本文详细解读了 OpenAI 官方发布的 Prompt 工程指南六大核心原则。内容包括写出清晰指令、提供参考文本、拆分复杂任务、给予模型思考时间、使用外部工具以及系统测试变更。文章结合了具体的 Prompt 示例、Python 代码片段及 RAG 架构说明，旨在帮助开发者和用户提升与大模型的交互效率，减少幻觉，实现更精准的任务执行。
随着大语言模型（LLM）的普及，如何编写高质量的提示词（Prompt）成为了关键技能。网上充斥着各种所谓的 Prompt 框架和教程，往往良莠不齐。直到 OpenAI 在文档中上线了官方的 Prompt Engineering 指南，这标志着有了权威且有效的 Prompt 工程标准。
本文基于 OpenAI 官方文档，详细解读六大核心原则，并结合实际场景提供代码示例和最佳实践，帮助开发者更有效地利用大模型能力。
这是 Prompt 工程中最核心的原则。任何技巧都不如清晰表达需求重要。就像人与人沟通一样，如果指令模糊，模型很难准确理解意图。OpenAI 给出了以下 6 条具体建议：
尽量提供重要的详细信息和上下文，避免笼统的描述。
错误示例：
总结会议记录。
正确示例：
用一个段落总结会议记录。然后写下演讲者的 Markdown 列表以及他们的每个要点。最后，列出发言人建议的后续步骤或行动项目（如果有）。
将大模型想象成一个演员，指定其角色可以让输出更专业、更符合预期。
示例：
你是一位喜欢讲笑话的喜剧演员。每当我请求帮助写一些东西时，你会回复一份文档，其中每个段落至少包含一个笑话或有趣的评论。
三引号、XML 标签、节标题等分隔符可以帮助划分要区别对待的文本节，防止指令注入或混淆。
示例：
用 50 个字符总结由三引号分隔的文本。
"""
在此插入文字
"""
对于复杂任务，明确地写出步骤可以使模型更容易实现。
示例：
使用以下分步说明来响应用户输入。
步骤 1 - 用户将为您提供三引号中的文本。用一个句子总结这段文字，并加上前缀'Summary:'。
步骤 2 - 将步骤 1 中的摘要翻译成西班牙语，并添加前缀'翻译：'。
经典的少样本提示，先给模型例子，让它模仿风格或逻辑。
示例：
按这句话的风格来写 XX 文章：
"""
落霞与孤鹜齐飞，秋水共长天一色。
渔舟唱晚，响穷彭蠡之滨。
"""
可以要求模型生成给定目标长度的输出。中文效果可能不如英文精准，但指定段落数通常效果较好。
示例：
用两个段落、100 个字符概括由三引号分隔的文本。
"""
在此插入文字
"""
给大模型提供特定的文本或文档，能大幅降低模型胡说八道（幻觉）的概率。这本质上是将大模型当作知识库来使用。
经典的知识库用法，强制模型仅使用提供的信息组成答案。
Prompt 示例：
使用提供的由三重引号引起来的文章来回答问题。如果在文章中找不到答案，请写'我找不到答案'。
"""
<在此插入文档>
"""
问题：<在此插入问题>
要求模型在回答时引用原文段落，提高正确性和可验证性。
Prompt 示例：
您将获得一份由三重引号和一个问题分隔的文档。您的任务是仅使用提供的文档回答问题，并引用用于回答问题的文档段落。如果文档不包含回答此问题所需的信息，则只需写：'信息不足'。
格式：{"引用": "..."}
"""
<在此插入文档>
"""
问题：<在此插入问题>
如同人类项目管理，一次性完成大任务容易出错。将复杂任务拆解为子任务，大模型会有更好的表现。
在客服场景中，先判断问题类别，再回答具体问题。
流程示例：
代码逻辑示意：
# 伪代码：意图分类 + 响应
intent = classify_intent(user_query) # 例如：technical_support
if intent == 'technical_support':
response = solve_network_issue(user_query)
else:
response = handle_general_inquiry(user_query)
模型具有固定的上下文长度，无法无限期继续对话。可以通过总结历史记录来解决。
策略：
针对几百页的 PDF 或书籍，Token 上限是限制。可以使用一系列查询总结文档的每个部分，章节摘要连接后再生成摘要的摘要，递归进行。
即 Chain-of-Thought (CoT) 提示法。直接问结果模型容易懵，给时间一步步计算，准确率会大幅提升。
先让模型自己解题，再评估学生的解法。
Prompt 示例：
首先制定自己的问题解决方案。然后将你的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。在你自己完成问题之前，不要决定学生的解决方案是否正确。
某些场景下（如辅导应用），模型的推理过程不适合直接展示给用户。可以将推理放入结构化格式中，解析后仅显示最终答案。
多轮 API 通讯示例：
在长文本问答中，模型可能过早停止。可以通过后续 Prompt 追问。
示例：
初始 Prompt：列出文档中与'北京烤鸭'相关的片段（JSON 格式）。
追加 Prompt：还有更多相关片段吗？注意不要重复摘录。确保相关片段包含解释它们所需的所有相关上下文。
大模型并非万能，数学计算、实时信息等需要外部工具辅助。
检索增强生成 (Retrieval Augmented Generation)。对于静态知识库，常见步骤如下：
大模型自身计算能力有限，建议让模型编写 Python 代码执行计算。
Python 代码执行示例：
求以下多项式的所有实值根：3*x**5 - 5*x**4 - 3*x**3 - 7*x - 10。
请将 Python 代码括在三个反引号中来编写和执行。
```python
import numpy as np
coeffs = [3, -5, -3, 0, -7, -10]
roots = np.roots(coeffs)
print(roots)
此外，也可以将 API 文档复制给模型，让它知道如何调用接口。
### 3. 给模型提供特定功能 (Function Calling)
通过 API 传递函数描述，告诉模型哪些函数可用及参数格式。模型生成参数 JSON，后端执行后返回结果，再由模型转为用户语言。
**JSON Schema 示例：**
```json
{
"name": "get_weather",
"description": "获取指定城市的天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名称"},
"unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
},
"required": ["city"]
}
}
对于开发者，判断 Prompt 优化是否有效至关重要。由于样本量小，很难区分改进是源于设计还是运气。
建议做法：
具体细节可参考 OpenAI 官方关于策略测试变更的文档。
Prompt Engineering 不仅仅是技巧，更是日常表达能力的映射。与人协同顺利，表达清楚需求，才是最重要的。OpenAI 的这份指南提供了坚实的理论基础，结合上述实战技巧，可以帮助开发者更高效地驾驭大模型技术。
在实际应用中，建议遵循'布阵清晰、传球舒服、接球靠谱'的原则，不断迭代优化，才能在大模型时代获得最大收益。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online