Prompt工程快速入门与实战案例教程

掌握 Prompt Engineering 技巧，让 AI 输出更精准高效！

从基础概念到实战技巧，本文带你全面掌握提示词设计。我们将从 Prompt 的核心概念出发，逐步深入 高效提示词的编写技巧，并通过 翻译工具、代码生成等实战案例 将理论落地，最终带你了解 Meta Prompt 和评测飞轮 的进阶玩法。

1. 什么是 Prompt Engineering？基础概念与重要性解析

Prompt 的定义与作用

Prompt（提示词）是输入给生成式 AI 模型的指令，用于引导其输出结果。而 Prompt Engineering（提示工程）则是编写有效指令的过程，使模型能够持续生成符合需求的内容。

简单来说，prompt（提示词） 是引导生成式 AI 模型按你的要求进行输出的指令。由于模型生成内容的不确定性，构建一个能够生成所需格式内容的提示既是一门艺术，也是一门科学。

使用 LLM 撰写旅行规划、翻译文本、编写代码或解答数学题，都是 Prompt 的应用。甚至简单的“你好”也是 Prompt，可以看到 DeepSeek-r1 仍会深入思考许多。

$ Ollama run deepseek-r1:8b
>>>> 你好
Thinking...
嗯，用户发来一句简单的“你好”，看起来像是初次打招呼或者想开启对话。可能 ta 刚打开聊天窗口，还在试探界面功能，也可能只是随手测试 AI 的响应速度。

这种情况下不适合过度解读，但也不能冷冰冰地回复。用温暖友好的语气建立初始信任比较重要，同时要留出开放式的引导空间——毕竟用户没提供具体需求时，主动询问方向比被动等待更高效。

考虑到中文习惯，“你好呀”比“您好”更自然亲切，加上表情符号能快速传递友好感。后半句列举几个常见使用场景（学习、工作等）可以降低用户的提问门槛，让 ta 更容易意识到 AI 能帮上忙的领域。

用户此刻可能处于两种状态：要么是随便问问想看看 AI 怎么回应，要么确实有需求但还没组织好语言。所以回复既要简洁又要包容性强，“有什么我可以为你做的吗”这种开放式结尾比较合适。
...done thinking.

你好呀！? 我是 DeepSeek-R1，很高兴见到你～
无论你是来学习、工作还是生活上遇到问题，我都可以帮你出主意、找答案 ?
今天有什么我可以为你做的吗？

Vibe Coding（code is cheap, show me the talk）——提示词即代码

Prompt 就是 LLM 时代的程序。过去人们分享应用时索要代码，如今则要提示词。写好 Prompt 已成为新时代的基本功。

小提示： 不要将 Prompt 视为简单的“提问”，它更像一份精准的指令文档。如同向餐厅后厨下单，描述越具体，结果越准确。

常见问题 1：Prompt 是不是越长越好？

答： 不一定。关键在于 清晰度和相关性。冗长但重复、模糊的指令反而会干扰模型。好的 Prompt 应该结构清晰、重点突出，包含角色、任务、步骤、输出格式等必要元素，而非无意义堆砌。

2. 编写高效提示词的三大核心技巧

技巧一：描述清晰

虽然网上流传着许多 Prompt 的奇技淫巧，但最核心的仍是清晰描述需求，如同与人交流，不要让对方猜测。

用餐馆点餐举例。你对后厨说“来点吃的”，厨房（AI）会很困惑，可能随便送一份蛋炒饭，结果不一定是你想要的。但如果说“我要一份牛肉盖浇饭”，这就好多了！厨房知道了菜品，但不知道你的口味偏好，可能做得特别辣，而你其实不吃辣。如果更具体：“老板，我要一份青椒肉丝盖浇饭。米饭要硬一点，肉丝要瘦肉，不要放味精，最重要的是，千万不要放辣！请在晚上 7 点前送到。”厨房（AI）收到这个指令，就能精准做出完全符合你心意的美食。

