Prompt 提示词编写指南详细介绍了如何有效利用大语言模型。文章阐述了提示的核心组成要素，包括指令、上下文、输入数据和输出指示。重点讲解了多种设计技巧，如明确指令、具体性约束、Few-Shot 少样本学习、CoT 思维链及 Zero-Shot CoT 零样本思维链。提供了 Text2SQL 任务的实战模板，展示了如何结合系统角色、表结构和样例数据进行转换。此外，还补充了进阶最佳实践，包括角色设定、分隔符使用、负向约束及迭代优化方法，并指出了常见误区。通过结构化设计和持续优化，可最大化 LLM 的性能表现。
提示工程（Prompt Engineering）是一门相对较新的学科，旨在开发和优化提示（Prompts），以便高效地利用语言模型（LM）进行各种应用和研究。掌握提示工程技能有助于更深入地理解大型语言模型（LLM）的能力边界与限制。研究人员利用提示工程改善 LLM 在问答、算术推理等任务上的表现；开发人员则设计能与 LLM 及其他工具接口交互的强大提示技术。
本文主要介绍标准提示的基础知识，提供指导如何使用提示与大语言模型进行交互的完整框架，涵盖从基础组件到高级技巧的实战内容。
一个有效的提示通常包含以下核心组成部分，并非所有部分在所有场景下都是必需的，具体取决于任务类型：
合理组织这些要素能显著提升模型的响应质量。建议将指令放在提示的最开头，并使用清晰的分隔符（如 ### 或 ---）区分不同部分。
使用动词明确的指令来引导模型。常见的指令包括'写入'、'分类'、'总结'、'翻译'、'排序'、'提取'等。尝试不同的指令组合、关键词和上下文，找到最适合特定用例的方案。指令越具体，效果通常越好。
示例：
### 指令 ###
将下面的文本翻译成西班牙语：
文本：'嗨！'
输出：
Texto: "¡Hola!"
输入的指示和任务要求应非常具体。提示越详细，结果往往越准确，特别是在要求模型以特定格式或风格返回内容时。但需注意，详细并不意味着冗长，应避免无关细节，因为模型有输入长度限制。
示例：信息提取
提取以下文本中的人物信息。
期望格式：
人物：{"姓名":"","性别":""}
输入：
姚明（Yao Ming），男，汉族，无党派人士，1980 年 9 月 12 日出生于上海市徐汇区，祖籍江苏省苏州市，前中国职业篮球运动员，司职中锋，现任亚洲篮球联合会主席、中国篮球协会主席、中职联公司董事长兼总经理、十三届全国青联副主席，改革先锋奖章获得者，第十四届全国人大代表。
输出：
人物：{"姓名":"姚明","性别":"男"}
大语言模型经过大量数据训练，具备强大的语义分析能力，但在复杂任务上可能表现不足。Few-Shot Prompting 通过在提示中提供少量示例（演示），引导模型模仿模式，实现上下文学习。
示例：生物分类
示例 1:
生物名：翼火龙
特征：生活在火山地带，拥有火焰吐息能力，翅膀覆盖着耐高温的鳞片。
分类：火元素生物
示例 2:
生物名：水灵狐
特征：居住在深林的溪流旁，能够操控水流，毛发闪耀着水珠般的光泽。
分类：水元素生物
请根据同样的模式，对以下生物进行分类：
生物名：光羽兽
特征：栖息于云之彼端，身体轻盈透明，背上生有能折射阳光形成彩虹的羽毛，以光线为食。
输出：
分类：光元素生物
对于困难任务，可增加演示次数（如 3-shot、5-shot）。这能帮助模型快速适应特定的逻辑模式。
当零次提示和少次提示不足以胜任复杂推理任务时，CoT 技术通过将问题分解为中间步骤来增强模型的推理能力。它鼓励模型展示思考过程，而不仅仅是直接给出答案。
示例：数学逻辑
这组数中的奇数加起来是一个偶数：4、8、9、15、12、2、1。
A：将所有奇数相加（9、15、1），得到 25。答案是 False。
这组数中的奇数加起来是一个偶数：15、32、5、13、82、7、1。
A:
输出：
这组数中的奇数加起来是一个偶数：15、32、5、13、82、7、1。
A：答案是 False。因为将所有奇数相加（15、5、13、7、1），得到 41，是一个奇数，不是偶数。
这是一种无需示例即可触发推理的技巧，基本思想是在提示末尾添加'让我们一步步思考'或类似短语。这能显著改善模型在算术或逻辑任务上的准确率。
对比示例： 普通提示：
我去市场买了 10 个苹果。我给了邻居 2 个苹果和给修理工 2 个苹果。然后我又去买了 5 个苹果，并吃了 1 个。我还剩下多少苹果？
普通输出：6 个（错误）
Zero-Shot CoT 提示：
