用户提示词设计原则

一、引言

如果说 System Prompt 决定了模型的“性格”，那么用户提示词（User Prompt）就是具体的“行动指令”。即使是同一个模型，在不同的用户提示词下也会产生截然不同的结果。掌握用户提示词的设计原则，是每个 AI 开发者必须具备的核心技能。本文将深入探讨用户提示词设计的核心原则，通过大量实战案例帮助你提升与 AI 交互的效率和质量。

二、用户提示词的本质

2.1 什么是用户提示词

用户提示词是用户在每一轮对话中向大语言模型发送的具体指令或问题。与 System Prompt 的全局设置不同，用户提示词针对当前任务给出具体指导。用户提示词的质量直接决定了模型输出的质量——一个模糊的提示词会导致模糊的答案，而一个清晰精确的提示词则能得到满意的回复。

# ❌ 模糊的提示词
"帮我写点代码"

# ✅ 清晰的提示词
"用 Python 写一个计算文件 MD5 值的函数，要求：
1. 支持大文件分块读取
2. 处理文件不存在的情况
3. 返回格式为 'filename: md5hash'
4. 代码需要添加完整的类型注解和注释"

2.2 用户提示词与 System Prompt 的协同

用户提示词并不是独立工作的，它需要与 System Prompt 配合才能发挥最佳效果。System Prompt 设定了全局的角色和规则框架，用户提示词在这个框架内完成具体任务。两者协同工作时，模型的输出质量会显著提升。

# 协同示例
messages = [
    # System Prompt 设定全局规则
    {"role": "system", "content": "你是一位Python专家，回答问题要简洁准确，代码要完整可运行。"},
    
    # 用户提示词完成具体任务
    {"role": "user", "content": "写一个快速排序的实现，使用类型注解"}
]

在协同工作中，System Prompt 通常保持稳定，而用户提示词根据具体任务灵活变化。理解两者的工作机制，是设计高效 AI 应用的基础。

三、清晰指令原则

3.1 明确任务目标

清晰的指令是获得满意输出的第一步。一个明确的指令应该包含：具体要做什么、完成的标准是什么、有什么特殊要求。

# ❌ 不明确
"介绍一下Python"

# ✅ 明确
"""详细介绍 Python 编程语言，包括：
1. Python 的发展历史和版本演进
2. Python 的核心特点和适用场景
3. Python 与其他语言（如 Java、JavaScript）的对比
4. Python 生态中最流行的框架和工具
5. Python 入门学习路径建议

要求：内容全面但不过于技术化，适合有一定编程基础的读者"""

3.2 分解复杂任务

复杂的任务应该分解为多个简单的子任务，这样不仅能得到更好的结果，也便于理解和执行。

# ❌ 复杂笼统
"帮我做一个用户登录系统"

# ✅ 分解为具体步骤
"""帮我设计一个用户登录系统，包括：
1. 用户注册功能（邮箱、密码、验证码）
2. 用户登录功能（JWT Token）
3. 密码找回功能
4. 每次输出只实现一个功能，先完成用户注册"""

3.3 使用动作动词

使用明确的动作动词开头，让指令更加直接有力。

# 常用动作动词
"解释" - 阐述概念或原理
"比较" - 分析两个或多个事物的异同
"实现" - 编写可运行的代码
"评估" - 分析优缺点
"推荐" - 基于标准给出建议
"创建" - 生成某种内容或结构
"优化" - 改进现有方案
"检查" - 审查代码或内容的正确性

# 使用动作动词
"解释 Python 中的装饰器是什么"
"比较 React 和 Vue 的优缺点"
"实现一个 LRU 缓存类"
"评估这段代码的性能问题"
"推荐最佳的云服务器配置"

四、上下文提供原则

4.1 提供必要背景

大语言模型虽然训练了海量知识，但对于你的具体场景可能了解有限。提供必要的背景信息可以帮助模型给出更准确的回答。

# ❌ 缺乏背景
"这段代码有什么问题？"
# 用户没有提供代码

# ✅ 提供背景
"""
我正在使用 FastAPI 编写一个 REST API，Python 版本是 3.10。
下面这段代码是用户认证的中间件，但测试时发现
已登录用户有时会被意外登出。

请分析可能的原因（500行以内）：

  async def auth_middleware(request: Request, call_next):
      token = request.headers.get('Authorization')
      if token:
          user = await verify_token(token)
          request.state.user = user
      response = await call_next(request)
      return response
"""