Prompt 本质上就是你和 AI 沟通的语言。

• 你给的指令越模糊、懒惰，AI 给出的答案就越平庸、不靠谱。
• 你给的指令越清晰、具体、信息量越丰富，AI 就越能像顶级专家一样，精准完成任务。

技巧二：基本格式的结构化

一般来说，prompt 会包含以下部分：先设置一个 角色，然后设置任务和执行的 步骤，再约束输出的 格式，并举几个 例子。不必拘泥于此，主要是为了描述清晰，也便于自己维护。

现在模型能力都比较强，对 prompt 语言没什么要求，如果你英语不是特别地道，则用中文更好（或者让 LLM 给你润色一下）。也可以混合使用，模型对一些英语单词特别敏感，比如：MUST、Examples、Format。

# Role and Objective

# Instructions
## Sub-categories for more detailed instructions

# Reasoning Steps/Workflow

# Output Format

# Examples
## Example 1

# Context

# Final instructions

一般使用 markdown 标题表示递进关系，但层级不宜过深（H4 即可）。长内容块通常用 markdown 代码块格式包裹，不过有时 xml 格式更加清晰（特别是 Example、Context 部分的描述）。

```
example-1：
I absolutely love this headphones — sound quality is amazing!
Positive
```

```
example-2：
Battery life is okay, but the ear pads feel cheap.
Neutral
```

I absolutely love this headphones — sound quality is amazing!


Positive



Battery life is okay, but the ear pads feel cheap.


Neutral

技巧三：In-Context Learning（上下文学习）

这是大模型神奇的地方之一，研究发现，即使某个能力没有专门训练过，但给一些示例，它就能学会。因此我们经常使用 few-shot 技巧来“激活”这个能力。

3.1 Few-Shot（小样本学习）

简单来说就是举一些例子。比如评论分类：

文本：我对这个产品非常失望。
分类：负面

文本：这部电影还可以，没什么特别的。
分类：中性

文本：这家餐厅的食物棒极了！
分类：正面

主要作用：

1. 提高复杂推理任务的准确性：对于需要逻辑推理的任务，给出的例子就像是给 AI 的“解题模板”，帮助其学习新的、特定的任务模式。
2. 精确格式控制：通过多个例子强化你想要的输出格式。
3. 减少歧义：明确告诉模型在边界情况下应该如何决策（比如上面例子中的“中性”）。

当然 few-shot 也不能乱写，需要注意下面几个方面：

左图：示例数量（Exemplar Quantity）尽量多一些
右图：示例顺序（Exemplar Ordering）随机排列效果更好

左图：示例标签分布（Exemplar Label Distribution）应均匀
右图：示例自身质量（Exemplar Label Quality）必须绝对正确

3.2 Chain-of-Thought（思维链）

CoT（思维链）是一种技术，促使大型语言模型在解决问题时阐述其推理过程，从而增强模型的推理能力。

Zero-Shot CoT： 在推理模型出现之前，很多 prompt 优化都会让加一句“Let’s think step by step”，这样模型就能思考，解决一些需要多步推理的问题。但现在有了推理模型，更推荐直接使用推理模型解决问题。即使是非推理模型，也不建议刻意加上这句，而是应该定义好目标（Objective）和 Workflow。

Few-Shot CoT： 这仍然属于 In-Context Learning，不仅直接给结果，而且给出思考过程，相当于授之以渔。

Q: 食堂有 23 个苹果，他们用了 20 个做午餐，又买了 6 个。他们现在有多少个苹果？
A: 9

Q: 食堂有 23 个苹果，他们用了 20 个做午餐，又买了 6 个。他们现在有多少个苹果？
A: 食堂原来有 23 个苹果。他们用了 20 个，所以剩下 23 - 20 = 3 个。然后他们又买了 6 个，所以现在有 3 + 6 = 9 个。最终答案是 9。

