提示词工程：让 AI 真正听懂你的话

为什么 Prompt 这么重要

同一个模型，不同的提示词，输出质量可以差 10 倍。Prompt Engineering 不是"玄学"，而是一套有方法论的工程实践。

核心原则

1. 角色设定（Role Prompting）

给模型一个明确身份，激活相关知识域：

你是一位有 10 年经验的 Go 后端工程师，擅长高并发系统设计。
请以代码审查的角度，review 以下代码并给出改进建议。

2. 结构化指令

把需求拆成清晰的模块，而不是写一大段话：

## 任务
将以下英文论文摘要翻译为中文

## 要求
- 专业术语保留英文原文，括号标注中文
- 句式符合中文学术论文习惯
- 控制在 200 字以内

## 输入
[论文摘要]

3. 思维链（Chain of Thought）

要求模型"先想再答"，显著提升推理准确率：

请一步一步思考这个问题，先列出已知条件，再推导过程，最后给出结论。

4. Few-shot 示例

给 1-3 个输入输出示例，模型会模仿你的格式和风格：

示例输入：今天天气真好
示例输出：正面情感

请分析：这个产品体验太差了

5. 约束与边界

明确告诉模型"不要做什么"：

- 不要编造不确定的信息，如果不知道就说"我不确定"
- 不要输出与任务无关的内容
- 回答控制在 3 句话以内

进阶技巧

Self-Consistency：让模型用不同路径推理同一问题，取多数一致的答案。

Tree of Thought：对复杂问题展开多条推理分支，评估每条路径的可行性后选择最优。

Meta-Prompting：让模型自己生成最优 prompt，再用生成的 prompt 执行任务。

常见误区

• 提示词越长越好 → 错，精准比冗长重要
• 一次塞太多任务 → 拆分成多轮对话效果更好
• 期望一次完美 → 迭代优化才是正确姿势

实践建议

建一个自己的 Prompt 库，把效果好的提示词模板存下来。随着使用积累，你会形成自己的"提示词直觉"。