4.2 控制上下文长度

虽然上下文信息很重要，但过多的背景信息可能导致关键信息被稀释。使用简洁的上下文，只提供与当前任务直接相关的信息。

# ✅ 简洁有效的上下文
"""
技术栈：React 18 + TypeScript + Vite
问题：在组件中调用 API 获取数据，但类型提示不正确
当前代码（约20行）：

interface User {
  id: number
  name: string
  email: string
}

const { data } = useSWR('/api/user', fetcher)
// data 的类型应该是 User[] | undefined
// 但实际类型是 any
"""

4.3 利用分隔符

使用分隔符可以清晰地组织不同类型的上下文信息，让模型更容易理解指令结构。

# 使用分隔符组织信息
prompt = """
## 任务
审查以下代码的内存使用情况

## 技术背景
- Python 3.9
- 处理 10GB 的日志文件

## 代码

def process_logs(filename):
    with open(filename) as f:
        for line in f:
            # 处理每一行
            yield parse_line(line)

## 输出要求
- 指出潜在问题
- 提出优化建议
"""

五、格式指定原则

5.1 指定输出结构

明确告诉模型输出的结构，可以得到更加可预测的结果。

# ❌ 无格式要求
"介绍一下人工智能的发展现状"

# ✅ 明确格式要求
"""
介绍人工智能的发展现状，包括：

请按以下结构输出（每个部分 100-200 字）：
1. 技术突破 - 近3年最重要的技术进展
2. 应用落地 - 最成功的商业应用场景
3. 挑战与局限 - 当前面临的主要问题
4. 未来趋势 - 未来3-5年的发展方向
"""

5.2 使用标记语言

合理使用 Markdown 标记可以让输出更加清晰，也便于后续程序处理。

# 使用 Markdown 标记
prompt = """
用 Markdown 表格对比三种数据库的特点：

| 数据库 | 类型 | 适用场景 | 优点 | 缺点 |
|--------|------|----------|------|------|
| MySQL | 关系型 | Web应用 | 成熟稳定 | 扩展性一般 |
| MongoDB | 文档型 | 内容管理 | 灵活 | 事务弱 |
| Redis | 内存型 | 缓存/实时 | 速度快 | 内存限制 |

请按这个格式补充 Neo4j 和 Elasticsearch
"""

5.3 示例驱动

有时“千言万语”不如一个具体的例子，让模型按照示例输出是确保格式正确的有效方法。

# 使用示例
prompt = """
将以下用户反馈按类别分类：

用户反馈：
1. "登录后页面空白" - bug
2. "希望增加深色模式" - 功能建议
3. "加载太慢了" - 性能问题
4. "app经常闪退" - bug

分类结果（按此格式）：
- Bug: [序号]
- 功能建议: [序号]
- 性能问题: [序号]
"""

六、约束设定原则

6.1 明确限制条件

明确告诉模型什么是不能做的、什么范围是需要遵守的。

# 设置约束
prompt = """
用 Python 实现一个图片处理函数，要求：
- 使用 Pillow 库
- 支持 JPG 和 PNG 格式
- 保持原始 EXIF 信息
- 不使用第三方 AI 库
- 代码行数控制在 100 行以内
"""

6.2 指定受众和风格

告诉模型输出的受众是谁，可以帮助调整表达方式和专业程度。

# 指定受众
prompt = """
解释什么是 REST API：

1. 给刚学编程的初学者（用比喻和简单例子）
2. 给有经验的开发者（用技术术语和最佳实践）

请分别用两段话解释
"""