小提示： 使用 Few-Shot 时，示例的标签分布要均匀（比如正面、负面、中性各一个），并且示例本身必须正确。示例顺序随机摆放效果更好。

常见问题 2：什么时候该用 Zero-Shot，什么时候该用 Few-Shot？

答： 对于通用、简单的任务（如翻译、摘要），Zero-Shot 通常足够，直接一条指令即可。对于需要特定格式、多步推理、减少歧义的任务（如评论分类为三级、数学多步计算），推荐使用 Few-Shot 提供 2-5 个示例。如果任务非常复杂，还可以考虑 Few-Shot CoT（给出思考过程示例）。

3. 进阶技巧：RAG、推理模型与 Agent

RAG（检索增强生成）

将额外相关上下文添加到模型生成请求中的技术，有时被称为检索增强生成（RAG）。

广义上来说，给模型提供相关上下文的技术都可以叫 RAG。方式可以是向量数据库召回，也可以是 Google 等搜索接口搜出来的，甚至是手工写死在 prompt 中的。

使用目的：

1. 让模型访问专有数据，即训练中未包含的数据
2. 让模型仅在特定数据集中进行回答

与 Fine-tuning（微调）的对比

微调允许你定制预训练模型，使其在特定任务上表现出色。

RAG 常与 Fine-tuning 比较，因为两者都能增强 LLM 在特定领域的知识。但两者并非互斥，应用场景不同。

• RAG（检索增强生成）： 这种方法可比作“开卷考试”。当模型遇到问题时，它会先从一个外部的、实时更新的知识库（如向量数据库）中检索相关信息，然后将这些信息作为上下文，连同原始问题一起交给语言模型，从而生成答案。它不改变模型本身的内部参数。
• Fine-tuning（微调）： 这种方法则像“备考学习”。它通过在特定任务或领域的定制化数据集上继续训练模型，从而将新的知识或技能“内化”到模型的参数中。这个过程会更新模型的权重，使其“记住”特定的知识、格式或风格。

如果你的首要任务是确保信息的准确性、实时性和可追溯性，那么 RAG 是更优的选择。如果你的目标是让模型掌握一种特定的行为模式、风格或固有知识，那么 微调会更适合。

推理模型（Reasoning Model）

随着 OpenAI O 系列模型和 DeepSeek-R1 的火热，现在新出的模型几乎都是推理模型（可设置 no think 模式）。Prompt 写法变了吗？其实也没有，本质仍未改变：清晰描述需求、提供足够的上下文。

注意事项：

• “think step by step”这种触发 COT 的魔法词就不要添加了，会画蛇添足，甚至非推理模型也不建议这样做了。
• 提供具体的目标，让推理模型能自行验证，不断推理和迭代，直到符合你的成功标准。
• 先尝试 zero-shot，不行再 few-shot。前面提到 few-shot 的 3 个作用，推理模型会自己探寻解决步骤，这点可能不需要，但控制格式和减少歧义的作用仍然存在。few-shot 并非完全舍弃。
• workflow（工作流）可能更加重要。推理模型能自己拆解复杂任务，但往往很发散，会让用户体验不佳。如果特定任务有成熟步骤，可以固定下来，让模型一步步执行。如果是做具体任务，不需要用 few-shot 教会模型，而是使用 workflow 固定下来。比如写旅行规划，先安排交通、住宿再安排景点等，或构建 ReAct Agent。

ReAct/Reflexion（构建 Agent）

Agent 代表能够智能完成任务的系统，范围从执行简单工作流到追求复杂、开放式的目标。

ReAct（Reasoning and Acting）指生成一个想法，采取一个行动，并接收一次观察结果（然后重复这个过程）。所有这些信息都会被插入到提示中，这样它就能记住过去的想法、行动和观察结果。

这类模式（Observation-Based Agent）不能单纯算作 prompt，手工构建非常麻烦（还需要和 function call/MCP 结合），一般 LLM 开发框架会集成，比如：LangChain：从预构建 Agent 开始、Eino：React Agent 使用手册

小提示： 对推理模型，不要写“think step by step”，而是直接定义好 具体目标 和 成功标准。例如：“请写一份关于新能源汽车的调研报告，要求包含市场现状、技术路线和竞争格局，并用表格列出前五名厂商的市占率。” 目标越明确，模型推理越精准。

