| 01 什么是提示词工程？ |

提示词工程（Prompt Engineering）是一门研究如何设计和优化输入指令，以引导大型语言模型（LLM）产出目标响应的新兴技术学科。

你可以把大型语言模型想象成一位博学的顾问——他知道的东西非常多，但如果你问的方式含糊，他给出的答案也会含糊。提示词就是你与这位顾问沟通的语言，而提示词工程，就是把这门语言讲得更好的艺术与科学。

🔬 来自学术研究 研究者 Pranab Sahoo 等人将提示工程定义为：一种利用特定任务指令来增强模型效能，而无需修改模型参数的技术手段。

提示工程不是更新模型权重，而是通过精心设计的输入文本，激活模型内在的相关知识，引导其输出期望的行为。

◆ 提示词 vs. 提示词工程

二者有细微但重要的区别：

概念	定义	类比
提示词 (Prompt)	你发送给 AI 的具体输入文本	一条搜索词
提示词工程	系统性地设计、测试、迭代提示词的方法论	SEO 优化

（此图为某教学PPT中展示内容，侵权必删。）

提示词工程

（此图为某教学PPT中展示内容，侵权必删。）

02 为什么提示词如此重要？（数据说话）

很多人以为，AI 模型越强，提示词就越不重要。研究表明，这个判断并不完全正确。

58 种经过分类整理的 LLM 提示技术（Schulhoff et al., 2024）	+18% 思维链提示在算术任务上的准确率提升幅度	85% AI 产品的效果提升可由提示词工程承担

🔬 学术研究参考 2022 年，Google 研究员 Jason Wei 等人证明：仅用 8 个示例提示，就能让 PaLM 540B 在 GSM8K 数学题基准测试中达到 58% 的新高分，超越了针对大量数据微调过的 GPT-3。

⚠️ 2025 最新研究 沃顿商学院 2025 年研究指出：对于已内置推理能力的现代模型（如 o3、o4-mini），显式要求逐步思考带来的提升已相当有限（平均仅 2.9%~3.1%），而且会增加 35%~600% 的响应时间。

结论是：提示词工程依然重要，但策略需要与所使用的模型相匹配。这正是本文后续部分将重点讲解的内容。

03 五大核心提示技术详解

以下五种技术经学术研究反复验证，是目前最主流、最实用的提示词方法论。

（1） 零样本提示（Zero-Shot Prompting） [ 入门 ]
原理：不提供任何示例，直接告诉模型要做什么任务。依赖模型在预训练阶段积累的广泛知识。 适用场景：常见任务、标准翻译、基础写作、直接问答。

❌ 含糊 帮我写点东西	✅ 清晰 用 100 字总结量子计算的核心概念，面向无技术背景的读者，语言简洁易懂。

（2） 少样本提示（Few-Shot Prompting） [ 入门 ]
原理：在提示词中提供 2~5 个输入→输出示例，让模型通过上下文学习来理解你期望的格式与风格。研究显示 3~5 个示例效果最佳。

# 少样本提示示例：情绪分类 文本：这款手机真的太好用了！ → 正面 文本：快递慢得要命，差评！ → 负面 文本：包装还行，没啥特别的。 → 中性 文本：第一次买就被种草了，下次还会回购 → ？

（3） 思维链提示（Chain-of-Thought, CoT） [ 进阶 ]
原理：要求模型在给出最终答案前，先输出中间推理步骤。在算术任务上最高提升 +18%。

❌ 不好 直接告诉我答案。	✅ 推荐 请一步一步思考，给出推理过程和答案。

（4） 角色提示（Role Prompting） [ 入门 ]
原理：为模型指定一个具体的专家角色或人格，使其输出风格、专业度、视角发生定向改变。这是最简单也最立竿见影的技巧之一。

# 角色提示模板 你是一位拥有 10 年经验的 B 端产品经理， 专注于 SaaS 产品的用户增长策略。 请以这个角色，分析以下用户流失数据， 并给出可执行的改进建议：[数据内容] # 进阶：加上约束条件 回答不超过 300 字，使用要点列表， 每条建议附上预期效果和执行难度评级。

（5） 结构化输出提示（Format Prompting） [ 进阶 ]
原理：明确指定输出的格式、结构、字段，让 AI 的回答直接可用于下游处理，减少二次整理成本。

