
# 一、提示词(Prompt)与提示词工程

## 1.1 什么是 Prompt？

Prompt（提示词） 是**发给AI 模型发出的指令或输入**。简单来说，它就是你和 AI 对话时输入的那段文字——你想让 AI 做什么、怎么做，都通过 Prompt 来表达。

```
"用 Java 写一个二分查找" ← 这是一个提示词
"帮我把这段话翻译成英文：..." ← 这也是一个提示词
```
从技术视角看，大语言模型的工作方式是"根据输入的文本，预测最合理的后续文本"。提示词就是这个"输入的文本"，它是你**唯一能影响模型输出的手段**——模型的参数你动不了，但输入完全由你掌控。

可以把 AI 想象成一位知识渊博但不了解你具体需求的助手：
- Prompt 就是你给它的任务说明书，说明书写得越清楚，它交出的结果就越符合预期，说明书含糊不清，它就只能靠"猜"，结果自然容易跑偏

| 任务要素 | 对应 Prompt 里的内容 |
|-----------|---------------------|
| 做什么 | 明确的任务目标 |
| 在什么背景下做 | 业务场景、角色、材料 |
| 做到什么程度 | 格式、长度、风格、验收标准 |
| 不要踩什么坑 | 禁止事项、边界条件 |
### 一个直观的对比

|模糊的Prompt|清晰的Prompt|
|:-:|:-:|
|"帮我写个总结"|"你是一名开发工程师，请将下面三个反引号内的会议记录总结为 3 条要点，每条不超过 30 字，使用 Markdown 列表输出"|
同样是让 AI 写总结，第二种 Prompt 明确了篇幅、主题、格式，结果会更符合你的预期。


## 1.2 什么是提示词工程（Prompt Engineering）
提示词工程（Prompt Engineering）是一门研究如何设计、优化和迭代输入文本（Prompt），以引导大语言模型（LLM）产生高质量、可控、符合预期输出的系统化技术学科。
它不是简单的"问问题"，而是一套涵盖**语言设计、认知科学、信息论和系统工程**的跨学科方法论。

随着 GPT、Claude、Gemini 等大语言模型的能力边界不断扩展，人们发现：
- 同一个模型，不同的提示词输入会产生**质量差异巨大**的输出
- 模型的能力并非固定不变，而是可以通过精心设计的提示词被"激活"
- 提示词本质上是人类与模型之间的**编程接口**——一种自然语言编程

## 1.3  提示词和提示词工程的关系
**提示词是你说出的那句话，提示词工程是让你"每一句话都说得好"的方法体系**
具体来说，提示词工程包含了提示词之外的更多内容：
- **设计**：如何组织角色、背景、任务、约束等要素（详见后文"核心构成"）
- **调试**：输出不理想时，如何定位是哪部分表达出了问题
- **迭代**：通过多轮对比实验，持续优化 prompt 的效果
- **沉淀**：把验证有效的 prompt 抽象成模版，供团队复用

一个简单的判断：当你只是"随手问 AI 一个问题"，你在使用提示词；当你开始思考"为什么这么问效果不好、换种问法会不会更好"，你就已经在做提示词工程了

## 1.4 提示词工程的价值

1. **降低成本**：好的提示词可以让小模型达到大模型的效果，减少 API 调用费用
2. **提升可控性**：减少幻觉（Hallucination），使输出可预测、可复现
3. **释放模型潜力**：同一模型在不同提示词下，表现可以相差数个量级
4. **加速开发**：无需微调（Fine-tuning），仅通过提示词即可实现定制化行为

---

# 二、如何写好提示词：系统化方法论
 ## 2.1 基础框架：CRISPE 模型

| 字母 | 英文 | 中文含义 | 你要回答的问题 |
|------|------|----------|----------------|
| **C** | Capacity / Role | 能力与角色 | 模型扮演谁？用什么专业标准评判？ |
| **R** | Request | 请求 / 任务 | 具体要完成什么？成功长什么样？ |
| **I** | Insight / Input | 洞察与输入 | 有哪些背景、材料、约束、已知事实？ |
| **S** | Statement / Style | 风格声明 | 语气、详略、用词边界、是否举例？ |
| **P** | Personality | 表达人格 | 严谨审慎 / 简洁直接 / 教学耐心？ |
| **E** | Experiment / Output | 输出规格 | 格式、结构、长度、验收标准？可多版对比？ |
#### 完整模板句式
```
【C角色】你是XX领域资深专家，拥有XX年经验，精通XX，说话风格XX，严禁XX行为。
【R任务】你的唯一任务：针对提供的素材完成XX，只产出和任务相关内容，不额外拓展无关话题。
【I背景】背景信息：{粘贴全部原始资料、需求、数据、限制条件}
【S输出要求】
1. 结构：分X大模块，每个模块带小标题，使用列表/表格/分段；
2. 篇幅：不少于XX字/不超过XX字，X个要点；
3. 语言：正式/口语/英式委婉/技术书面；
4. 硬性约束：禁止出现XX、不得编造数据、逻辑必须严谨、不使用网络梗；
5. 交付格式：Markdown/纯文本/表格/JSON。
【P参考示例】
输入样例：xxx
标准输出：xxx
```