常见问题 3：RAG 和 Fine-tuning 可以一起用吗？

答： 完全可以且往往是 最佳实践。例如：先用 Fine-tuning 让模型学习企业内部的术语、写作风格；再用 RAG 从最新的文档库中检索实时信息。两者结合能同时获得“内化知识”和“实时知识”的优势。

4. 实战案例：从翻译工具到 Meta Prompt

4.1 翻译工具例子

前面说的可能比较抽象，我们通过一个翻译工具例子，来把上面说的串起来。为了凸显 prompt 的效果，我们本地运行一个小参数模型 ollama run qwen3:8b，同时为了突显 prompt 优化效果，关闭思考模式（/set nothink）。

第一轮： 可以看到翻译有点别扭，listened 应该译为“听了/听过”更合适。同时我希望保留人名，因为有时中文名称更加拗口。

翻译：Have you listened to the new album by Taylor Swift?

你听到泰勒·斯威夫特的新专辑了吗？

第二轮： 翻译稍好一些，但没有按要求保留英文原文，尝试加一些示例，再优化一下：

# Role and Objective
你是一个翻译专家，需要将用户输入的英文准确、流畅地翻译成中文

# Instructions
1. 保持译文准确，忠实于原文的意思。
2. 使用自然、通顺的中文表达方式。
3. 避免逐字逐句的生硬翻译。
4. 注意英文文本中的语法、词汇和语境。
5. 如果有人名保留英文原文

# Output Format
直接输出中文，不需要包含其它内容

# input
Have you listened to the new album by Taylor Swift?

---
你听过泰勒·斯威夫特的新专辑吗？

第三轮： 这次好多了，看起来进步明显。

# Role and Objective
你是一个翻译专家，需要将用户输入的英文准确、流畅地翻译成中文

# Instructions
1. 保持译文准确，忠实于原文的意思。
2. 使用自然、通顺的中文表达方式。
3. 避免逐字逐句的生硬翻译。
4. 注意英文文本中的语法、词汇和语境。
5. 如果有人名保留英文原文，不做翻译

# Output Format
直接输出中文，不需要包含其它内容

# Examples

原文：Please give this package to Dr. Emily Carter.
译文：请把这个包裹交给 Emily Carter 博士。



原文：LeBron James just broke another record in the NBA.
译文：LeBron James 刚刚在NBA打破了又一项纪录。


# Input
Have you listened to the new album by Taylor Swift?

---
你听过了Taylor Swift的新专辑吗？

第四轮： 最后再做一些优化，比如把类似 NBA 简称做解释，翻译得更优雅一点。还可以引入 RAG 增加术语表（有些词就这样翻译），这里就不演示了。

# Role and Objective
你是一个跨文化专业翻译家，需要将用户输入的英文翻译为中文

# Instructions
- 严格遵循信达雅原则（信=精准/达=流畅/雅=审美）
- 保持译文准确，忠实于原文的意思。意译而非直译，专业内容保证术语准确
- 翻译完成后再 review 一遍，确保使用自然、通顺、地道的中文表达方式，符合中文语言习惯
- 注意识别语境（日常生活/娱乐/专业领域/俚语和习语/新闻等），译文需要贴合语境
- 如果有人名保留英文原文，不做翻译
- 有些特定词汇（产品/公司名称、地名、编程语言名称等）不用翻译，但需要结合上下文，比如 Apple 指苹果公司也指水果，需要一整句话分析
- 英语专业名词缩写保留原文，并把中文释义放在后面括号里。比如 CEO（首席执行官），NBA（美国职业篮球联赛），KPI（关键绩效指标）

# Output Format
直接输出中文，不需要包含其它内容

# Examples

原文：LeBron James just broke another record in the NBA.
译文：LeBron James 刚刚在NBA（美国职业篮球联赛）打破了又一项纪录。



