Prompt Engineering：提示工程实战指南
--- title: "Prompt Engineering：提示工程实战指南" description: "掌握高效的大语言模型提示技巧，包括零样本、少样本和思维链等方法" tags: ["Prompt Engineering", "提示工程", "LLM", "实战"] category: "llm" icon: "🧠"
Prompt Engineering：提示工程实战指南
什么是Prompt Engineering
Prompt Engineering（提示工程）是设计和优化输入提示（Prompt）以引导大语言模型生成期望输出的技术。好的提示可以显著提升模型的表现。
基础提示技巧
1. 清晰的指令
from openai import OpenAI
client = OpenAI()
# ❌ 模糊的提示
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{"role": "user", "content": "写点关于AI的东西"}]
)
# ✅ 清晰的提示
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{"role": "user", "content": "用500字介绍人工智能在医疗领域的三个主要应用，每个应用包含一个具体案例"}]
)
2. 角色设定
# 设定系统角色
messages = [
{
"role": "system",
"content": "你是一位资深的Python开发专家，擅长用简洁清晰的代码解决实际问题。回答时先给出代码示例，再解释关键点。"
},
{
"role": "user",
"content": "如何用Python实现一个简单的REST API？"
}
]
3. 输出格式控制
# 要求结构化输出
prompt = """分析以下产品的用户评价，返回JSON格式：
{
"sentiment": "positive/negative/neutral",
"score": 1-5,
"keywords": ["关键词1", "关键词2"],
"summary": "一句话总结"
}
用户评价：这个产品质量很好，但价格有点贵，物流速度可以接受。
"""
高级提示技术
1. 零样本学习（Zero-shot）
zero_shot_prompt = """请将以下英文翻译成中文：
"Machine learning is transforming how we approach complex problems."
"""
2. 少样本学习（Few-shot）
few_shot_prompt = """将英文情感分类为正面、负面或中性。
示例：
输入: "I love this product, it's amazing!"
输出: 正面
输入: "Terrible experience, would not recommend."
输出: 负面
输入: "The product is okay, nothing special."
输出: 中性
现在请分类：
输入: "Quality is good but delivery was slow."
输出: """
3. 思维链（Chain-of-Thought）
cot_prompt = """请一步一步思考以下问题：
问题：一个水池有两个进水管和一个出水管。进水管A每小时注入3立方米，进水管B每小时注入5立方米，出水管每小时排出4立方米。水池初始有10立方米水，问3小时后水池有多少水？
让我们一步一步思考：
1. 首先计算每小时的净进水量
2. 然后计算3小时的总进水量
3. 最后加上初始水量
请按此步骤计算并给出答案。"""
4. 自我一致性（Self-Consistency）
def self_consistent_answer(prompt, n_samples=5):
"""多次采样取多数答案"""
answers = []
for _ in range(n_samples):
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{"role": "user", "content": prompt}],
temperature=0.7
)
answers.append(response.choices[0].message.content)
# 统计最频繁的答案
from collections import Counter
most_common = Counter(answers).most_common(1)[0]
return most_common[0], most_common[1]
# 使用示例
prompt = "如果一个物体从10米高处自由落体，忽略空气阻力，它落地需要多少秒？（g=10m/s²）"
answer, count = self_consistent_answer(prompt)
print(f"最一致的答案: {answer} (出现{count}次)")
实用提示模板
代码生成
code_gen_prompt = """请编写一个Python函数，要求：
1. 函数名：calculate_fibonacci
2. 功能：计算第n个斐波那契数
3. 输入：正整数n
4. 输出：第n个斐波那契数
5. 使用动态规划优化时间复杂度
6. 包含类型注解和文档字符串
7. 包含简单的单元测试
请直接给出可运行的代码。"""
文本摘要
summary_prompt = """请对以下文本进行摘要，要求：
- 使用中文
- 不超过100字
- 保留关键信息
- 使用要点列表格式
文本：
[在此粘贴需要摘要的文本]
"""
数据分析
analysis_prompt = """分析以下销售数据并提供洞察：
月份,销售额,订单数
1月,150000,500
2月,180000,600
3月,120000,400
4月,200000,700
请提供：
1. 销售趋势分析
2. 异常点说明
3. 下月预测
4. 改进建议"""
提示优化策略
1. 迭代优化
def optimize_prompt(base_prompt, test_cases):
"""通过测试用例迭代优化提示"""
best_prompt = base_prompt
best_score = 0
for test_input, expected_output in test_cases:
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{"role": "user", "content": f"{best_prompt}\n\n输入：{test_input}"}]
)
actual = response.choices[0].message.content
score = evaluate_similarity(actual, expected_output)
if score > best_score:
best_score = score
# 分析改进方向，调整提示
return best_prompt, best_score
2. 提示分解
# 复杂任务分解为简单步骤
complex_task_prompt = """请按以下步骤处理这段文本：
步骤1：识别文本中的关键实体（人名、地名、组织名）
步骤2：提取实体之间的关系
步骤3：构建知识三元组
步骤4：以JSON格式输出结果
文本：[待处理文本]
"""
常见错误与解决方案
1. 模型生成过长内容
# 限制输出长度
prompt = """请用3句话总结以下内容：
[内容]
注意：严格限制为3句话。"""
2. 模型理解偏差
# 提供具体示例
prompt = """提取日期信息。
示例输入：明天下午3点开会
示例输出：日期：明天，时间：15:00
请分析：
输入：[您的文本]"""
总结
Prompt Engineering 是使用大语言模型的核心技能。通过清晰的指令、角色设定、示例提供和思维链等技巧，可以显著提升模型的输出质量和可靠性。实践中应根据具体任务不断试验和优化提示，找到最佳的提示策略。