我去市场买了 10 个苹果。我给了邻居 2 个苹果和给修理工 2 个苹果。然后我又去买了 5 个苹果，并吃了 1 个。我还剩下多少苹果？
让我们一步步思考。
改进输出：
好的，让我们逐步解决这个问题。
1. 初始数量：10 个。
2. 给出后剩余：10 - 2 - 2 = 6 个。
3. 又买了 5 个：6 + 5 = 11 个。
4. 吃了 1 个：11 - 1 = 10 个。
所以，最后我还剩下 10 个苹果。
Text2SQL 是将自然语言转换为 SQL 查询语句的任务。以下是一个结构化的提示模板，结合了系统角色、思维链、表结构和样例数据。
【系统提示词】：你是一个 IT 开发工程师。在这个任务中，你的目标是将自然语言问题转换为有效的 SQL 查询语句。请仔细分析问题，逐步推理出所需的数据库表格、列名，以及必要的 SQL 操作（如 SELECT, FROM, WHERE, JOIN 等），并确保遵循 SQL 语法规范。
【COT 思维链】：当你处理每个问题时，想象你在心中逐步构建 SQL 查询的过程。
1. 首先，确定查询的目标是什么（SELECT 部分）；
2. 然后，考虑从哪个表获取这些信息（FROM 部分），以及是否有任何特定条件需要过滤结果（WHERE 部分）；
3. 如果涉及到多个表的关联，请明确它们之间的连接条件。
【表结构信息】：
CREATE TABLE Books (
id INT AUTO_INCREMENT PRIMARY KEY COMMENT '主键',
title VARCHAR(255) NOT NULL COMMENT '图书标题',
author VARCHAR(255) NOT NULL COMMENT '图书作者',
isbn CHAR(13) UNIQUE NOT NULL COMMENT '图书 ISBN 号',
publication_date DATE NOT NULL COMMENT '出版日期',
category VARCHAR(100) NOT NULL COMMENT '图书类别'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci COMMENT='图书记录';
【样例数据】：
{
"title": "示例图书",
"author": "作者名字",
"isbn": "1234567890",
"publication_date": "2023-04-01",
"category": "小说"
}
【Few-Shot 示例】：[
{
"提问": "找出所有在 2023 年出版的书籍。",
"响应": "SELECT title FROM Books WHERE year(publication_date) = '2023'"
},
{
"提问": "找出所有在 2023 年出版的书籍，并按照出版日期排序。",
"响应": "SELECT title FROM Books WHERE year(publication_date) = '2023' ORDER BY publication_date"
}
]
【用户指令】：{question}
【响应格式】：请以 代码的形式提供您的答案，确保它直接回答了上述问题，并且遵循正确的 语法。
赋予模型特定的专家角色可以激活其相关领域的知识库。例如，将角色设定为'资深 Python 架构师'或'法律合规专家'，模型会倾向于使用更专业、严谨的语气和术语。
使用三重引号 """、反引号 ``` 或特殊符号 ### 来隔离指令、数据和参考内容。这有助于模型区分哪些是指令，哪些是待处理的数据，防止指令注入攻击或混淆。
明确告诉模型不要做什么同样重要。例如，'不要使用专业术语'、'不要超过 100 字'、'不要编造事实'。这能有效控制输出范围。
很少有提示能一次完美生效。建议采用迭代方式：先测试基础提示，观察输出，然后根据偏差调整指令、增加上下文或修改 Few-Shot 示例。记录每次调整的效果，建立自己的提示库。
Prompt 工程是人与 AI 协作的关键桥梁。通过理解提示的组成要素，掌握指令设计、思维链、少样本学习等核心技术，并结合迭代优化的方法，开发者可以显著提升大语言模型在各类任务中的表现。随着技术的演进，提示策略也在不断更新，保持学习和实践是发挥 LLM 最大潜力的根本途径。
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