原文：Economy shows signs of recovery amid easing of restrictions.
译文：随着限制措施放宽，经济显示出复苏迹象。



原文：You can't judge a book by its cover.
译文：人不可貌相，海水不可斗量。



原文：He is a full-stack developer proficient in both Python and JavaScript.
译文：他是一位精通 Python 和 JavaScript 的全栈工程师。



原文：I'd like to book a table for two at 7 PM.
译文：我想预订一张今晚7点的两人桌。

一些翻译结果，效果还算不错：

I'm just browsing, thank you.
我只是随便看看，谢谢。

Please clear your browser cache and cookies.
请清除您的浏览器缓存和 Cookie。

The company's quarterly earnings exceeded analysts' expectations.
该公司季度盈利超过了分析师的预期。

He needs to undergo a MRI scan.
他需要进行磁共振成像（MRI）检查。

This game has an amazing open-world map and immersive storyline.
这款游戏拥有一个令人惊叹的开放世界地图和引人入胜的故事情节。

4.2 Meta Prompt（还在手写 prompt？）

其实到这一步细心的同学可以发现，写 prompt 还是有一定的范式。那么可以使用 LLM 自己生成吗？当然可以，这就叫 Meta Prompt。自动生成提示词的 prompt 大概这样：

Create a GPT prompt based on the following task requirements:

# Requirements
- Keep the prompt clear and easy for GPT's understanding.
- Be concise as each token in the prompt incurs a cost.
- The prompt is suggested to be a well-structured Markdown.
- Include one or two input/output `## Examples` where appropriate.
- Maintain a professional tone.

# Response Format
Provide the prompt content directly, without titles, additional explanations or comments.

# Requirements of Task
在这里输入任务需求

有开源的实现：GitHub - meta-prompting/meta-prompting，火山方舟也推出了 PromptPilot。

4.3 评测飞轮

其实比写 prompt 更重要的是评测，效果好不好往往不是 1+1=2 这种确定性问题，需要有可验证的反馈机制，构建评测飞轮，实现持续迭代。

一般流程是批量跑然后打标。打标简单来说就是和参考答案做比较。如果是逻辑题、数学计算等可以直接判断的，用准确率做最终结果。如果像本文的例子翻译场景有一定主观性，常见做法就是对结果量化打分，也有两种模式：一是 3 分或者 5 分制，对比参考答案得出总分（精准量化）。另一种是 GSB 比较模式，对比 A、B 两种回答，判断“G 更好 / S 等同 / B 更差”，更加简单。

现阶段，不用自己建设评测平台/工具，一般大模型平台都支持评测（比如前面提到的火山方舟 PromptPilot），可以智能生成参考答案，智能评分，甚至自动优化 prompt。

小提示： 评测飞轮的关键是 建立可靠的参考答案。对于主观任务，可以用“GSB”模式快速比较不同 Prompt 版本的优劣。每次迭代后记录分数，形成优化闭环。

常见问题 4：如何判断我的 Prompt 是否足够好？

答： 最好的方法是 评测。构建一个包含 50-100 个测试用例的 评测集（覆盖常见场景和边界情况），然后针对每个用例运行你的 Prompt，对比输出与预期结果。如果准确率（或主观评分）达到 90% 以上，说明 Prompt 基本合格。另外，观察模型是否在 不同措辞的相同需求下 表现稳定，也是衡量鲁棒性的方式。

总结

从基础概念到高级技巧，Prompt Engineering 的核心始终是 清晰沟通。记住：

• 用 结构化格式（角色、指令、步骤、示例、输出格式）让 AI 一眼看懂任务。
• 善用 Few-Shot / CoT 让模型学习新能力。
• 结合 RAG 引入外部知识，避免“幻觉”。
• 对推理模型，定义明确目标 而非强加步骤。
• 最后，用 评测飞轮 驱动持续优化，让 Prompt 越用越好。

现在，拿起你的 Prompt，开始打造属于你的 AI 超级助手吧！

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：Prompt工程快速入门与实战案例教程要求：
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