提示词工程（Prompt Engineering）基础与实践指南

System Message 可以被广泛应用在：

• 角色扮演：在系统指令中告诉模型你需要它扮演的角色，即可沉浸式和该角色对话交流。
• 语言风格：简单调整 LLM 的语言风格。
• 任务设定：比如旅行规划，小红书文案助手这样的专项任务处理。
• 边界控制：System Message 也可以被用于规定 LLM 的答复范围，并设定具体的行为。例如：'你是一名深度学习的老师，可以回答深度学习领域相关的问题... 仅回答深度学习领域的知识'。

注意：即便我们在 System Message 里面规范了模型回答，也不能保障请求一定会满足，但是好的 System Message 设计可以增加特定结果的可能性，以及得到 LLM 更加符合要求的答复。

2. 用户提示词（User Prompt）

指令（Instruction）

指令是最常用的提示组件，主要功能是向模型说明要执行的操作。虽然概念简单，但是实践中仍然比较复杂。下面是简单和详细的一些指令例子，详细、明确的指导比模糊不清的提示能够产生更好的效果：

主要内容（Context）

主要内容是指模型正在处理的文本内容。主要内容通常与指令一起使用。下面会从翻译、摘要等场景来示例：

少样本学习（Few-Shot Learning）

好的 Prompt 也经常包含一些示例样本（单样本或者少样本）学习，指的是需要加入一些示例的输入和输出对。这能让模型从猜测应该如何生成，而变得清楚的学习了按照示例生成，充分的演示了模型的能力，不需要通过专门的训练，通过少样本学习，也可以生成正确的答案。

更加明确的提示（Explicit Guidance）

充当模型输出的快速启动，帮助模型固定所需要的输出。可以作为模型生成的前缀，也可以引导模型一步一步地按照要求思考并给出答案。

善用分隔符（Delimiters）

使用清晰的提示语法（包括标点符号、标题和节标记）有助于传达意图，并且通常使输出更易于解析。

在下面的示例中，—在不同的信息源或步骤之间添加了分隔符（在本例中）。这允许使用—作为生成的停止条件。此外，章节标题或特殊变量以大写形式呈现以区分它们。

思维链提示（Chain of Thought）

这是任务分解（step by step）技术的一种展现，在这种方法中，模型逐步进行思考，并呈现出涉及的步骤，这样做可以降低结果的不准确的可能性，并对模型响应的可解释性有很大的帮助。

对输出格式的明确要求

明确指定输出格式可以帮助程序化地解析模型响应。

最佳实践案例

1. Agent 场景：使用 Prompt 实现 Agent Create

在构建 AI Agent 时，可以通过精心设计的 Prompt 让模型协助生成配置文件。以下是一个基于 QwenBuilder 的示例结构：

# 伪代码示例：Agent 配置生成逻辑
system_message = """You are a helpful assistant. You are now playing an AI assistant (QwenBuilder) that creates AI Agents. 
You need to communicate with the user to clarify requirements for the AI-Agent. 
Fill out the configuration file as completely as possible based on existing information and your imagination.
Configuration file format (JSON): {"name": "...", "description": "...", "instructions": [...], "prompt_recommend": [...], "logo_prompt": "..."}
"""
user_prompt = "我现在需要一个能帮我写小红书文案的 AI 助手。"

