Prompt 的作用与本质
Prompt（提示词）是调用大语言模型能力的主要交互方式。在对话过程中，它指导AI 模型产生特定的输出。理解 Prompt 的本质，有助于我们更高效地利用 AI 工具。
基于 Prompt 的作用，核心动作在于「指导」。这与传统编程不同：编程的动作是「编排」逻辑，要求使用者具备严密的逻辑性即可入门；而 Prompt 工程不仅要求有逻辑性，更要求使用者具备抽象问题的能力。换句话说：如果不能通过本质去思考问题，那又如何简洁高效地「指导」模型使用什么能力呢？
为什么简单的指令不够？
大模型本身并不包含人类生活中的常识、公理等约定俗成的信息。对于大模型而言，所有的返回内容都是它对海量数据学习后，形成的词联概率的组装结果。这意味着，如果缺乏明确的约束和协议，模型的输出具有随机性和不可控性。
案例对比：天气预报查询
假设需求是：输出广州市未来 10 天的天气预报，并展示每天应对天气的准备工作。
1. 未入门的 Prompt 写法 许多初学者会直接把需求原封不动地说给 AI 听，甚至加上一些假定前缀。
假如你是一个资深气象专家，请告诉我广州市未来 10 天的天气预报，并展示每天应对天气的准备工作。
这种写法的缺陷在于：
- 缺乏对数据来源的明确指示。
- 没有规定输出的格式（表格、列表还是段落）。
- 变量定义模糊（如'准备工作'的具体维度）。
2. 结构化协议 Prompt 写法 为了控制输出，我们需要拟定一套完整的协议，告诉大模型：上下文是什么，目标数据有什么特性，按照什么样的方式生成，返回什么结构的内容。
# 角色设定
你是一位资深的气象数据分析专家。
# 任务目标
获取并分析广州市未来 10 天的天气预报数据，并提供针对性的生活建议。
# 上下文
用户需要知道广州市未来 10 天的详细天气情况，以便安排出行和生活。
# 数据特性
请从在线气象网站中获取最新的天气数据，确保数据的时效性。
# 变量定义
[Date]：日期时间，格式为 YYYY-MM-DD，例如 2024-05-28
[MaxTemp]：最高气温，单位为摄氏度，例如 28
[MinTemp]：最低气温，单位为摄氏度，例如 28
[Wet]：空气湿度，单位为%，例如 60
[RainProb]：降雨概率，单位为%，例如 30
[WindLevl]：风力等级，单位为级，例如 2
[WindDirt]：风力方向，单位为向，例如 东北向
[Warning]：天气提醒，根据气温、湿度、降雨概率维度给出合理提醒
# 返回格式
请遍历每一天的气候数据，严格按照如下 Markdown 表格格式返回，不要输出不相关的内容。
| 日期 | 最高气温 | 最低气温 | 空气湿度 | 降雨概率 | 风力等级 | 风力方向 | 天气提醒 |
| ----- | ----- | ----- | ----- | ----- | ----- | ----- | ----- |
| [Date] | [MaxTemp] | [MinTemp] | [Wet] | [RainProb] | [WindLevl] | [WindDirt] | [Warning] |
通过引入结构化协议，大模型的返回内容更具可控性，同时也更容易被程序解析或人工阅读。
编写高质量 Prompt 的核心框架
要编写专业的 Prompt，建议遵循以下通用框架（类似 CO-STAR 或 BROKE 原则的变体）：
- 角色 (Role)：明确 AI 的身份，激活特定领域的知识库。
- 背景 (Context)：提供任务发生的背景信息，减少歧义。
- 任务 (Task)：清晰描述需要完成的具体工作。
- 约束 (Constraint)：列出必须遵守的限制条件（如字数、语气、禁止事项）。
- 格式 (Format)：指定输出的结构（JSON、Markdown、CSV 等）。
- 示例 (Example)：提供 Few-Shot（少样本）示例，让模型模仿风格。
进阶技巧：思维链与迭代优化
1. 思维链 (Chain of Thought)
对于复杂问题，要求模型展示推理过程可以显著提高准确率。
- 方法：在 Prompt 中加入'请一步步思考'或'先分析问题，再给出结论'。
