前面的内容已经学习了Pyhon的核心概念和语法。现在正式进入L1阶段提示词工程（Prompt Engineering）的学习。

简单来说，同样的AI，问法不同，回答质量可能差10倍。为了巩固我最近学到的知识点，我把关于提示词设计的核心概念和调优技巧整理成了这篇笔记，分享给大家，希望能一起进步！

摘要：本文是一篇面向大学生的提示词工程学习笔记，旨在帮助读者掌握与大语言模型高效沟通的核心技巧。文章首先介绍了提示词工程的定义及“黄金构成要素”，包括角色、要求、任务、示例、约束和流程。
核心内容详细解析了6大进阶调优技巧：零样本提示、少样本提示、链式思考、自我一致性、思维树及反思机制，并结合电商评论分类、数学推理等实战案例演示了具体应用。文章最后总结了利用AI优化提示词及迭代调试的重要性，提炼了“给角色、给背景、给任务、给示例、给约束”的核心口诀，助力读者从“被AI牵着走”进阶为“驾驭AI”。

---

一、什么是提示词工程？

提示词工程不仅仅是“向AI提问”，它是一门设计和优化提示词，以最大限度发挥大模型能力的学科。

我们可以把它看作是一个软件开发的过程：

1. 分析需求：明确思路，知道我们要解决什么问题。
2. 编写代码：用清晰、规范、严谨的语言写出提示词。
3. 运行调试：验证结果，反复修改迭代，直到得到满意的答案。

提示词的“黄金构成要素”

一个高质量的提示词通常包含以下几个核心要素。我在写Prompt时，会把前面三个都填写进去，后面三个可以选择性填写：

要素	说明	示例
角色	设定AI的身份和技能，让它进入“专家模式”。	“你是一位资深的Python后端工程师...”
要求	提出具体需求，包括内容、格式和质量标准。	“请生成一份包含注释的代码，并用Markdown表格总结。”
任务	明确具体的任务清单或目标。	“1. 分析代码漏洞；2. 给出修复方案。”
示例	提供成功案例、失败反例或格式模板（少样本提示）。	“参考以下格式：输入... 输出...”
约束	设定红线、偏好或风险规避。	“不要使用复杂的数学术语，字数控制在300字以内。”
流程	引导模型按步骤执行。	“请先思考，再给出结论。”

---

二、Prompt 调优技巧：从入门到进阶

掌握了基本结构还不够，针对不同的任务难度，我们需要使用不同的技巧。以下是我整理的6大核心调优技巧：

1. 零样本提示（Zero-Shot Prompting）

这是最基础的用法，直接问模型要答案，不给任何例子。

• 适用场景：简单的问答、常识性问题。
• 案例对比：
  • 普通问法：“怎么写Python代码读取Excel？”（回答可能太泛，或者库的版本不匹配）
  • Zero-Shot优化：“你是一位Python数据分析专家。请写一段Python代码，使用pandas库读取名为data.xlsx的文件，并打印前5行数据。”

2. 少样本提示（Few-Shot Prompting）

“授人以鱼不如授人以渔”，给模型几个例子，让它照猫画虎。这能显著提高模型在特定任务（如格式转换、风格模仿）上的准确率。

• 适用场景：格式要求严格、风格特定的任务。
• 实战案例：电商评论情感分类

提示词模板：

任务：判断用户评论的情感倾向，仅输出“正面”、“负面”或“中性”。

示例1：
评论：“物流太慢了，等了一周才到，包装也破损了。”
情感：负面

示例2：
评论：“质量不错，虽然价格有点贵，但物有所值。”
情感：正面

示例3：
评论：“这就只是一个普通的手机壳，没什么特别的，也没啥毛病。”
情感：中性

请判断：
评论：“发货速度很快，客服态度也很好，但是手机壳有点味道。”
情感：

模型输出：负面（模型通过示例学到了“但是”后面的负面描述权重很高）

3. 链式思考（Chain of Thought, CoT）

这是处理复杂逻辑题的“神器”。通过引导模型“一步步思考”，让它把推理过程展示出来，而不是直接蹦出答案。

• 核心咒语：“让我们一步步思考（Let's think step by step）”。
• 适用场景：数学计算、逻辑推理、复杂问题分析。
• 实战案例：数学应用题

提示词：
罗杰有5个网球。他又买了两罐网球，每罐有3个球。然后他送给朋友2个球。请问罗杰现在有多少个网球？

让我们一步步思考：

1. 罗杰开始有5个球。
2. 他买了2罐，每罐3个，所以买了 2×3=62×3=6 个球。
3. 现在他有 5+6=115+6=11 个球。
4. 他送给朋友2个球，所以剩下 11−2=911−2=9 个球。

答案是9。

4. 自我一致性（Self-Consistency）

这个技巧有点像“三个臭皮匠，顶个诸葛亮”。让模型针对同一个问题生成多条推理路径，然后选择出现次数最多的结果。

• 原理：通过多次采样，减少单次生成的随机性和错误。
• 适用场景：高难度的推理任务，追求高准确率。
• 操作思路：在API调用中设置n > 1，或者手动问三次，看哪个答案出现最多。

5. 思维树（Tree of Thoughts, ToT）

比CoT更进一步，它允许模型尝试多种解法。如果一条路走不通，模型可以回溯并尝试另一条路。

• 形象理解：就像走迷宫，CoT是一条道走到黑（或者走到通），ToT是遇到死胡同会退回来换条路走。
• 适用场景：需要创造性规划、多步决策的复杂任务（如写小说大纲、复杂的代码架构设计）。

6. 反思机制（Self-Reflection）

让模型具备“自我审查”的能力。流程是：初步输出 -> 自我审查 -> 优化结果。

• 实战案例：代码生成与优化

提示词：
请写一个Python函数来计算斐波那契数列的第n项。

写完代码后，请你进行自我审查：

1. 这个函数的时间复杂度是多少？
2. 如果n很大，会不会有性能问题？
3. 如果有问题，请给出一个优化后的版本。

---

三、进阶思考：迭代与反问

除了上述技巧，我在实践中还发现两个非常重要的点：

1. 迭代优化：不要指望一次就能写出完美的Prompt。像写代码一样，Prompt也需要Debug。如果结果不满意，就调整措辞、增加约束，再次运行。
2. 利用AI优化AI：我们可以直接问AI：“我想让你帮我写一个关于XXX的提示词，请帮我优化这个提示词，让它效果更好。” 让强大的模型帮我们写提示词，往往能得到意想不到的好结果。

---

四、总结

提示词工程是连接人类意图与AI能力的桥梁。掌握角色设定、结构化表达、思维链等技巧，能让我们从“被AI牵着鼻子走”变成“驾驭AI”。

核心口诀：

• 给角色：你是专家。
• 给背景：我要做什么。
• 给任务：具体做什么。
• 给示例：照着这个做。
• 给约束：不要做什么。

以上就是我关于提示词工程的学习笔记，内容还在不断更新中，欢迎大家在评论区交流心得！