## 2.2 基本原则
以下方法论主要来自 吴恩达（Andrew Ng） 与 OpenAI 合作的经典课程《ChatGPT Prompt Engineering for Developers》中的两大原则，再结合业界流行的 CRISPE 框架，形成一套完整的实战体系
### 原则一：写出清晰、具体的指令（ Write clear and specific instructions）
#### 1. 使用分隔符（Use Delimiters）
用分隔符明确地把"指令"和"待处理的内容"隔开，常见的分隔符有：
- 三个反引号：```
- 三个引号："""
- XML 标签：<text></text>
- 破折号：---

**示例：**
```请在此输入代码块语言
请把三个引号中的文本翻译成英文：
"""今天天气不错，适合出去散步。"""
```

"""分隔符有两个关键作用：
1. **消除歧义**：模型能明确知道哪部分是指令、哪部分是数据；
2. **防御提示词注入（Prompt Injection）**：如果待处理文本中包含"忽略之前的指令"这类内容，分隔符能帮助模型识别出这只是"数据"，而不是需要执行的指令。

#### 2. 要求结构化输出（Ask for a Structured Output）

如果输出结果需要被程序进一步处理，或者需要便于人类快速浏览，就明确要求模型以 **JSON、HTML、Markdown 表格**等结构化格式输出。
**示例：**
```请在此输入代码块语言
请生成 3 本虚构的书籍信息，以 JSON 格式输出，
包含以下字段：book_id、title、author、genre。
```

模型会输出：
```JSON
[
  {"book_id": 1, "title": "星海拾遗", "author": "林晚", "genre": "科幻"},
  {"book_id": 2, "title": "巷口的猫", "author": "陈默", "genre": "治愈"},
  {"book_id": 3, "title": "算法之外", "author": "赵行知", "genre": "技术随笔"}
]
```
结构化输出可以直接被代码解析（如 `json.loads()`），大幅降低下游处理成本。

#### 3.让模型先判断条件再执行任务（Check Whether Conditions Are Satisfied）
如果任务的前提条件不一定成立，先让模型**检查前提**，不满足时明确告知，而不是硬编。这能有效减少模型"一本正经地胡说八道"（幻觉）
**示例：**
```
你将获得一段由三引号包裹的文本。
如果文本中包含一系列操作步骤，请按以下格式重写：
第 1 步 - ...
第 2 步 - ...
如果文本中不包含任何操作步骤，直接输出"未提供步骤"。

"""今天阳光明媚，鸟儿在歌唱，公园里的人们悠闲地散步。"""
```
模型会正确输出 `未提供步骤`，而不是强行编造出几个步骤。

#### 4.提供少量样本提示（Few-shot prompting）
在要求模型执行任务之前，先给出一两个**成功完成任务的范例**，让模型模仿其风格、格式和推理方式。这就是"少样本提示（Few-shot Prompting）"
```请在此输入代码块语言
你的任务是以一致的风格回答问题。

<孩子>: 教我什么是耐心。
<祖父母>: 挖出最深峡谷的河流源于一处不起眼的泉眼；
最宏伟的交响乐从单一的音符开始。

<孩子>: 教我什么是韧性。
```
模型会自动模仿这种隐喻式、诗意的风格来回答"韧性"，而无需你显式描述"请用诗意的隐喻风格

**一句话总结原则一：把模型当成一个聪明但完全不了解你需求的新员工——上下文给足、格式说清、边界划明、范例先行。**

### 原则二：给模型思考时间（Give the model time to “think”）
如果强迫模型在极短的"思考路径"内给出答案，它更容易犯推理错误。就像人做数学题，直接口算复杂问题容易出错，列出演算过程则更可靠。
大模型不会自动推理，必须显式要求分步思考，解决逻辑、计算、复杂推理错误，两种实现方式：

1. **先推理，再给答案**
	指令增加：请先分步写出你的思考过程，最后给出最终结论。

2. **分段拆解复杂问题**
	不要一次性让模型完成多步骤任务，拆分阶段执行，降低认知负荷
### 原则三：复杂任务拆分为简单子任务（Split complex tasks into simpler subtasks）
长流程、多目标需求拆分，避免模型遗漏步骤、输出缩水：
- 超长文档：先分段摘要，再汇总全文总结；
- 文案工作：先提取要点→再改写润色→最后校对；
- 配套工具：长文本 RAG 检索、分段处理均基于此原则

### 原则四：迭代提示词，持续优化（Iterate prompt to optimize results）
课程核心工程思维：**不存在一次完美的提示词，靠迭代调优**，标准迭代流程：
1. 写基础提示词，拿到模型输出；
2. 分析输出缺陷（过长 / 偏离主题 / 编造 / 格式乱）；
3. 根据缺陷补充约束、细化指令；
4. 重新生成，循环直到满足标准。








Prompt（提示词） 是发给AI 模型发出的指令或输入。简单来说，它就是你和 AI 对话时输入的那段文字——你想让 AI 做什么、怎么做，都通过 Prompt 来表达。

写好 Prompt 的艺术：从原理到方法论

人工智能

提示词工程是优化AI输出的核心方法，通过设计清晰指令、结构化格式与角色设定，显著提升大模型响应质量。本文系统解析CRISPE框架、少样本提示及迭代策略，帮助开发者降低API成本、减少幻觉，释放模型潜力，实现精准可控的生成结果。

提示词工程

自动推理

代码解释

JSON

Java

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

写好 Prompt 的艺术：从原理到方法论-腾讯云开发者社区-腾讯云

写好 Prompt 的艺术：从原理到方法论

写好 Prompt 的艺术：从原理到方法论

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