全网最细提示词工程教程（小白友好版）

大家好，我是一名大二计算机专业的学生，目前正在深耕AI相关技术，这段时间踩了无数坑，终于把提示词工程（Prompt Engineering）摸透了。

作为小白，我一开始手里握着GPT-4、文心一言这些顶级大模型，却只会干巴巴问“帮我写个Python代码”“帮我解释个概念”，结果AI输出的东西要么驴唇不对马嘴，要么没法直接用，浪费了大量时间；后来又跟风背各种“高级提示词模板”，却不知道底层逻辑，换个场景就废了。

经过半个多月的实战、踩坑、复盘，我终于搞明白：提示词工程根本不是玄学，也不用死记硬背，是有固定方法论、能落地、能复制的技术。

今天这篇文章，我以一个计算机专业小白的视角，把自己踩过的坑、总结的实战经验全掏出来，从0到1讲透提示词工程，附可直接复制运行的代码案例，不管你是大二、大三的同学，还是刚入门AI的新手，跟着学，就能把AI的利用率从10%提到90%，少走我走过的弯路。

（全文纯实战、无废话、无复杂概念，所有代码均亲测可运行，小白放心冲！）

一、先搞懂：提示词工程到底是个啥？（小白必看）

别被“工程”两个字唬住，说白了就是：用精准的语言，告诉AI“你要做什么、怎么做、输出什么格式”，让AI的输出100%符合你的预期，而不是让AI猜你的想法。

举个我刚开始踩的坑：

❌ 我当初写的提示词：“帮我写个Python排序代码”

结果AI输出的代码没有注释、没有处理边界情况，甚至用的是我没学过的语法，根本没法直接用，还要自己改半天。

✅ 后来我改的提示词：“用Python写一个快速排序函数，要求：1. 包含详细中文注释（适合新手理解）2. 处理空列表、重复值这两种边界情况 3. 输出可直接运行的测试用例 4. 只返回代码，不输出多余解释”

结果AI输出的代码直接能用，注释清晰，测试用例也写好了，省了我大量时间。

这就是提示词工程的核心：结构化、明确化、可验证，把你想让AI做的事，拆解得越细，AI越能get到你的需求。

二、提示词工程的核心原则（记死这5条，避开80%的坑）

这5条原则是我踩了无数坑总结出来的，新手不用记复杂的模板，先把这5条吃透，就能写出高质量提示词。

1. 角色设定：先给AI“贴标签”

让AI知道自己的身份，输出会更精准，尤其是技术类需求。比如：

• “你是一位擅长Python基础教学的老师，讲解通俗易懂，代码注释详细，适合计算机专业新手”

• “你是一位严谨的测试工程师，擅长找出Python代码中的边界漏洞，给出修改建议”

踩坑提醒：不要不给AI设角色，默认角色输出的内容太笼统，不适合新手直接用。

2. 任务描述：越具体越好，别模糊

拒绝“帮我写个脚本”“帮我解释个概念”这种模糊的描述，要把需求拆解得越细越好。比如：

❌ 模糊提示词：“帮我写个读取Excel的脚本”

✅ 具体提示词：“帮我写一个读取Excel文件（xlsx格式）的Python脚本，要求：1. 只读取‘姓名’‘手机号’两列 2. 过滤掉手机号为空、手机号长度不是11位的数据 3. 将过滤后的数据输出到新的Excel文件，文件名设为‘筛选后数据.xlsx’ 4. 只用Python内置模块，不使用第三方库（如pandas）”

3. 输出格式：强制AI按你的要求来

指定输出格式，能直接省去后续整理的时间，尤其是代码、数据类需求。比如：

• 代码：要求“函数+详细注释+可运行测试用例”

• 文本：要求“分点说明，每点不超过50字”“JSON格式”“Markdown表格”

• 数据：要求“键值对形式，字段名：id、name、price，price保留2位小数”

4. 约束条件：提前堵死AI的“偷懒空间”

新手容易忽略这一点，导致AI输出的内容不符合预期，比如：

• “代码必须兼容Python3.8及以上版本”

• “禁止使用第三方库，仅用Python内置模块（新手还没学第三方库）”

• “回答字数不超过200字，只讲核心逻辑，不用多余铺垫”

