提示工程

提示工程（Prompt Engineering）是通过优化输入文本（提示词），引导大语言模型（LLM）精准、高效、符合预期完成任务的技术体系，是实现人机对齐、解决LLM输出偏差、逻辑断层、幻觉风险、任务偏离的核心抓手。其底层逻辑是：LLM的生成本质是基于上下文的Token概率预测，提示工程通过上下文约束，将模型的输出概率分布引导至用户期望的区间。

本文围绕核心原则、角色设定、零样本/少样本提示、思维链CoT四大核心模块，构建全链路、可落地的系统性知识体系。

---

一、提示工程核心原则

核心原则是所有提示技巧的底层逻辑，贯穿提示词设计的全流程，分为基础通用原则和进阶对齐原则两大维度。

1.1 基础通用原则（所有场景必须遵守）

原则	核心定义	实操标准	反面误区
指令清晰明确	杜绝模糊表述，让模型无歧义理解任务目标	必须明确「任务目标、约束条件、输出格式、评价标准」4要素，比如不说“写个文案”，要说“写300字面向宝妈的婴儿辅食机种草文案，突出安全无异味、一键操作2个核心卖点”	用“好看的”“专业的”“大概”等模糊词汇，无明确标准
上下文完整充分	给足完成任务必须的背景信息，消除信息差	任务依赖的背景、原文、数据、规则必须完整放入提示词，避免模型依赖预训练旧知识或编造信息	仅说“总结我的报告”，不提供报告原文
输出格式结构化	提前指定输出范式，约束模型的输出结构	明确要求markdown、JSON、分点、表格等固定格式，复杂输出需提前定义层级结构	不指定格式，任由模型自由输出，导致内容不可复用
正向指令优先	以肯定性表述定义输出要求，规避否定性指令	用“用口语化、朋友聊天的语气撰写”替代“不要写得太官方”，LLM对正向描述的权重远高于否定表述	大量使用“不要”“禁止”等否定词，反而强化模型对违规内容的记忆
任务拆解分层	复杂任务拆解为可执行的子任务，分步执行	把“写一份商业计划书”拆解为市场分析、产品定位、财务规划等多个子任务，逐个引导模型完成	单条提示词堆砌多个不相关任务，导致模型处理过载、逻辑混乱

1.2 进阶对齐原则（高阶效果与风险管控）

1. 人机意图对齐原则：穿透字面需求，锚定用户真实诉求。比如区分用户要的是“方案框架”“可执行步骤”还是“预算明细”，避免答非所问。
2. 幻觉抑制原则：通过多维度约束减少虚假输出，包括要求标注信息来源、强制引用原文、设置“信息不足请直接说明，禁止编造”的兜底规则。
3. 安全对齐原则：通过提示约束，规避模型生成违规、有害、偏见性内容，确保输出符合法律法规与伦理规范。
4. 迭代优化原则：提示工程是闭环过程，需基于模型输出的反馈，针对性调整提示词模块，而非一次性设计。

---

二、角色设定（Role Prompting）：提示工程的基础框架

角色设定是通过给LLM分配明确的身份、人设、能力边界与行为准则，约束模型的输出视角、专业度、语气与逻辑框架的提示技术，核心是激活模型预训练中对应身份的专业语料分布，让输出快速贴合预期。

2.1 角色设定的核心四要素（缺一不可）

1. 身份定位：具象化的职业/角色，越细分效果越好。比如“10年经验的阿里巴巴Java高并发架构师”，远优于泛泛的“IT专家”。
2. 能力边界：明确角色具备的核心能力，以及禁止触碰的领域。比如“你具备Java内存泄漏排查与优化能力，不涉及前端开发相关内容”。
3. 行为准则：定义角色的语气、输出规范、做事原则。比如“必须用零基础小白能听懂的语言讲解，每个知识点配1个生活案例，避免专业术语”。
4. 任务目标：与角色强绑定的核心任务，确保身份与需求完全匹配。