# 结构化输出示例：产品评测 分析以下产品评测文本，输出 JSON 格式： { “overall_sentiment”: "positive

04 高质量提示词的 6 个黄金原则

综合 Anthropic、OpenAI 官方文档及多篇学术研究，提炼出以下经反复验证的核心原则：

◆ ① 明确性优先：告诉 AI 你想要什么

含糊的问题只会得到含糊的答案。Anthropic 官方文档明确指出：关于期望输出的具体描述，可以显著提升结果质量。

❌ 含糊 给我写一篇关于气候变化的文章。	✅ 清晰 写一篇 800 字的科普文章，解释气候变化对农业的 3 大影响，面向初中生，语言活泼，结尾给出个人行动建议。

◆ ② 提供充足上下文

AI 不了解你的背景。你提供的上下文越丰富，回答越贴合实际。告诉 AI：你是谁、目的是什么、受众是谁、有哪些约束。

◆ ③ 使用正向指令而非否定指令

"不要做 X"往往不如"请做 Y"有效。明确告诉模型你要什么，而不只是说你不要什么。

❌ 否定 不要太啰嗦，不要用专业术语，不要分点列举。	✅ 正向 用 3 句话回答，每句不超过 20 字，用口语化表达，以连续段落形式输出。

◆ ④ 把复杂任务拆分

MIT Sloan 商学院 2025 年的研究建议：与其一次问一个复杂问题，不如把它拆成步骤，像脚手架一样逐步引导模型。这能让模型在每一步都保持专注，避免遗漏关键细节。

◆ ⑤ 迭代而非期待一次命中

提示词工程本质是实验科学。先写一个粗糙的提示，看结果，再针对性修改，是专业用法。不要期望第一条提示就完美——即使 AI 研究人员也在反复调试。

◆ ⑥ 让 AI 自我检查

Anthropic 官方建议在提示末尾加上：“在完成前，请检查你的答案是否符合以下标准：[标准列表]”。这能显著减少低级错误，尤其对数学和代码类任务效果显著。

05 不同模型的提示词策略

不同的 AI 模型在架构设计、训练方式和企业定位上各有差异，这导致它们对相同提示词的响应方式并不相同。以下三家主流模型的提示偏好，均来自各自官方文档及独立对比研究。

ChatGPT / GPT 系列 OpenAI ▸ 对 Markdown 格式（# 标题、**加粗**）响应良好 ▸ 先说格式要求，再给任务内容 ▸ 适合严格结构化输出（JSON、表格、代码） ▸ 擅长遵循明确的多步骤指令列表 ▸ 图像生成与多模态任务表现突出 推荐模板：输出格式：[表格/JSON/列表] → 任务：[具体描述] → 限制：[字数/条数/语言风格]

Claude 系列 Anthropic ▸ 官方推荐使用 XML 标签结构化提示 ▸ 对长文档、深度分析任务表现出色 ▸ 擅长捕捉写作风格并精准模仿 ▸ 用、等标签分隔内容 ▸ 对复杂推理与伦理细节处理更细腻 推荐模板：你的任务背景信息具体内容

Gemini 系列 Google ▸ 深度整合 Google 搜索，适合需要实时信息的任务 ▸ 多模态能力强（图片+文字联合分析） ▸ 适合研究类、调研类、信息综合类任务 ▸ 提示中指明来源要求效果更好 ▸ 与 Google Workspace 协作场景更顺畅 推荐模板：目标：[研究/分析/总结] → 数据来源：[请基于最新信息] → 输出：[摘要 + 关键来源]

◆ 三大模型能力对比速查

使用场景	ChatGPT	Claude	Gemini
代码生成与调试	★★★★	★★★★★	★★★
长文档分析	★★★	★★★★★	★★★★
写作风格模仿	★★★	★★★★★	★★★
实时信息检索	★★★★	★★★	★★★★★
结构化数据输出	★★★★★	★★★★	★★★
图像理解	★★★★★	★★★★	★★★★★
逻辑推理分析	★★★★	★★★★★	★★★★