2. Agent 场景：使用 System Message + Prompt 实现 Function Call

大部分模型将 Agent 的配置在系统提示中配置，比如函数的参数定义和描述，不同模型的函数调用略有不同。

写好 Prompt 的一些原则总结

最核心的写一条好 Prompt 的原则就是尽可能清晰、明确地表达你的需求（类比产品经理向程序员提需求）。细分下来，具体原则包括：

• 清晰的指令：足够清晰明确地说明你希望模型为你返回什么，最后更加细致地说明需求，避免模糊表达。
• 提供上下文和例子：给出较为充分的上下文信息，让模型更好地理解相关背景。如果能够提供示例，模型能表现更好（类似传统 LLM 中的 In-Context Learning）。
• 善用符号和语法：使用清晰的标点符号，标题，标记有助于转达意图，并使输出更加容易被解析。
• 让模型一步一步地思考：在这种方法中，模型逐步进行思考，并呈现出涉及的步骤，这样做可以降低结果的不准确的可能性，并对模型响应的可解释性有很大的帮助。
• 激励模型反思和给出思路：可以在 Prompt 中用一些措辞激励模型给出理由，这样有助于我们更好地分析模型生成结果，同时，思维过程的生成，也有助于其生成更高质量的结果。
• 给容错空间：如模型无法完成指定的任务，给模型提供一个备用路径，比如针对文本提问，可以加入如果答案不存在，则回复'无答案'。
• 让模型给出信息来源：在模型结合搜索或者外部知识库时，要求模型提供他的答案的信息来源，可以帮助 LLM 的答案减少捏造，并获取到最新的信息。

优质的提示词典型框架

优质的 Prompt 千变万化，但遵循上述原则，我们总结出一个比较实用的框架，可以帮助用户更高概率从通义千问中收获更高质量的模型生成结果。使用 LLM 时，建议包含如下内容：

1. System Message：你希望大模型扮演什么角色，来解决你当前的问题。大模型具有较强的角色扮演能力，相比直接回答往往表现更好。System Message 中也可以规定大模型的回答范围。
2. Prompt
   • 指令：明确说明你希望大模型做什么事情，不要含糊其辞。
   • 例子：如果可能，提供尽可能丰富的例子信息。
   • 原因：详细解释你希望模型做这件事情的原因、动机、希望的结果等，这样大模型能更好地理解你的想法，执行需求。
   • Step by Step：对于复杂任务，让大模型一步一步地思考，可以给出更加合理的答案。
   • 对于输出格式的形容：对于部分场景，明确大模型输出格式的要求，可以更好地获取到更加结构化，适合系统调用的答案。

Python 调用示例

为了将上述理论应用于实际开发，以下展示如何使用 Python 调用大模型 API 并应用 Prompt 工程技巧。

import requests
import json

def call_llm(system_msg, user_msg, temperature=0.7, top_p=0.9):
    url = "https://api.example.com/v1/chat/completions" # 替换为实际 API 地址
    headers = {
        "Authorization": "Bearer YOUR_API_KEY",
        "Content-Type": "application/json"
    }
    payload = {
        "model": "qwen-max",
        "messages": [
            {"role": "system", "content": system_msg},
            {"role": "user", "content": user_msg}
        ],
        "temperature": temperature,
        "top_p": top_p,
        "stream": False
    }
    
    response = requests.post(url, headers=headers, json=payload)
    if response.status_code == 200:
        return response.json()['choices'][0]['message']['content']
    else:
        return f"Error: {response.status_code}"

# 示例：创建一个数据分析助手
system_instruction = "你是一名资深 Python 数据分析师。请只回答与数据分析相关的问题。如果用户询问无关内容，请礼貌拒绝。"
user_query = "请帮我分析这份 CSV 数据的趋势，并给出建议。"

result = call_llm(system_instruction, user_query, temperature=0.3)
print(result)

常见问题与调试

在实际使用中，可能会遇到模型输出不符合预期的情况，以下是一些常见问题的调试建议：

1. 模型回答太啰嗦：在 Prompt 末尾增加约束，如'请用简洁的语言回答，不超过 100 字'。
2. 模型不遵守格式：增加 Few-Shot 示例，展示期望的输出格式，并使用分隔符明确界定输入输出区域。
3. 幻觉严重：在 System Message 中加入'仅依据提供的资料回答，不知道就说不知道'，并要求模型引用来源。
4. 多轮对话记忆丢失：确保在每次请求时将完整的对话历史（History）传递给模型，而不仅仅是最后一句。

结语

掌握提示词工程是驾驭大语言模型的关键。通过理解模型的工作原理，合理配置参数，精心设计 System Message 和 User Prompt，并运用思维链、少样本学习等技巧，开发者可以显著提升 AI 应用的稳定性和可用性。随着技术的演进，Prompt 工程也将不断发展，建议持续关注官方文档和社区最佳实践，不断优化自己的提示词库。