5. 示例引导：少样本学习（Few-shot）

如果需求比较复杂，比如分类、格式转换，光靠文字描述，AI容易理解错，这时候给1-2个示例，AI能瞬间get到你的意图。（后面有具体代码案例，一看就会）

三、实战：从基础到进阶的代码案例（可直接复制运行）

说明：以下案例基于OpenAI API（国内的同学可以替换为文心一言、通义千问API，核心逻辑完全一致，替换代码里的调用方式即可）。

前置准备：环境搭建（小白也能搞定，步骤详细，跟着来）

1. 安装依赖

打开cmd（Windows）或终端（Mac/Linux），输入以下命令，一键安装依赖：

pip install openai python-dotenv  # openai库（调用大模型）+ 环境变量管理（存API Key）

2. 配置API Key

新建一个文本文件，重命名为“.env”（注意前面有个点），打开后写入你的API Key，保存即可：

OPENAI_API_KEY=你的api_key_here  # 替换成你自己的API Key

补充：OpenAI的API Key需要注册账号获取（需科学上网）；国内的同学可以用文心一言、通义千问，直接在官网获取API Key，替换代码里的调用逻辑即可（后面会简单说明替换方法）。

案例1：基础版——让AI生成规范的Python代码（小白入门必练）

需求

生成一个“计算文件夹下所有文件大小，并按大小排序”的Python脚本，要求：规范、有详细注释（适合新手理解）、有测试用例、处理边界情况（文件夹不存在、无访问权限）。

完整代码（可直接复制运行）

import os
from dotenv import load_dotenv
from openai import OpenAI

# 加载环境变量（读取.env文件里的API Key）
load_dotenv()
# 初始化OpenAI客户端
client = OpenAI()

# 核心：编写高质量提示词（按前面讲的5条原则来写）
def get_code_prompt():
    prompt = """
    你是一位擅长Python基础教学的老师，讲解通俗易懂，代码注释详细，适合计算机专业新手。
    请完成以下任务：
    1. 编写一个Python函数，功能是：遍历指定文件夹（包含子文件夹），计算每个文件的大小（单位：MB）
    2. 将结果按文件大小从大到小排序，返回列表格式，每个元素包含：文件路径、文件大小（MB，保留2位小数）
    3. 处理边界情况：文件夹不存在、无访问权限、空文件（分别给出提示信息）
    4. 具体要求：
       - 函数名：calculate_file_sizes
       - 参数：folder_path（字符串，传入文件夹路径）
       - 包含详细的中文注释（每个步骤都要注释，方便新手理解）
       - 输出可直接运行的测试代码，测试当前目录下的文件
    5. 输出格式要求：
       - 先输出函数代码
       - 再输出测试代码
       - 只输出代码，不输出任何多余解释（比如不要说“以下是代码”之类的话）
    """
    return prompt

# 调用OpenAI API，生成代码
def generate_code(prompt):
    try:
        response = client.chat.completions.create(
            model="gpt-3.5-turbo",  # 新手用这个，性价比高，免费额度足够用
            messages=[
                {"role": "user", "content": prompt}  # 传入提示词
            ],
            temperature=0.1,  # 0-1之间，越小越精准，越大越有创造性，技术类需求设0.1-0.3即可
            max_tokens=1000   # 生成内容的最大长度，1000足够用
        )
        # 返回AI生成的内容
        return response.choices[0].message.content
    except Exception as e:
        # 捕获异常，方便新手排查问题
        return f"代码生成出错：{str(e)}"

# 主函数，执行代码生成
if __name__ == "__main__":
    # 获取提示词
    prompt = get_code_prompt()
    # 生成代码
    code = generate_code(prompt)
    # 打印生成的代码
    print("生成的可直接运行代码：")
    print("-" * 50)
    print(code)

运行结果示例（亲测可用）

# 生成的函数代码
import os

def calculate_file_sizes(folder_path):
    """
    遍历指定文件夹（包含子文件夹），计算每个文件的大小并按大小降序排序
    适合计算机专业新手，注释详细，处理常见边界情况
    :param folder_path: 字符串，传入需要遍历的文件夹路径
    :return: 列表，按文件大小降序排列，每个元素为[文件路径, 文件大小(MB)]
    """
    # 用于存储文件路径和对应大小的列表
    file_sizes = []
    