*以上评级基于公开评测报告与用户社区反馈综合整理，非官方数据，仅供参考。模型能力随版本更新持续演进。

06 提示词模板速查表

以下是 6 个经过实践验证的通用模板，适用于日常高频场景，可直接复用。

◆ 📝 场景一：内容创作

你是[领域]领域的[角色]。 请写一篇 [文体/格式]，主题是[主题]。 - 目标受众：[谁会看这篇文章] - 字数：[XXX 字左右] - 语言风格：[专业/口语/幽默/严肃] - 必须包含：[具体要求] - 避免：[不需要的内容]

◆ 🔍 场景二：分析研究

请分析以下 [材料类型]： [粘贴材料内容] 分析维度： 1. 核心论点/结论 2. 支撑证据的强弱 3. 潜在盲点或风险 4. 对[我的具体场景]的启示 以结构化方式输出，每个维度不超过 100 字。

◆ 💻 场景三：代码开发（Claude/GPT 推荐）

技术栈：[Python / JavaScript / …] 任务：实现一个 [功能描述] 要求： - 输入：[描述输入格式] - 输出：[描述输出格式] - 边界情况：[需要处理的特殊情况] - 代码风格：加注释 / PEP8 规范 / … # 如有现有代码，粘贴在下方： [现有代码]

◆ 🌐 场景四：调研（Gemini 推荐）

请研究：“[研究主题]” 具体问题： 1. [问题一] 2. [问题二] 要求基于最新信息（2024-2025年）， 每个结论请附上信息来源， 如遇不确定内容，请明确标注。

◆ ✏️ 场景五：修改润色（Claude 推荐）

请润色以下文本，保留原意， 使其更适合[目标平台/读者]。 # 粘贴你希望模仿的写作风格示例 [参考文本…] [需要润色的原始文本…]

◆ 🎯 场景六：决策辅助

我正在考虑：[决策描述] 背景：[相关背景信息] 约束条件：[预算/时间/资源限制] 我倾向于：[你的初步想法] 请帮我： 1. 列出这个选择的核心优缺点 2. 指出我可能忽略的因素 3. 给出你的建议，并说明理由 4. 如果你需要更多信息才能做出更好建议，请告诉我

07 常见错误与避坑指南

以下是初学者最容易踩到的 7 个坑，每一条都有对应的解决方案：

☐ 过于依赖万能提示词 — 网上流传的神级提示词在你的具体场景中可能完全无效。建立自己的提示词库，根据场景迭代。

☐ 对推理模型使用 CoT — o3、o4-mini 等推理模型已内置逐步思考机制，显式要求步骤思考反而浪费 token，增加等待时间。

☐ 忽略输出格式规范 — 没说要什么格式，就别期待整洁的输出。每次提示都应明确格式要求。

☐ 一次问太多问题 — 把 10 个问题堆在一个提示里，AI 往往只能应付前几个。拆分为独立对话，每次聚焦一个核心任务。

☐ 不告诉 AI 受众是谁 — 写一篇文章和为 25 岁白领写一篇文章得到的结果天差地别。受众信息至关重要。

☐ 把 AI 的第一稿当成最终稿 — AI 的第一次回答通常只能达到 60~70 分，追问请重点强化第二点往往能显著提升质量。

☐ 不提供失败的反例 — 告诉 AI不要像这样回答，并粘贴一个你不喜欢的案例，能快速校准模型的输出方向。

提示词工程不是一次性的魔法咒语，而是持续迭代的对话艺术。每一次反馈，都让下一次的沟通更精准。

2026年AI行业最大的机会，毫无疑问就在应用层！

字节跳动已有7个团队全速布局Agent

大模型岗位暴增69%，年薪破百万！

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的 大模型应用开发工程师 **，**却极度稀缺！

落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：

✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑

✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……

✅微调：针对特定任务优化，让模型适配业务

目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！

技术的稀缺性，才是你「值钱」的关键！

具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻

AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。

• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

如果你也有以下诉求：

快速链接产品/业务团队，参与前沿项目

构建技术壁垒，从竞争者中脱颖而出

避开35岁裁员危险期，顺利拿下高薪岗

迭代技术水平，延长未来20年的新职业发展！

……

那这节课你一定要来听！

因为，留给普通程序员的时间真的不多了！

立即扫码，即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「大模型应用开发实战公开课」

👇👇

👍🏻还有靠谱的内推机会+直聘权益！！

完课后赠送：大模型应用案例集、AI商业落地白皮书