6.3 边界案例处理

明确告诉模型如何处理边界情况和特殊情况。

# 边界情况说明
prompt = """
写一个计算平均值的函数，要求：
- 输入：整数列表
- 输出：平均值（保留2位小数）
- 空列表返回 0.0
- 包含非整数元素时抛出 TypeError
"""

七、迭代优化原则

7.1 基于反馈优化

第一次输出的结果可能不完美，根据结果进行迭代优化是提示词工程的常态。

# 迭代示例

# 第一轮
prompt1 = "写一个排序算法"
# 输出：冒泡排序（可能过于简单）

# 第二轮  
prompt2 = "写一个高效的排序算法，针对大规模数据"
# 输出：归并排序/快速排序

# 第三轮
prompt3 = """实现一个排序算法：
- 时间复杂度 O(n log n)
- 原地排序
- 处理包含重复元素的整数数组
- 最好情况比最坏情况快30%以上
- 代码需要完整可运行，包含单元测试
"""

7.2 渐进式完善

对于复杂任务，采用渐进式的方式逐步完善提示词和输出。

# 渐进式完善流程

# 第一步：确认理解正确
"我想实现一个文件批量重命名的功能，我理解对吗：用户指定文件夹和新旧文件名映射表，脚本遍历文件夹并重命名匹配的文件？"

# 第二步：确认技术选型
"用 Python 实现这个功能，推荐用什么库处理文件操作？"

# 第三步：获取完整代码
"请用上述推荐的库实现完整代码，包括：
- 命令行参数解析
- 错误处理
- 回滚机制
- 使用示例"

7.3 提示词版本管理

在实际项目中，建议对提示词进行版本管理，记录每个版本的改动和效果。

# 提示词版本管理示例

# v1.0 - 初始版本
prompt_v1 = "你是一个代码审查助手"

# v1.1 - 增加输出格式
prompt_v1_1 = """你是一个代码审查助手
输出格式：
- 问题描述
- 严重程度（高/中/低）
- 改进建议"""

# v1.2 - 增加语言限制
prompt_v1_2 = """你是一个代码审查助手
输出格式：
- 问题描述
- 严重程度（高/中/低）
- 改进建议
语言：英文输出
"""

八、实战技巧

8.1 角色+任务+格式

一个高效的提示词模板可以简化为：角色 + 任务 + 格式

# 模板结构
prompt = f"""你是一个{角色}。
{任务描述}
输出格式：{格式要求}
"""

8.2 追问获取细节

当模型输出不够详细时，通过追问获取更多信息。

# 初始问题
"解释什么是机器学习"

# 追问
"刚才的解释中提到了监督学习，能详细解释无监督学习和强化学习的区别吗？"

# 再追问
"对于初学者，推荐从哪个学习方式开始？为什么？"

8.3 分步思考

明确要求模型分步思考，可以提高复杂任务的完成质量。

# 要求分步思考
prompt = """
判断一个字符串是否是回文，要求：
1. 先说明判断思路
2. 列出边界情况
3. 写出代码
4. 给出测试用例
"""

九、常见问题与解决方案

9.1 输出过于简短

如果模型回答过于笼统，可以要求更详细的输出。

# ❌ 过于简短
"介绍一下 Python"

# ✅ 要求详细
"详细介绍 Python，要求：
- 每个概念至少 100 字
- 包含代码示例
- 提供进一步学习的资源链接"

9.2 输出过于冗长

如果模型回答过于啰嗦，可以明确限制长度。

# 限制长度
prompt = """
用 50 字以内解释什么是闭包
"""

9.3 偏离主题

通过重置或明确引导让模型回到正确方向。

# 偏离后纠正
prompt = """
等等，我问的是 JavaScript 的闭包，不是 Python。
请用 JavaScript 重新解释闭包的概念。
"""

十、总结

用户提示词设计是 AI 开发中的核心技术能力。掌握清晰指令、上下文提供、格式指定、约束设定、迭代优化等核心原则，可以显著提升与大型语言模型的交互效率。在实践中，要根据具体场景灵活运用这些原则，不断尝试和优化，找到最适合自己任务的提示词策略。

记住，好的提示词不是一蹴而就的，而是通过不断迭代和完善炼成的。持续学习和实践是提升提示词设计能力的最佳途径。

---

参考资料

• OpenAI 提示工程最佳实践
• Anthropic Claude 提示工程指南
• 微软 Prompt Engineering 指南