前言：如今AI盛行，各种AI模型层出不穷，我们人类与AI模型进行沟通，需要传递我们的需求，提示词(Prompt)就是我们与AI模型沟通的“桥梁”。

提示词可以是一个明确的问题、一段背景描述，或是一组关键词，本质是引导模型输出符合预期的文本、方案或结论。

今天我们来一起探究一下如何"写好"提示词。

目录

一、提示词工程

二、提示词核心要素

三、提示词技巧

3.1 基础技巧(Zero-Shot & Few-Shot)

3.2 进阶技巧(推理能力)

3.3 高级技巧(融合外部工具)

四、一些小建议

---

一、提示词工程

谈到提示词，就必须先了解提示词工程。

提示词工程，并不是单一的"指令描述"，它是一门专注于设计、优化和迭代输入给大语言模型（LLM）的文本指令的艺术与科学。其核心目标是引导模型生成更准确、相关且有价值的输出。

我们可以把 LLM 想象成一个知识渊博，但需要明确指令的超级实习生。提示词就是你给它的任务简报。简报写得越清晰、结构越合理，它的工作成果就越出色。

提示词工程存在的两大原因：

1) 如今的大模型(如 DeepSeek、GPT、Gemini) 已具备了强大的语义理解与推理能力，但这种能力需要 “精准引导” 才能落地。

2) 提示词充当了 “人机交互的翻译器”—— 用户的模糊需求，通过提示词转化为模型可理解的指令。

掌握了提示工程，就等于掌握了开启大模型潜能的钥匙。

精准的提示词，已经解决了一大半问题！

二、提示词核心要素

一个高质量的提示词通常由四个核心要素构成：

1) 指令：要求模型执行的具体任务。如 "将以下文本翻译成英文"

2) 上下文：提供任务相关的背景信息，帮助大模型理解。如 "这是一篇关于人工智能的论文摘要"

3) 输入：待处理的具体内容。如 "文本：人工智能正在改变各行各业..."

4) 输出指示：指定输出的格式或风格。如 "请使用 JSON 格式输出，包含原文与译文字段"

三、提示词技巧

3.1 基础技巧(Zero-Shot & Few-Shot)

直接提示，简洁明确，适合模型已具备相关知识的场景。

1) 零样本提示：直接向模型下达指令，不提供任何示例。这依赖于模型强大的泛化能力，适合简单任务。

零样本提示 示例：

请用通俗的语言解释‘指针’

2) 少样本提示：在提示词中提供一个或多个示例，帮助模型“模仿”并理解任务模式。

少样本提示 示例：

请标注以下用户评论的情感倾向（好评 / 中评 / 差评），示例：1.‘续航超预期，很满意’→好评；2.‘外观好看，但有时卡顿严重’→中评。
请标注：‘价格稍偏高，但质量确实挺好’

3.2 进阶技巧(推理能力)

对于复杂的推理任务（如数学问题、逻辑谜题），简单的指令往往无效，需要引导模型“一步步思考”。

主要包括以下三种类型技巧：

1) 思维链(CoT)：引导模型展示推理的中间步骤，而不是直接给出答案，适合复杂逻辑题。

提示词：我有 10 个苹果，给了邻居 2 个，又买了 4 个，吃了 1 个。还剩多少?
输出: 让我们逐步思考。
初始有 10 个。
给了邻居 2 个，剩 8 个。
买了 4 个，变成 12 个。
吃了 1 个，最后剩 11 个。
答案是 11。

2) 思维树(ToT)：是CoT的升级版本，鼓励模型探索多个推理分支，并评估每条路径的可行性，最终筛选最优解，适合多维度决策的场景。

提示词：某超市客流量下降，需制定提升方案，请列出 3 种可能原因及对应解决方案，并评估每种方案的可行性，给出最终建议

输出：
一、原因 1：周边竞争加剧，价格与活动吸引力不足
1) 解决方案:
a.每周推出 3–5 款爆款引流单品（鸡蛋、米面、蔬菜等）低价限时限量。
b.上线会员日、满额赠、第二件半价活动，提升到店动力。
c.建立顾客微信群，每日推送特价、预售、到店自提福利。
2) 可行性评估:
可行性：高

二、原因 2：商品结构老化，生鲜与高频品类竞争力弱
1) 解决方案
a.强化生鲜自营，保证每日新鲜，优化陈列，突出 “新鲜便宜”。
b.增加早餐、熟食、半成品菜等即时性品类，吸引上班族与家庭。
c.淘汰滞销商品，补充网红零食、家居小百货等高周转商品。
2) 可行性评估
可行性：中高

三、原因 3：门店体验差，服务与便利性不足
1) 解决方案
a.优化店内卫生与动线，重点整理生鲜区、收银区环境。
b.增设自助收银机，高峰增开人工收银，减少排队。
c.增加便民服务：免费充电、快递代收、热水、小件寄存等。
2) 可行性评估
可行性：中

最终建议
短期（1–2 周）优先执行方案一：用爆款特价 + 社群运营快速拉回升客流，立竿见影。
中期（1 个月）同步推进方案二：优化生鲜与商品结构，稳住客流、提高客单价。
长期持续落地方案三：改善购物体验，形成差异化，避免再次被竞品轻易分流。

3) 任务拆解：将复杂任务拆解为一系列简单的子问题，逐个击破。这类似人类的解决问题的思维方式。

3.3 高级技巧(融合外部工具)

模型不仅能自我思考，还能调用外部工具（如搜索引擎、计算器）来获取信息，解决复杂问题。

如 RAG 检索增强生成：

在生成回答前，先从外部知识库检索相关信息，作为上下文提供给模型，有效解决"模型幻觉问题"，提升准确性。

RAG 提示词示例：

提示词：
### 任务
你是一个企业内部知识库助手。请根据【检索到的文档片段】回答用户问题。
要求：
- 只依据上下文回答，不要使用你自己的知识。
- 如果上下文中没有答案，请直接回答：“我在文档中没有找到相关内容。”
- 用中文回答，简洁专业。

### 检索到的文档片段
[文档1]
标题：请假制度
内容：员工请假需提前 3 天在 OA 系统提交申请，连续请假超过 3 天需部门经理审批。

[文档2]
标题：加班制度
内容：工作日加班需提前在系统申请，经主管审批后方可计算加班工资。

### 用户问题
我要请 5 天病假，流程怎么走？

### 你的回答

四、一些小建议

1) 善于使用 ### 或 """ 等符号清晰区分指令和待处理文本，防止模型混淆。

2) 第一个版本的提示词通常不是完美的。通过观察模型的输出，不断迭代优化，调整和细化指令。

3) 让模型扮演特定角色（如“你是一位资深程序员”），可以显著提升回答的专业度。

写在最后

提示词工程是 AI 时代每个人都需要掌握的核心技能。它不仅是我们与模型沟通的桥梁，更是一种将复杂问题结构化、清晰化的思维方式。

再强调一遍：精准的提示词，已经解决了一大半问题！