2.2 角色设定的分类与实操模板

2.2.1 基础单角色设定（通用场景，90%场景适用）

标准可复用模板：

# 角色设定
你是【XX领域的XX专家/职业】，拥有【X年相关经验】，深耕【XX细分领域】。
# 能力与边界
你擅长：1.XXX 2.XXX 3.XXX
你需要规避：【禁止输出的内容/不具备的能力】
# 行为准则
1.  语气要求：【正式/口语化/严谨/亲切等】
2.  输出规范：【格式要求、内容约束】
3.  核心原则：【比如：所有方案必须可落地、不编造信息】
# 核心任务
请你基于以上设定，完成【具体、清晰的任务描述】

2.2.2 多角色联动设定（复杂多视角任务）

适合产品需求评审、方案可行性分析、多立场辩论等场景，设定多个互补角色，让模型从不同视角输出内容，比如同时设定产品经理、开发工程师、测试工程师、用户代表4个角色，完成需求评审。

2.2.3 动态角色设定（多轮对话场景）

适合长期多轮对话，设定角色可根据对话深度动态调整，比如“随着对话深入，你可根据我的需求，从Java入门讲师切换为进阶架构师角色”。

2.3 进阶技巧与常见误区

• 进阶技巧：人设具象化，给角色增加真实背景（如“主导过双11核心系统高并发改造”），比空泛的专家设定效果提升显著；角色权限约束，明确“只有建议权，无决策权”，避免模型越权输出。
• 常见误区：角色设定空泛、与任务脱节、堆砌过多无关角色导致信息过载，模型抓不住核心约束。

---

三、零样本/少样本提示：基于上下文学习的核心技术

零样本/少样本提示是LLM上下文学习（In-Context Learning, ICL）能力的核心应用，通过给模型提供示例（或仅靠指令），让模型快速学习任务的模式与规则，无需微调即可适配自定义任务。

3.1 零样本提示（Zero-Shot Prompting）

核心定义

不提供任何任务相关示例，仅通过清晰指令让模型直接完成任务，是最基础、使用成本最低的提示方式。

适用场景

模型预训练中已充分学习的通用简单任务：文本翻译、摘要、通用文案撰写、常识问答、简单分类。

标准模板与示例

模板：【清晰任务指令】+【约束条件】+【输出格式】
示例：“请把下面的中文句子翻译成西班牙语，要求口语化，适合日常旅行场景：我想去附近的地铁站，请问怎么走？”

优劣势与误区

• 优势：使用成本低，无需准备示例，适合快速完成简单任务；
• 劣势：复杂任务、小众自定义规则任务、严格格式要求任务效果差，易偏离预期；
• 核心误区：指令模糊，无明确约束，指望模型自行猜测需求。

3.2 单样本提示（One-Shot Prompting）

核心定义

给模型提供1个完整的输入输出示例，再引导模型完成任务，介于零样本与少样本之间，平衡效果与成本。

适用场景

任务有明确格式/规则，但示例准备成本高，或1个示例即可覆盖核心规则的场景：特定格式文案生成、简单标签分类、固定格式数据提取。

标准示例

示例：
输入：这款手机续航很强，拍照清晰，就是机身偏重。
输出：{"好评点": ["续航强", "拍照清晰"], "差评点": ["机身偏重"]}
---
请你严格按照上面的示例，处理下面的文本：
输入：这家酒店位置很好，出门就是地铁，房间干净，但是早餐种类太少。
输出：

3.3 少样本提示（Few-Shot Prompting）

核心定义

给模型提供2-10个（通常3-5个效果最佳）完整的输入输出示例，让模型学习任务的规则、格式、风格与判断标准，是上下文学习的核心形态。

适用场景

1. 有严格格式要求的任务（JSON输出、固定模板、结构化数据提取）；
2. 小众自定义规则、模型预训练未覆盖的任务；
3. 复杂分类、推理、需要统一风格的内容生成任务。

核心设计原则

1. 一致性：所有示例的输入输出格式、规则、风格完全统一，无矛盾；
2. 代表性：示例覆盖任务的常见场景、边界情况、易混淆案例；
3. 简洁性：示例精准聚焦核心规则，无冗余信息干扰模型学习。

标准模板

【任务总指令】：请你严格按照下面的示例，完成【具体任务描述】，遵循【XX约束规则】
---
示例1：
输入：XXX
输出：XXX
---
示例2：
输入：XXX
输出：XXX
---
示例3：
输入：XXX
输出：XXX
---
【目标任务】
输入：【用户的目标输入】
输出：

