一、简介

1.1 定义与重要性

提示词：宽泛一点说就是我们在提问大模型时候发出的问题指令。清晰、具体的指令,才能让ai输出⾼质量的内容.⽽这个"指令",就是我们说的提⽰词(Prompt).根据国家标准（2025年3月），提示词被定义为大模型微调和任务处理时输入样本中的关键指令

提示词的重要性：
好的提示词可以让大明星更好理解需求，精确输出答案。而差的提示词会让大模型自由发挥，往往会偏离本意。提⽰词的质量,直接决定了AI输出结果的相关性、可⽤性和专业度

1.2 提示词要素

⾼质量提⽰词的背后,是⼀套可拆解、可复⽤的结构化要素。可以包含以下要素：

1. ⽬标(Objective) – 你要做什么?
   这是提问词的灵魂,也就是你需要明确你希望AI做的具体事情

”写一个二分查找算法“
”翻译这段话“

2. 背景(Context) – 发⽣在什么场景下?
   提供上下⽂,帮助AI理解任务背后的逻辑和前提,避免歧义,提升相关性.

这是发生在输入7788时发生的bug

3. 受众(Audience) – 给谁看/听/⽤?
   不同的读者需要不同的表达⽅式.告诉AI内容的受众是谁,能显著优化语⾔⻛格和信息密度

"⾯向小学⽣" → 避免专业术语
"给CEO汇报" → 突出数据与决策建议
"发日常朋友圈" → 轻松活泼, 带 emoji

4. ⻛格(Style) – ⽤什么⽅式表达
   定义内容的⽂体或写作类型,控制整体⻛格,⽐如:新闻体、故事化、学术⻛、⼝语化、诗歌⻛等

用口语化表达解释最新养老金政策

5. 语⽓(Tone) – 带着什么情绪说话
   语⽓决定情感⾊彩,影响读者感受

语⽓类型	适⽤场景
正式严谨	商业报告、法律⽂书
轻松幽默	社交媒体、科普内容
激励⿎舞	演讲稿、团队动员
客观中⽴	新闻报道、数据分析

6. 格式(ResponseFormat) – 输出⻓什么样?
   以什么样的结构输出结果,便于后续使⽤或⾃动化处理,⽐如集成到⼯作流,⽹⻚,APP或者数据库中等.
   常⻅的输出格式有:

• ⽤Markdown,表格,JSON的形式
• 字数限制(不超过300字)
• 固定结构(如"标题+引⾔+三个要点+结尾")

7. 约束条件(Constraints) – 不能做什么?
   除了"要什么",还要说明"不要什么",防⽌AI跑偏,⽐如不要出现政治敏感内容,不要超过500字,不要虚构数据等

1.3 提示词技巧

文档参考：https://www.promptingguide.ai/zh

1.3.1 CO-STAR结构化框架

CO-STAR框架：是一个整理上面提示词要素的结构化框架。像⼀张"检查清单+导航图",引导⼀步步构建完整、清晰、可执⾏的指令。

缩写|含义|说明
C|Context (背景)|提供⾜够的背景信息,帮助AI理解任务的上下⽂和环境
O|Objective (⽬标)|明确说明希望AI完成的具体⽬标或任务
S|Style (⻛格)|指定AI⽣成内容的⻛格,例如正式、幽默等
T|Tone(语⽓)|确定AI⽣成内容的语调,如礼貌、说服性、激励性等
A|Audience (受众)|描述⽬标受众的特征,如年龄、兴趣、职业等
R|Response(响应格式)|指定AI回应的格式,如表格、段落、列表等,以及回应的具体要求

1.3.2 少样本提⽰(Few-ShotPrompting)

在提问大模型的时候也可以给他少量实例帮助大模型更好理解需求。

核⼼思想：你不是在给它下指令,⽽是在"教"它你想要的格式、⻛格和逻辑.
适⽤场景：格式固定、⻛格独特、逻辑复杂的任务,如⻛格仿写、数据提取、复杂格式⽣成.

示例：
零样本提⽰：
⽣活太艰难了
世界越来越糟, 没有改善的可能. → 悲观
每天都是新的开始, 充满希望！ → 乐观

通过⽰例,AI清晰地学会了如何输出,"具体问题"如何简洁描述.这⽐单纯⽤⽂字描述规则要有效得多.少样本提⽰适⽤于：

• ⻛格迁移
• 数据提取与标准化
• 情感分类、意图识别等结构化任务

1.3.3 思维链提⽰(Chain-of-Thought,CoT)

思维链提示：就是让大模型像人类思考一样，让大模型将解决问题的过程思路也给出来，不让他直接输出结果，这样不易出错。

在复杂任务中,使⽤思维链提⽰可以使⼤模型的准确率提升,尤其是在数学竞赛题(如GSM8K数据集)中效果显著.它会迫使模型：

1. 拆解问题→把⼤问题变成⼩步骤
2. ⾃我校验→在每⼀步中检查合理性
3. 增强可解释性→我们能看懂它是怎么"犯错"或"成功"的

1.3.4 ⾃我⼀致性(Self-Consistency,SC)

⾃我⼀致性(Self-Consistency) 是⼀种基于思维链(Chain-of-Thought) 的改进型推理策略.它的核⼼思想是：
让大模型多想几次，增强结果的一致性。例如思考问题时，让他多推导几条解决路径，选取效率最高的解决路劲。

传统CoT只⾛⼀条推理路径；Self-Consistency则探索多条路径,最终聚合为⼀致答案.他不再依赖"⼀次思考定⽣死",⽽是通过"多次尝试+投票机制"来提⾼准确率.

1.4 Cursor Rules

Cousor 和Trae等AI驱动编程工具，使用自然语言他们直接根据需求生成相应代码。

官方推荐Ruleshttps://cursor.directory/rules/java

Cursor Rules 是⼀组预先定义、可复⽤的系统级提⽰规则,⽤于指导AI在⽣成或修改代码时遵循特定的技术规范、架构约定和编码⻛格.这些规则不是语法规范,⽽是如何与AI对话才能写出⾼质量代码的最佳实践。可以理解为"AI编程时的’⾏为守则’".

Rules 最佳实践:

原则	说明
聚焦单⼀职责	每条Rule只解决⼀个问题,如"命名规范"、“测试要求”
内容具体清晰	避免"写得好⼀点"这类模糊表达,应写成"变量名使⽤camelCase"
控制⻓度在500⾏以内	过⻓的规则难以被模型有效解析
规则拆分	把⼤型规则拆分成多个可组合的⼩规则
提供⽰例代码	提供具体⽰例或引⽤⽂件,"像这样写"⽐"不要那样写"更有效