提示词工程入门指南与实战技巧

提示词工程（Prompt Engineering）是一门专注于通过优化输入指令来精确引导大语言模型输出的技术。它无需调整模型内部参数，而是通过系统化设计Prompt，使AI的生成结果更稳定、可控且易于评估。

一、什么是提示词工程

我们可以将其核心定义为：

提示词工程 = 如何写Prompt + 如何用代码管理Prompt

它旨在解决大模型作为概率预测系统所固有的输出不确定性问题。通过一系列工程化技巧，提示词工程能够有效引导这个“黑盒”按照预设的意图、格式和标准生成内容。

对比示例：

基础提问：“总结这段话”可能导致回复格式杂乱、长度不一。

优化后的Prompt：“你是一名技术文档专家。请用三个要点总结以下内容，每个要点不超过20字。内容：{content}”

优化后，输出的结构、长度和质量都得到了显著提升，更便于实际应用。

二、Prompt 设计核心原则

要设计出高效的Prompt，可以遵循以下几个经过验证的核心原则。

1. 角色设定（Role Prompting）

为模型赋予一个明确的专业身份，能深度影响其回答的风格、视角和详尽程度。例如：“你是一位拥有十年经验的前端架构师”。

代码实现示例：

const prompt = `你是一名资深前端架构师，请从工程实践角度解释 React 的 diff 算法原理`

这种方法能确保输出内容更具专业性和一致性。

2. 任务拆解（Task Decomposition）

对于复杂需求，应将任务分解为清晰的、循序渐进的子步骤，引导模型逐步完成。

例如，文本分析任务可拆解为：“第一步：提取核心关键词；第二步：归纳段落主旨；第三步：提出优化建议”。

代码中的Prompt构建：

const prompt = `请按顺序执行以下任务：1. 提取文本中的关键实体；2. 用一句话概括文本大意；3. 基于内容提出一项可行性建议。文本：${text}`

3. Few-shot 示例（少样本学习）

当模型对任务格式不明确时，提供少量输入输出示例能快速引导其掌握模式。

分类任务示例：

输入：苹果是一种水果
输出：水果
输入：老虎是一种动物
输出：动物
输入：香蕉是一种水果
输出：

TypeScript实现方式：

const prompt = `请根据示例推断类别。示例：输入‘苹果是一种水果’，输出‘水果’。输入‘老虎是一种动物’，输出‘动物’。现在请判断：输入‘香蕉是一种水果’，输出：`

4. 约束输出格式

为便于程序化处理，必须明确指定输出的数据结构格式，如JSON、XML或特定标记语言。

例如：“请以JSON格式输出，包含‘score’（数值）和‘reason’（字符串）两个字段。”

具体代码示例：

const prompt = `评估图片与文本的相关性。请返回严格的JSON格式：{"score": number, "reason": string}。文本：${text}`

三、Prompt 模板化（工程实践）

在实际项目开发中，应将Prompt设计为可复用的模板或技能（Skills），避免硬编码，提升维护性和一致性。

示例：Prompt Template

一个基础的Prompt模板类实现如下：

class PromptTemplate {
  constructor(private template: string) {}
  format(data: Record) {
    let result = this.template
    for (const key in data) {
      result = result.replace(`{${key}}`, data[key])
    }
    return result
  }
}

应用示例：

const template = new PromptTemplate(
  `你是一名专业的视频内容审核员。请根据要求审核视频。
  审核标准：{requirement}
  视频内容描述：{description}
  请返回JSON结果：{ "pass": boolean, "reason": string}`
)

动态生成Prompt：

const prompt = template.format({
  requirement: "视频主题需包含动物元素",
  description: "这是一段关于小狗在公园奔跑的视频"
})

多模板形成的 Prompt Chain

复杂业务流程通常需要多个Prompt串联，形成处理链（Prompt Chain），实现分阶段的任务协作。

以AI视频制作为例，典型工作流为：需求分析 → 脚本撰写 → 分镜设计 → 视频合成 → 质量评估。

代码化的工作流示意：

async function generateScript(topic: string) {
  return llm(`请为以下主题创作一个短视频脚本。主题：${topic}`)
}
async function generateStoryboard(script: string) {
  return llm(`请根据脚本内容，设计详细的分镜头描述。脚本：${script}`)
}
async function generateVideo(storyboard: string) {
  return videoModel(storyboard)
}
async function workflow(topic: string) {
  const script = await generateScript(topic)
  const storyboard = await generateStoryboard(script)
  const video = await generateVideo(storyboard)
  return video
}

此类链式调用在LangChain、LangGraph等AI应用框架中已成为标准实践。

四、结构化输出

在工程化应用中，结构化输出是必备条件。非结构化的自然语言文本难以被程序自动化解析和使用。

对比示例：模糊回答“图片基本符合描述” vs. 结构化输出 { "match": true, "score": 0.87, "reason": "图片中清晰包含了一只猫"}。后者可直接被下游代码消费。

实现结构化输出的TypeScript函数示例：

async function evaluateImage(text: string, imageDesc: string) {
  const prompt = `进行图文匹配度评估。
  文本描述：${text}
  图片描述：${imageDesc}
  请返回JSON格式结果：{ "match": boolean, "score": number, "reason": string}`
  const res = await llm(prompt)
  return JSON.parse(res)
}

五、常见应用场景

提示词工程已广泛应用于各类AI驱动的产品与服务中。

1. AI 智能客服

核心流程：用户输入问题，经过优化的客服Prompt引导大模型生成准确、友好且有用的回答，提升客服自动化水平与用户体验。

2. 内容安全审核

通过设计多轮审核Prompt，对UGC内容进行自动化校验。例如：“审核视频是否满足：1. 主题包含指定动物；2. 背景为自然环境；3. 视频时长在5-15秒之间”。

3. 图文匹配与多模态理解

在多模态AI任务中，Prompt用于评估图文一致性。例如：“判断图片内容是否准确反映了文本描述”，并输出量化的匹配分数，使结果可衡量、可比较。

4. 自动化内容生成

这是目前最普及的应用之一。通过定制不同的Prompt，AI可以高效辅助生成营销文案、技术博客、视频脚本甚至可执行代码片段，大幅提升内容生产效率。