📘 提示词工程完全指南

从入门到精通：掌握与大语言模型和影视 AI 高效沟通的艺术

---

📑 目录

1. 提示词 vs 提示词工程
2. 如何写好提示词
3. 提示词工程实战
4. 高阶技巧

---

1. 提示词 vs 提示词工程

什么是提示词（Prompt）？

提示词是你向 AI 模型输入的文本指令，用于告诉模型你想要什么。

简单示例：
"写一首关于春天的诗"

什么是提示词工程（Prompt Engineering）？

提示词工程是一门关于如何构造和精炼提示词的艺术和科学，目的是最大化 AI 模型的性能，让它产出更符合你需求的、高质量的输出。

工程化示例：
你是一位擅长写现代诗的诗人，请用简洁优美的语言创作一首关于春天的诗。
要求：
- 8-12 行
- 使用意象：花朵、微风、阳光
- 情感基调：温暖、希望
- 避免使用"美丽"、"漂亮"等常见词汇

核心区别

维度	提示词	提示词工程
目标	获取回答	获取高质量、可预测的回答
方法	随意输入	结构化设计
结果	不稳定	稳定、可复现
适用场景	日常对话	生产环境、工作流集成

---

2. 如何写好提示词

2.1 针对大语言对话模型（LLM）

【角色】你是一位资深 Python 工程师
【任务】帮我写一个函数，用于解析 JSON 数据
【上下文】这个函数将用于处理用户提交的表单数据，需要处理嵌套结构
【格式要求】
- 函数名：parse_nested_json
- 包含错误处理
- 添加类型注解
- 提供使用示例

✅ 最佳实践

1. 明确角色 - 给 AI 一个专业身份
2. 具体任务 - 清晰描述要做什么
3. 提供上下文 - 背景信息帮助 AI 理解
4. 指定格式 - 明确输出形式
5. 给出示例 - Few-shot prompting 效果更佳

❌ 常见错误

❌ 太模糊："帮我写代码"
✅ 具体化："用 Python 写一个快速排序函数，包含单元测试"

❌ 缺少约束："总结一下这篇文章"
✅ 有约束："用 3 句话总结这篇文章的核心观点，每句不超过 20 字"

❌ 多重指令混杂："写个函数还要加注释最好能测试一下顺便优化性能"
✅ 分步指令："第一步：写函数。第二步：添加注释。第三步：编写测试用例"

2.2 针对影视创作 AI（文生视频/图生视频）

影视创作 AI（如 Sora、Wan2.2、即梦 AI、通义万相等）需要视觉化、具象化的描述。

🎬 视频提示词结构

【主体】+【场景】+【运动/动作】+【镜头语言】+【光影/氛围】+【声音（如支持）】

✅ 优秀示例

主体：一只毛茸茸的小奶猫
场景：冬日清晨的雪地，银装素裹的庭院，积雪厚实松软，周围有结霜的树枝
运动：小猫用前爪滚起一个雪球，笨拙地推着雪球前进，突然雪球裂开，它惊得后跳
镜头：特写镜头，缓慢推近，浅景深
光影：柔和的晨光，雪地反射出温暖的金色光晕
氛围：温馨、治愈、童趣

📝 技巧要点

技巧	说明	示例
动词强调动作	使用具体动词描述运动	“奔跑"→"四肢蹬地，奋力向前冲刺”
描绘运动轨迹	说明物体如何移动	“球滚过草地，划出一道弧线”
镜头语言	使用影视术语	特写、全景、推镜头、摇摄
光影描述	说明光源和阴影	“侧逆光，产生轮廓光效果”
情感氛围	传达情绪基调	“压抑的、欢快的、神秘的”

❌ 避免

• 抽象概念：“表现孤独感”（AI 难以理解）
• 复杂长句：拆分为短句
• 矛盾描述：“既是白天又是黑夜”

---

3. 提示词工程实战

3.1 标准格式内容生成：JSON 输出

为什么需要结构化输出？

• ✅ 程序可解析
• ✅ 结果可验证
• ✅ 工作流可自动化

基础 JSON 提示词模板

请按照以下 JSON Schema 输出，不要包含任何额外文本：

{
  "type": "object",
  "required": ["name", "age", "email"],
  "properties": {
    "name": {"type": "string"},
    "age": {"type": "integer"},
    "email": {"type": "string", "format": "email"}
  }
}

输入数据：张三，25 岁，zhangsan@example.com

进阶技巧

1. 设置 temperature=0 - 提高确定性
2. 明确说明"只输出 JSON" - 避免多余文本
3. 提供示例 - Few-shot 提升准确率
4. 使用系统消息 - 在 API 中设置 system role