进阶技巧与常见误区

• 进阶技巧：结合RAG实现动态少样本，根据用户输入召回最相关的示例，而非固定示例，效果提升显著；加入正反对比示例，明确告知模型“什么是对的，什么是错的”，提升准确率。
• 常见误区：示例规则矛盾、无代表性、冗余信息过多、与目标任务脱节，示例宁少勿滥，质量优先。

---

四、思维链提示（Chain-of-Thought, CoT）：复杂逻辑任务的核心解决方案

思维链提示是让LLM模拟人类思考过程，将复杂推理任务拆解为多个连续、可解释的中间推理步骤，最终得到答案的提示技术，核心是“让模型把思考过程说出来”，彻底解决LLM在复杂逻辑、数学计算、多步推理任务中的表现短板。

4.1 底层逻辑

LLM单步直接输出时，对复杂任务的Token概率预测极易出错；而思维链将复杂任务拆解为多个模型可轻松处理的简单子步骤，同时中间推理过程为模型提供了更多上下文引导，大幅提升推理准确率，同时实现输出的可解释、可校验。

4.2 核心分类与实操方法

4.2.1 零样本思维链（Zero-Shot CoT）

• 核心定义：无需提供推理示例，仅通过一句触发语引导模型输出完整推理过程，再生成答案。
• 经典触发语：“让我们一步步来思考（Let’s think step by step）”，进阶变种：“请你先一步步分析推理过程，说明每一步的依据，不跳步，再给出最终答案”。
• 标准模板：【任务指令】+【思维链触发语】+【输出格式要求】
• 适用场景：通用逻辑推理、数学计算、常识判断、简单问题分析，零成本提升模型逻辑能力。

4.2.2 少样本思维链（Few-Shot CoT）

• 核心定义：给模型提供多个包含「输入、完整推理过程、最终答案」的示例，让模型学习推理的逻辑与步骤，是CoT效果最优的核心形态。
• 核心要求：示例中的推理过程必须逻辑连贯、步骤完整、无跳步，完全贴合人类的思考路径。
• 标准模板：

【任务总指令】：请你严格按照下面的示例，先一步步推理分析，再给出最终答案，推理过程要完整清晰，不能跳步。
---
示例1：
问题：XXX
思考过程：
步骤1：明确问题核心是XXX，已知条件为XXX，需求解的目标是XXX。
步骤2：根据已知条件，先计算XXX，得到结果XXX。
步骤3：基于步骤2的结果，分析XXX，得出XXX结论。
步骤4：综合以上推理，最终答案是XXX。
最终答案：XXX
---
示例2：【同结构完整推理示例】
---
【目标问题】：XXX
思考过程：
最终答案：

• 适用场景：复杂数学计算、多步逻辑推理、代码调试、法律案例分析、医疗诊断、商业决策等需要严谨推理的任务。

4.3 进阶变种与高阶技巧

1. 自洽性思维链（Self-Consistency CoT）：让模型生成多条不同的推理路径，投票选择出现次数最多的最终答案，解决单条思维链易出错的问题，复杂推理任务准确率可提升20%以上。
2. 思维树（Tree-of-Thought, ToT）：将线性思维链升级为树状结构，让模型先生成多个思考分支，评估后剪枝错误分支，保留正确分支继续深入推理，适合多解规划类任务（编程、方案设计、复杂策略制定）。
3. 反思式思维链（Reflexion CoT）：让先生成初步推理与答案，再自行对结果进行反思、校验、纠错，迭代优化后输出最终答案，适合复杂写作、代码开发、方案设计类任务。
4. 分治思维链（Divide-and-Conquer CoT）：将复杂大问题拆解为多个独立子问题，逐个解决后综合结果得到最终答案，适合超复杂系统工程任务（商业计划书、大型系统架构设计）。

4.4 能力边界与常见误区

• 能力边界：CoT只能优化模型已有能力的表现，无法让模型获得预训练中没有的知识，未知专业知识需结合RAG技术补充。
• 不适用场景：简单常识问答、翻译、摘要等无需推理的任务，使用CoT反而增加冗余、降低效率。
• 常见误区：推理过程跳步、冗余信息过多、所有任务强行使用CoT、示例推理逻辑错误、只给推理过程无明确最终答案。

