大语言模型提示词调试的 6 个关键步骤
随着人工智能生成内容（AIGC）技术的飞速发展，大语言模型已成为探索智能世界的重要工具。然而，要让模型精准理解并执行用户意图，关键在于调试好提示词（Prompt）。许多初学者往往依赖零散的经验，缺乏系统的方法论。本文将基于实际应用场景，总结出一套系统的提示词调试六步法，帮助开发者与使用者更高效地驾驭大模型。
第一步：想清楚想要什么
在使用大模型之前，首要任务是明确核心目标。模糊的需求会导致模糊的输出。例如，在教育场景中，家长希望为孩子生成英语读物。如果仅说'帮我写英语书'，模型可能无法确定是创作故事、编写教材还是提供阅读列表。
正确的做法是将需求具体化：
- 目标对象：4 岁儿童。
- 具体内容：英文绘本，包含标题和正文。
- 特殊要求：根据孩子的蓝思值（Lexile）生成难度适配的内容。
只有明确了'做什么'，才能进入下一步的表达设计。建议采用 SMART 原则来定义目标，确保 Specific（具体）、Measurable（可衡量）、Achievable（可实现）、Relevant（相关）、Time-bound（有时限）。
第二步：怎么清楚地表达想要的结果
明确了目标后，需要通过 Prompt 向模型提出具体要求。清晰的指令应包含角色设定、任务描述、约束条件和输出格式。
示例指令：'请为我提供一套适合 4 岁孩子的英语读物。要求能够根据孩子的蓝思值生成适合的读物，要求包含标题和正文。'
这个指令虽然包含了基本信息，但模型可能会误解为推荐现有的书籍而非创作新内容。为了消除歧义，需要增加否定约束和正面引导，例如：'不要推荐现有书籍，请直接创作一本全新的绘本'。此外，使用分隔符（如 ### 或 """）将指令与上下文区分开，也能提升解析准确率。
第三步：使用乔哈里视窗检视大模型是否真正明白了你想要的
乔哈里视窗（Johari Window）原用于人际沟通，分为四个区域：开放区、盲目区、隐藏区和未知区。将其应用于人机交互，能有效诊断沟通偏差。
- 开放区：双方都清楚的信息。如明确提出的'生成英文绘本'需求，若模型准确执行，即处于开放区。
- 隐藏区：我们知道但模型不知道的信息。例如，我们希望绘本风格温馨幽默，但未在 Prompt 中说明，导致模型输出平淡。解决方法是补充细节，减少隐藏区。
- 盲区：模型知道但我们不知道的信息。例如，模型可能提供了我们未曾想到的教育互动方式。可以通过反问模型'我应该如何向你提问'来挖掘盲区。
- 未知区：双方都不清楚的信息。这需要不断尝试新的策略组合来探索。
应用此模型的核心目的是缩小盲目区和隐藏区，扩大开放区，确保模型理解我们的真实意图。
第四步：使用情景词 + 少样本学习的组合让大模型更懂你想要的
为了提高模型的理解力，可以在 Prompt 中加入具体的情景词和少样本（Few-Shot）示例。
情景词：设定背景。例如，'4 岁孩子喜欢读中文书，但是一看到英文书就排斥？为 4 岁孩子创作一本英文绘本，绘本应该有 5-10 页，包含简单的字母学习和颜色识别。请使用温馨和幽默的风格，并在故事中加入一些互动性问题'。
少样本学习：提供高质量的输入输出示例。例如，摘录知名分级绘本（如红火箭系列）的片段作为参考，让模型模仿其句式和词汇难度。这比单纯的文字描述更能让模型捕捉到预期的风格。
# 示例：构建 Few-Shot Prompt
prompt = """
角色：资深儿童文学作家
任务：创作英文绘本
示例 1：
输入：关于颜色的故事
输出：The Red Ball. The ball is round and red.
示例 2：
输入：关于动物的故事
输出：The Happy Cat. The cat likes to sleep.
你的任务：
输入：关于数字的故事
输出：
"""
第五步：通过提示词框架组织内容，更清晰地传达意图
随着 Prompt 变长，结构化的框架能提高执行效率。常见的提示词框架包括：
- CO-STAR 框架：涵盖角色（Character）、目标（Objective）、风格（Style）、语调（Tone）、受众（Audience）、响应（Response）。