    # 边界情况1：检查文件夹是否存在
    if not os.path.exists(folder_path):
        print(f"错误：文件夹 {folder_path} 不存在，请检查路径是否正确！")
        return file_sizes
    
    # 遍历文件夹（包含子文件夹）
    for root, dirs, files in os.walk(folder_path):
        for file in files:
            # 拼接完整的文件路径
            file_path = os.path.join(root, file)
            try:
                # 获取文件大小（单位：字节），转换为MB（1MB = 1024*1024字节），保留2位小数
                file_size = os.path.getsize(file_path) / (1024 * 1024)
                file_sizes.append([file_path, round(file_size, 2)])
            except PermissionError:
                # 边界情况2：无访问权限，给出提示，跳过该文件
                print(f"警告：无访问权限，跳过文件 {file_path}")
            except Exception as e:
                # 其他异常情况，给出提示
                print(f"警告：处理文件 {file_path} 时出错：{str(e)}")
    
    # 按文件大小降序排序（lambda x: x[1] 表示按列表第二个元素排序，reverse=True表示降序）
    file_sizes.sort(key=lambda x: x[1], reverse=True)
    return file_sizes

# 测试代码（可直接运行，测试当前目录下的文件）
if __name__ == "__main__":
    # 测试当前目录（./ 表示当前目录，新手不用改）
    test_folder = "./"
    # 调用函数，获取结果
    result = calculate_file_sizes(test_folder)
    # 打印结果
    print("文件大小排序结果（从大到小）：")
    for file_path, size in result:
        print(f"{file_path} - {size} MB")

关键解释（小白必看）

1. temperature=0.1：技术类需求（写代码、查bug），一定要设为低数值（0.1-0.3），保证AI输出的代码精准、规范，不会天马行空；如果是创意类需求（比如写文案），可以设为0.7-0.9。

2. 提示词里明确了“角色（Python基础老师）、任务（文件大小计算）、边界情况（文件夹不存在、无权限）、输出格式（只输出代码）”，所以AI的输出直接可用，不用二次修改。

3. 国内同学替换API：如果用文心一言，只需把“OpenAI”相关代码替换为文心一言的调用逻辑，提示词不变，比如：

# 文心一言替换示例（需先安装依赖：pip install baidu-aip）
from aip import AipNlp
client = AipNlp(appId, apiKey, secretKey)  # 替换为你的文心一言appId、apiKey、secretKey
# 后续调用逻辑稍作修改，提示词完全不变

案例2：进阶版——结构化输出（JSON格式），方便程序处理

很多时候，我们需要AI输出的数据能直接被程序解析（比如做项目、写作业），这时候强制AI输出JSON格式就很重要，这也是我踩过的一个坑（之前没指定格式，AI输出的文本没法直接解析）。

需求

让AI分析一段用户评论，提取“情感倾向、核心诉求、建议解决方案”，并以JSON格式输出，方便后续Python程序解析处理。

完整代码（可直接复制运行）

import os
import json  # 用于解析JSON格式
from dotenv import load_dotenv
from openai import OpenAI

# 加载环境变量，初始化客户端
load_dotenv()
client = OpenAI()

# 待分析的用户评论（可以替换成任意评论，比如APP反馈、商品评价）
user_comment = """
这个APP太卡了！打开要等30秒，而且支付功能经常闪退，我昨天付款的时候卡了5分钟，最后还扣款失败了。
希望你们能优化一下性能，修复支付的bug，不然真的没法用了。
"""

# 进阶提示词：强制JSON输出，避免格式错乱
def get_analysis_prompt(comment):
    prompt = f"""
    你是一位专业的用户体验分析师，擅长分析用户评论并提取核心信息，输出精准、简洁。
    请分析以下用户评论：
    {comment}
    
    具体要求：
    1. 情感倾向：只能是“负面”“正面”“中性”中的一个，不能有其他表述
    2. 核心诉求：提取用户最核心的2-3个问题，每个诉求不超过20字，用列表形式呈现
    3. 建议解决方案：针对每个核心诉求，给出具体、可落地的解决方案，用列表形式呈现
    4. 输出格式：严格按照以下JSON格式输出，不要添加任何多余内容（包括解释、空格、换行），否则会导致解析失败
    {{
        "sentiment": "情感倾向",
        "core_demands": ["诉求1", "诉求2"],
        "solutions": ["方案1", "方案2"]
    }}
    """
    return prompt