---

五、四大模块的组合应用全链路框架

实际落地中，四大模块并非孤立使用，需根据任务复杂度组合适配，以下是通用可复用的全链路提示词框架，覆盖99%的业务场景：

# 一、角色设定层（激活专业语境，约束输出边界）
你是【具体职业/身份】，拥有【X年相关经验】，深耕【XX细分领域】，具备【XX核心能力】。
## 行为准则
1.  语气要求：【XXX】
2.  输出规范：【XXX】
3.  核心原则：【XXX】
4.  能力边界：【XXX】

# 二、任务与规则层（锚定核心目标，明确约束条件）
## 核心任务
请你基于以上设定，完成【清晰、无歧义的任务描述】
## 约束条件
1.  内容约束：【字数、核心要点、禁止内容等】
2.  格式约束：【markdown/JSON/表格/分点等】
3.  其他要求：【XXX】

# 三、示例与模式层（零样本删除此模块，少样本补充）
---
示例1：
输入：XXX
输出：XXX
---
示例2：
输入：XXX
输出：XXX
---

# 四、推理与逻辑层（简单任务删除此模块，逻辑任务补充）
请你先一步步拆解问题，详细说明思考过程与推理依据，不跳步，再给出最终结果。

# 五、校验与兜底层（全场景通用，风险管控）
1.  若信息不足，请直接说明，禁止编造虚假信息。
2.  所有输出严格遵循国家法律法规与伦理规范，不生成违规内容。
3.  若对任务有疑问，请先向我确认，不自行猜测需求。

不同场景的组合策略

任务场景	最优组合方案
通用简单场景（翻译、摘要、普通文案）	角色设定 + 零样本提示 + 核心原则
格式严格场景（数据提取、JSON输出、固定模板）	角色设定 + 少样本提示 + 核心原则
逻辑推理场景（数学、代码、专业分析）	角色设定 + 少样本CoT + 核心原则
复杂系统任务（方案设计、商业计划、架构设计）	角色设定 + 分治CoT + 少样本示例 + 反思式CoT + 核心原则

---

六、落地最佳实践与避坑指南

6.1 落地最佳实践

1. 迭代优化闭环：先写基础提示词跑通测试，根据输出问题针对性优化（格式不对补示例、逻辑不对加CoT、专业度不够优化角色），形成闭环。
2. 模块化设计：将提示词拆分为角色、任务、示例、推理、兜底5个独立模块，方便修改与复用。
3. 上下文权重管理：核心指令放在提示词的最开头和最结尾（LLM对首尾信息权重最高），控制提示词长度，避免占用过多上下文窗口。
4. 幻觉抑制组合拳：角色设定专业边界 + 少样本示例 + 要求标注来源 + 兜底规则，多维度降低幻觉风险。
5. 模型适配：闭源大模型（GPT-4、Claude）对复杂提示词支持更好，开源小模型更适合简洁指令+少样本的组合。

6.2 高频避坑红线

1. 提示词冗余：堆砌无关信息，导致模型抓不住核心指令，提示词核心是精准，而非越长越好。
2. 否定指令过载：大量使用否定词，反而强化模型对违规内容的记忆，优先用正向指令替代。
3. 任务过载：单条提示词堆砌多个不相关任务，导致模型输出混乱，坚持“一个提示词对应一个核心任务”。
4. 忽略模型边界：指望提示词让模型获得预训练中没有的知识，提示词只能优化能力表现，无法新增知识，需结合RAG补充外部信息。
5. 示例质量失控：示例规则矛盾、逻辑错误，导致模型学习到错误模式，示例宁少勿滥，质量优先。

---

七、能力边界与补充说明

1. 核心边界：提示工程的本质是“引导”，而非“改造”，只能优化LLM已有能力的表现，无法突破模型本身的知识与能力上限。
2. 技术协同：提示工程需与其他技术组合才能发挥最大价值，包括RAG（检索增强生成，解决知识更新与幻觉问题）、Agent（智能体，解决复杂多步任务执行问题）、模型微调（解决垂直领域深度适配问题）。
3. 发展趋势：提示工程正从人工撰写向自动提示工程（Auto Prompt Engineering）发展，同时随着模型基础能力的提升，基础提示门槛持续降低，但高阶结构化提示技术，依然是挖掘LLM最大价值的核心抓手。