提示词工程（Prompt Engineering）

提示词工程（Prompt Engineering，提示词工程）是系统化设计并优化输入给模型的指令，以稳定获得准确、可用输出的方法。它既不是玄学也不是咒语，而是基于对模型行为规律的理解做假设、做实验、做取舍。同一条任务换一种说法，输出的完整度与可靠性可能相差很大；把指令写清楚、把期望讲明白，通常是成本最低而收益最高的一步。

核心技巧

• 角色设定：明确身份与视角，例如让模型以资深评审者的立场审阅方案，输出会更聚焦。
• 少样本示例（Few-shot）：给出两三条输入输出示例，让模型对齐格式与风格，比单纯描述更有效。
• 思维链（Chain-of-Thought，思维链）：要求先逐步推理再给结论，能明显改善多步计算与逻辑推理的表现。
• 结构化输出：明确要求返回 JSON、Markdown 或表格，便于程序后续解析与校验。
• 约束条件：写清篇幅、语气、必须包含与禁止出现的内容，减少反复返工。

进阶方法

思维树（Tree of Thoughts）让模型并行探索多条推理路径并比较优劣；自洽性采样（Self-Consistency）多次生成后取多数结论，用冗余换取稳定；ReAct 让推理与行动交替进行，模型可以先查资料、调工具，再基于结果继续推理。这些方法的共同点是用更多计算换更高准确率，适合难度高、容错低的场景，日常任务未必需要，盲目套用反而增加延迟与成本。

常见误区

• 堆砌形容词：把要求写成一大段情绪化描述，模型反而抓不住重点，清单化表达更清晰。
• 只提要求不给上下文：缺少背景、字段含义与评判标准，模型只能自行猜测，结果自然不稳定。
• 过度设计：模型理解力提升后，简单直接的指令常优于层层嵌套的复杂模板。
• 不做回归验证：改完提示词只试一两个例子就上线，很容易在边界输入上退化。

实践要点

把提示词当代码管理：保存版本、记录每次改动与对应的测试结果；固定一组有代表性的问题做回归；把稳定不变的部分抽成模板复用。评估时不要只看一次输出，同一输入多跑几次，观察结果波动范围，再决定是否接受这次改动，这样提示词优化才不会退化成随机试错。