# 调用API并解析JSON（关键：处理格式错误，避免程序崩溃）
def analyze_comment(prompt):
    try:
        response = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.0,  # 结构化输出（JSON/表格）必须设为0，保证格式绝对正确
        )
        # 提取AI输出的内容，并解析为JSON格式
        result = response.choices[0].message.content
        return json.loads(result)  # 解析JSON，返回字典
    except json.JSONDecodeError:
        # 踩坑提醒：如果AI输出格式错误，会触发这个异常，返回错误提示
        return {"error": "AI输出格式不符合要求，请检查提示词中的格式约束"}
    except Exception as e:
        return {"error": f"分析失败：{str(e)}"}

# 主函数，执行评论分析
if __name__ == "__main__":
    prompt = get_analysis_prompt(user_comment)
    analysis_result = analyze_comment(prompt)
    # 打印分析结果，格式化输出，更易读
    print("用户评论分析结果（JSON格式）：")
    print(json.dumps(analysis_result, ensure_ascii=False, indent=2))

运行结果（亲测可用）

{
  "sentiment": "负面",
  "core_demands": [
    "APP打开卡顿，启动速度慢",
    "支付功能闪退，扣款失败"
  ],
  "solutions": [
    "优化APP启动流程，压缩资源包，提升启动速度",
    "修复支付模块BUG，增加支付异常兜底和退款机制"
  ]
}

关键解释（小白必看）

1. temperature=0.0：结构化输出（JSON、表格）必须设为0，避免AI乱加多余内容（比如换行、解释），导致JSON解析失败（这是我之前踩过的大坑，一定要注意）。

2. 提示词里直接给出了JSON模板，明确了每个字段的要求，AI不会偏离格式，解析起来更顺畅。

3. 加入了异常捕获（JSONDecodeError），防止AI输出格式错误导致程序崩溃，新手也能轻松排查问题。

案例3：高手版——少样本学习（Few-shot），复杂需求必用

如果需求比较复杂，比如“给用户问题分类”，光靠文字描述规则，AI容易理解错，这时候给1-2个示例，AI能瞬间get到你的意图，这也是提示词工程的“杀手锏”。

需求

让AI识别用户问题的类型，分为“账号问题、功能问题、支付问题、其他问题”四类，直接输出分类结果，方便后续做智能客服相关作业/项目。

完整代码（可直接复制运行）

import os
from dotenv import load_dotenv
from openai import OpenAI

# 加载环境变量，初始化客户端
load_dotenv()
client = OpenAI()

# 少样本提示词：给示例让AI学习，比纯文字描述规则更有效
def get_few_shot_prompt(user_question):
    prompt = f"""
    你是一位智能客服分类师，需要将用户问题分为以下4个类别，严格按照类别名称输出，不能自创类别：
    - 账号问题：登录、注册、密码找回、账号封禁、账号绑定相关问题
    - 功能问题：APP/软件功能使用、功能故障、功能建议相关问题
    - 支付问题：充值、扣款、退款、支付失败、提现相关问题
    - 其他问题：不属于以上三类的所有问题
    
    示例（一定要参考示例的分类逻辑）：
    1. 用户问题：我的密码忘了，怎么找回？ → 分类：账号问题
    2. 用户问题：APP的搜索功能用不了，一直加载失败 → 分类：功能问题
    3. 用户问题：昨天充值的钱没到账，怎么回事？ → 分类：支付问题
    4. 用户问题：你们的客服电话是多少？ → 分类：其他问题
    
    请分析以下用户问题，只输出分类结果（比如“账号问题”），不要输出任何多余内容，否则会影响程序解析：
    用户问题：{user_question}
    """
    return prompt

# 测试不同的用户问题，验证效果
def test_few_shot():
    # 准备3个测试问题（覆盖不同类别）
    test_questions = [
        "我的账号被封了，能解封吗？",
        "提现的时候提示系统错误，怎么办？",
        "你们的软件支持Windows11系统吗？"
    ]
    # 遍历测试问题，逐个分类
    for question in test_questions:
        prompt = get_few_shot_prompt(question)
        response = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.0  # 分类需求，设为0保证精准
        )
        # 打印结果
        print(f"用户问题：{question}")
        print(f"分类结果：{response.choices[0].message.content}")
        print("-" * 30)  # 分隔线，更易读