---

3.2 Python 多步骤工作流示例

场景：自动化数据处理管道

# workflow.py
import json
import requests

API_KEY = "your-api-key"
API_URL = "https://api.example.com/v1/chat"

def step1_extract_data(text):
    """步骤 1：从文本中提取结构化数据"""
    prompt = f"""
    从以下文本中提取关键信息，输出 JSON 格式：
    - company_name: 公司名称
    - revenue: 营收（数字）
    - growth_rate: 增长率（百分比）
    
    文本：{text}
    
    只输出 JSON，不要其他内容。
    """
    
    response = requests.post(API_URL, json={
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0
    })
    
    return json.loads(response.json()["choices"][0]["message"]["content"])

def step2_analyze(data):
    """步骤 2：分析数据并生成洞察"""
    prompt = f"""
    分析以下公司数据，输出 JSON 格式：
    - risk_level: "low" | "medium" | "high"
    - recommendations: string[]
    - summary: string
    
    数据：{json.dumps(data)}
    
    只输出 JSON。
    """
    
    response = requests.post(API_URL, json={
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.3
    })
    
    return json.loads(response.json()["choices"][0]["message"]["content"])

def step3_generate_report(analysis):
    """步骤 3：生成报告"""
    prompt = f"""
    根据以下分析生成 Markdown 格式的报告：
    
    {json.dumps(analysis)}
    
    报告结构：
    # 公司分析报告
    ## 风险评级
    ## 建议
    ## 总结
    """
    
    response = requests.post(API_URL, json={
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.5
    })
    
    return response.json()["choices"][0]["message"]["content"]

# 主流程
if __name__ == "__main__":
    text = "某某公司 2025 年营收达到 5000 万元，同比增长 23%..."
    
    data = step1_extract_data(text)
    print(f"步骤 1 完成：{data}")
    
    analysis = step2_analyze(data)
    print(f"步骤 2 完成：{analysis}")
    
    report = step3_generate_report(analysis)
    print(f"步骤 3 完成：\n{report}")

关键要点

1. 每步独立验证 - 确保 JSON 解析成功再继续
2. temperature 分级 - 提取用 0，分析用 0.3，创作用 0.5+
3. 错误处理 - 添加 try-except 和重试逻辑
4. 日志记录 - 便于调试和审计

---

4. 高阶技巧

4.1 修改 role 参数实现专项技能

在 API 调用中，role 参数决定消息的类型：

Role	用途	效果
system	系统指令	设定 AI 的行为准则和角色
user	用户输入	普通对话或任务请求
assistant	AI 回复	历史对话记录

技巧：用 system role 注入专项技能

{
  "messages": [
    {
      "role": "你是一位资深的数据分析师，擅长从复杂数据中发现模式和洞察。你的回答应该：1) 基于数据 2) 逻辑清晰 3) 提供可操作建议",
      "content": "分析xxx销售数据"
    }
  ],
  "model": "gemini-2.5-flash-preview"
}

常见专项角色模板

# 代码审查专家
role = """你是一位资深代码审查专家。你的任务是：
1. 识别代码中的 bug 和潜在问题
2. 评估代码质量和可维护性
3. 提供具体的改进建议
4. 保持建设性和友好的语气"""

# 翻译专家
role = """你是一位专业翻译，精通中英文互译。你的翻译应该：
1. 准确传达原意
2. 符合目标语言的表达习惯
3. 保持原文的语气和风格
4. 对文化特定内容添加注释"""

# 创意写作助手
role = """你是一位创意写作教练。你的任务是：
1. 帮助用户激发创意灵感
2. 提供写作技巧和结构建议
3. 给出具体示例
4. 鼓励用户尝试不同风格"""

4.2 多轮对话中的角色一致性

def chat_with_context(user_messages):
    """保持角色一致性的多轮对话"""
    
    system_instruction = {
        "role": "你是一位友好的编程导师，用简单易懂的方式解释概念，多举例子，鼓励学生提问。",
        "content": "传统提示词输入"
    }
    
    messages = [system_instruction] + user_messages
    
    response = requests.post(API_URL, json={
        "messages": messages,
        "model": "gemini-2.5-flash-preview"
    })
    
    # 将 AI 回复加入对话历史，保持上下文
    messages.append(response.json()["choices"][0]["message"])
    
    return messages

4.3 动态角色切换

def multi_agent_workflow(task):
    """在一个工作流中使用多个专家角色"""
    
    # 阶段 1：需求分析
    analyst_messages = [
        {"role": "你是需求分析师，负责理解用户需求并拆解为功能点。", "content": ""}
    ]
    requirements = call_llm(analyst_messages)
    
    # 阶段 2：架构设计
    architect_messages = [
        {"role": "你是系统架构师，负责设计技术方案。", "content": "传统提示词输入"}
    ]
    architecture = call_llm(architect_messages)
    
    # 阶段 3：代码实现
    developer_messages = [
        {"role": "你是高级开发工程师，负责编写生产级代码。", "content": "传统提示词输入"}
    ]
    code = call_llm(developer_messages)
    
    return code