大模型提示词调优实用技巧与经验分享

Prompt工程，比你想象的更有门道

Prompt说白了，就是用户和LLM之间对话的起点。你告诉模型你的意图，期待它给出有意义的回应。当任务变复杂时，Prompt的质量直接决定了回复的好坏。一个精心设计的Prompt，能让模型更精准地理解你的需求，输出也更有价值——这已经不只是“问问题”那么简单了。

Prompt设计：该往里面装什么

2.1 Prompt主要构成要素

一个完整的Prompt通常包含以下几个要素，但请注意——并不是每个Prompt都必须把它们全部塞进去，关键是根据具体场景灵活组合：

1. 引导语或指示语：告诉模型你希望它做什么——回答问题、提建议、还是写段文本。
2. 上下文信息：提供足够的背景，帮助模型理解。这个背景可以是场景、数据，也可以是历史上的对话内容。
3. 任务描述：清晰描述你期望模型执行的任务，可以是一个问题、一句指令，或一个场景说明。
4. 输出格式指示：如果对输出格式有要求，别藏着掖着。是列表、连贯文本，还是按步骤输出？说明白。
5. 限制条件：设定边界——比如字数限制、避免专业术语等，引导模型在框框里发挥。
6. 样例输出：给一个或几个例子，模型一看就懂你想要什么样的答案。
7. 结束语：在连续对话中，用结束语标记Prompt的结束，可以避免模型“跑偏”。

2.2 Prompt编写策略

讲完“装什么”，接下来聊聊“怎么装”。以下是从实践中沉淀下来的几条策略，每一条都对应着实际场景中的痛点。

策略一：复杂规则拆着写，效果反而更好

如果一条规则描述得过于复杂，模型往往很难准确执行。分拆成多条简洁规则，反而更容易命中。

来看一个例子。原始规则如下：

对于推销结果的判定，如果提及了【支付、办手续、签字、合同】则是“成交”，如果提及了【再看、考虑、不要、再联系、不需要、放弃、先不】则是“未成交”，其他情况视为“无法识别是否成交”。

这条规则混杂了多个判断条件，模型容易误判。将其拆分为两条后：

- 规则1：成交，对话提及支付行为，如：支付宝、微信、转账支付等视为合规。 - 规则2：未成交，客户表达态度，如：考虑、暂时、先不用、不需要、不升级、不考虑、放弃等犹豫或否定词语视为合规。 推销结果：从【成交、未成交、未知】中三选一，参考规则1、规则2的结论，得出结果。

拆开之后，模型处理和判断的准确度明显提升——这其实跟人的认知规律很像，复杂问题拆解开来，两者都能更好地理解。

策略二：不要怕冗余，关键信息可以“重复强调”

对于那些逻辑关系比较复杂的前提条件，适当在Prompt中重复强调，可以增加它在模型记忆中的权重，降低推理偏差。比如要求生成指定字数内的标题，但模型总是超字。怎么办？

#创作要求：每个标题字数不得超过15个字。 #检查步骤：检查每个标题字数是否超出了15个字，要求每个标题字数必须小于15个字。

在多个层级重复强调“15个字”的要求，模型终于听话了——这不仅是对模型的提醒，本质上也是对人类“直觉”的一种补偿，因为LLM的“记忆力”并没有你想象的那么强。

策略三：分隔符用得好，模型理解没烦恼

Prompt越长越复杂，模型越容易迷失。分隔符就像文章中的段落标记，帮助模型精准定位不同部分的内容。

原始Prompt：

请对以下内容进行文本摘要，分析情感倾向，并提取所有重要事实和数据。亿航智能(EH.US)涨超11% - 英国财情报道，亿航智能（EH.US）的股价在今日交易中涨幅超过11%。这一涨幅可能与该公司在全球首台国产“空中的士”项目中的进展有关，显示出市场对于无人机技术和空中交通解决方案的积极反应。

加入分隔符后：

请对提供的文本内容进行以下分析： - 文本摘要：提供该段落的简短摘要。 - 情感分析：确定文本的情感倾向，是积极的、消极的还是中性的。 - 关键信息提取：列出文本中提到的所有重要事实和数据。 文本内容： ''' 亿航智能(EH.US)涨超11% - 英国财情报道，亿航智能（EH.US）的股价在今日交易中涨幅超过11%。这一涨幅可能与该公司在全球首台国产“空中的士”项目中的进展有关，显示出市场对于无人机技术和空中交通解决方案的积极反应。 '''