# 主函数，执行测试
if __name__ == "__main__":
    test_few_shot()

运行结果（亲测可用）

用户问题：我的账号被封了，能解封吗？
分类结果：账号问题
------------------------------
用户问题：提现的时候提示系统错误，怎么办？
分类结果：支付问题
------------------------------
用户问题：你们的软件支持Windows11系统吗？
分类结果：其他问题

关键解释（小白必看）

1. 少样本学习的核心：不用写复杂的规则描述，给1-5个示例，覆盖核心场景，AI就能模仿示例的逻辑进行分类，比纯文字描述更高效、更精准。

2. 示例数量不用多，1-5个足够，新手不用准备太多示例，重点是示例要贴合你的需求。

3. 提示词里明确“只输出分类结果”，避免AI输出多余内容，方便后续程序处理（比如做智能客服的自动分流）。

四、小白避坑指南：我踩过的5个致命错误（必看）

这5个错误是我刚开始学习提示词工程时，反复踩的坑，浪费了很多时间，大家一定要避开！

1. 提示词太简短，需求模糊

❌ 错误做法：只说“帮我写代码”“帮我分析评论”，不说需求、约束、格式。

✅ 正确做法：按“角色+任务+格式+约束”四要素写提示词，越具体越好。

2. 不设角色，AI输出质量低

❌ 错误做法：不给AI贴标签，默认AI是“通用助手”，输出的内容太笼统，不适合技术类需求。

✅ 正确做法：给AI设明确的角色（比如“Python基础老师”“测试工程师”），输出会更精准。

3. 结构化输出不控温

❌ 错误做法：让AI输出JSON/表格时，temperature设为0.5以上，导致AI乱加内容，格式错乱，解析失败。

✅ 正确做法：结构化输出（JSON、表格），temperature必须设为0，保证格式绝对正确。

4. 忽略边界条件

❌ 错误做法：让AI写代码时，不提“文件夹不存在”“无访问权限”“空数据”等边界情况，生成的代码全是坑，运行就报错。

✅ 正确做法：在提示词里明确写出需要处理的边界条件，AI生成的代码才能直接用。

5. 追求“炫技”，死记硬背模板

❌ 错误做法：一开始就背各种复杂的提示词模板，却不知道底层逻辑，换个场景就不会用。

✅ 正确做法：先吃透“角色+任务+格式+约束”四要素，再结合自己的需求调整，模板只是参考，不用死记硬背。

五、小白专属：提示词模板（直接套用，不用动脑）

我总结了一个万能模板，不管是写代码、分析文本、分类，还是做其他需求，按这个模板写，就能避开80%的坑，直接套用即可：

你是一位【角色】，擅长【技能】，输出内容【风格，比如“通俗易懂、注释详细”“精准简洁”】。
请完成以下任务：【详细描述需求，越具体越好，拆分成1、2、3点】
约束条件：【列出所有限制，比如“Python3.8兼容”“不使用第三方库”“输出不超过200字”】
输出格式：【明确输出格式，比如“函数+注释+测试用例”“JSON格式”“只输出分类结果”】
（可选，复杂需求用）示例：【1-2个示例，帮助AI理解】

六、总结（小白必看）

作为一名大二计算机专业的学生，我想说：提示词工程真的不难，不用怕自己是小白，也不用怕踩坑，只要掌握核心逻辑，多实战、多调整，就能快速上手。

最后再强调3个核心点，记牢就能少走弯路：

1. 提示词工程的核心不是“背模板”，而是“把需求说清楚”，结构化、明确化是关键；

2. 新手入门先掌握“角色+任务+格式+约束”四要素，再进阶学习少样本、思维链等技巧；

3. 所有技巧最终要落地到代码里，控制temperature、强制输出格式，是保证AI输出可用的关键。

我也是从踩坑过来的，知道小白学习AI技术的迷茫，希望这篇文章能帮助到更多和我一样的计算机专业学生、AI新手，少走弯路，快速掌握提示词工程，真正用好AI这个工具。

如果大家有具体的场景想做提示词优化（比如写作业、做小项目），可以在评论区留需求，我会尽力帮大家解答，一起进步！

✨ 最后，麻烦大家点赞+收藏，后续我会持续更新AI新手实战教程，感谢支持！