Prompt Engineering 是驾驭大模型能力的第一道门槛。好的 Prompt 能显著提升输出质量。

基本原则

  1. 清晰具体：明确任务目标、输出格式和约束条件
  2. 提供示例：Few-shot 示例是最有效的引导方式之一
  3. 分步引导：复杂任务拆解为多个步骤
  4. 角色设定：给模型一个合适的身份和专业背景

Few-shot Learning

通过在 Prompt 中提供输入-输出示例，引导模型理解任务模式：

请将以下句子翻译为英文：

输入：今天天气很好
输出：The weather is nice today.

输入：我正在学习大模型
输出：

示例的质量和多样性直接影响效果。通常 3-5 个精心设计的示例即可。

Chain-of-Thought（CoT）

对于推理类任务，引导模型"一步步思考"：

问题：一个商店有 23 个苹果，卖掉了 17 个，又进了 8 个，现在有多少个？

请一步步思考：
1. 初始有 23 个苹果
2. 卖掉 17 个：23 - 17 = 6 个
3. 又进了 8 个：6 + 8 = 14 个
答案：14 个

添加 “Let’s think step by step” 这样的 magic phrase 也能触发 CoT 行为。

结构化输出

要求模型以特定格式输出，便于程序解析：

请以 JSON 格式输出，包含以下字段：
- title: 文章标题
- summary: 100字以内的摘要
- tags: 标签数组
- sentiment: positive/negative/neutral

配合 JSON Schema 或 Function Calling 可以进一步提高格式合规率。

常见陷阱

  • Prompt 过长：无关信息会稀释关键指令的权重
  • 指令冲突：前后矛盾的约束会让模型无所适从
  • 过度约束：限制太死会扼杀模型的创造力
  • 忽略边界情况：未说明输入异常时模型如何处理

进阶方向

  • 自动 Prompt 优化：DSPy 等框架支持 programmatic prompt optimization
  • Prompt 模板管理：版本控制、A/B 测试、效果评估
  • System Prompt 设计：为 Chat 模型设计稳定的系统级指令

Prompt Engineering 既是艺术也是科学，需要在实践中不断迭代优化。