结构清晰了，模型自然更容易理解你的要求。

策略四：示例是最好的“说明书”

没有什么比一个具体的例子更能说明问题。Prompt中加入示例，本质上是利用了“少样本学习”的原理，让模型通过少量示例快速掌握任务的本质。

提供示例有两种方式：

方式一：给出输出示例

请根据以下格式给我推荐三本书： 书名: [书名] 作者: [作者] 出版年份: [年份] 简短描述: [描述] 示例输出： 书名: 《追风筝的人》 作者: 卡勒德·胡赛尼 出版年份: 2003 简短描述: 这是一个关于友谊和救赎的故事，发生在动荡的阿富汗历史背景下。

方式二：给出任务相关样例（小样本学习）

请根据以下样例将这篇文章分类为科技、体育或娱乐： 样例1： 文章内容：介绍最新智能手机的规格和功能。 分类：科技 样例2： 文章内容：关于即将举行的国际足球赛事的报道。 分类：体育 现在，请对以下文章进行分类： 文章内容：[用户提供的文章内容]

示例的好处很直接：它提供了一个直观的输出模板，降低了模型对任务的误解，提高了输出的一致性。有时候，一个例子比长篇大论的指令更管用。

策略五：任务步骤要写清楚，别让模型“自由发挥”

遇到复杂推理任务时，与其让模型直接给出最终答案，不如告诉它一步步来。这有点像教人做一道菜，把步骤拆成了：切菜、热油、爆香、翻炒——每一步做对了，最终的菜才不会翻车。

具体好处包括：明确性（避免误解）、结构化（按逻辑顺序执行）、效率（小步骤更容易完成）、易于监控（知道进度）、减少错误（每一步都明确）、便于复查（出问题可以追溯）、以及提高透明度（用户知道执行过程）。

策略六：让模型“自我反思”，找到bad case的真正原因

大模型对指令的遵循效果，实际上取决于指令是否贴合它自身的推理逻辑。当你遇到难以理解的“bad case”时，不妨引导模型回顾自己的推理过程——让模型解释它是怎么得出这个结论的。

初期，可以要求模型生成某个任务所需的Prompt框架，看看它是否能理解你这个人类的意图。到了持续迭代阶段，把你遇到的bad case抛给模型，问问它：“你为什么会这么想？”——这往往能帮你发现是模型逻辑的盲区，还是自己的Prompt表达不够清晰。

策略七：语音场景下的Prompt，有个“口音”问题要处理

在销售线索挖掘、电信欺诈识别、服务质量质检等场景中，语音转文本的准确率往往是个大坑。模型在实际分析时，很可能因为转写错误而误解原意。

解决方法其实简单：在Prompt中加一句话，让模型知道“有些词可能翻译错了”

有些词可能翻译描述错误，你需要基于语境理解原本意思，不要直接因错别字判定不合规。

就是这么一句提醒，能帮你省下大量做转写优化的时间。

策略八：判断型任务，先给“证据”，再下结论

在分析判断型任务中，如果直接让模型给结论，经常出现标签正确但结论错误、或标签错误但结论正确的矛盾情况。更好的做法是：先输出依据，再输出结论。

举个输出格式的例子：

{"reason":"判断原因"，"result":"判别结果"}

先命中的规则句子或判断理由出来，再给出结论——准确率明显更高。

总结：Prompt调优，本质是迭代的艺术

总结下来，Prompt调优是一个“摸索-测试-优化”的循环过程，没有一劳永逸的万能模板。核心动作包括：

1. 尝试不同的Prompt方法：可以尝试不同的语言模式、词汇使用，甚至调整语法结构——每一次调整，都应该放到评估集上去跑一跑，看看效果。

2. 调整和优化：根据测试结果，微调词语、改变提问方式、调整语言风格，甚至大幅度重写Prompt结构。

3. 记录和分析：每次实验的结果都要记录。这些记录是最好的老师，帮你分清哪些是有效的迭代，哪些是无效的。

4. 迭代循环：每一轮测试和优化之后，都重新评估效果。循环下去，最终会接近那个“最优解”。

说到底，Prompt调优不是一种“灌鸡汤”的玄学，而是遵循“假设-验证-迭代”的科学方法。最好的Prompt，往往是无数个小调整累加的结果。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：大模型提示词调优实用技巧与经验分享要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题