1. 使用清晰明确的提示词
模糊的指令会导致不可预测的结果。例如，直接让模型'写首诗'可能得到平庸之作；而'模仿李白的《静夜思》风格，给 OpenAI 写一首诗'则能得到更具针对性的结果。务必将意图描述清楚，避免歧义。
2. 角色扮演
通过 System Message 设定角色可以显著提升效果。
# 示例：设定角色
messages = [
{"role": "system", "content": "你是一位专业的健身私人教练。利用运动科学和营养建议为客户定制计划。"},
{"role": "user", "content": "给我一个减肥的计划。"}
]
在此例中，System 消息设定了 AI 的行为边界和知识领域，User 消息则是具体请求。
3. 使用分隔符
随着模型能力提升，虽然有时不加分隔符也能识别，但在处理长文本或多段内容时，使用 ### 或 """ 依然推荐。
### 指令 ###
总结以下内容。
### 内容 ###
这里是需要总结的长文本...
