1. 核心结论

• Prompt 是与大模型交互的方式，好的 prompt 能显著提升输出质量
• 清晰、具体、有上下文的 prompt 比模糊的 prompt 效果更好
• Few-shot prompting（提供示例）比 zero-shot 更可靠
• 结构化 prompt（角色、任务、格式、约束）能稳定输出格式
• Prompt engineering 是迭代过程，需要不断测试和优化

2. 基础概念

Zero-shot：不提供示例，直接让模型完成任务。

Few-shot：提供少量示例，引导模型理解任务格式。

Chain of Thought（CoT）：让模型逐步推理，提升复杂任务表现。

System Prompt：设定模型角色和行为准则的系统级指令。

User Prompt：用户的具体任务指令。

Output Format：指定模型输出的格式（JSON、Markdown、列表等）。

Temperature：控制输出创造性的参数。

3. 工作原理

Prompt 生效的原理：

1. 上下文学习（In-context Learning）：模型从 prompt 中的示例学习任务模式
2. 注意力引导：prompt 中的关键信息通过注意力机制被重点关注
3. 格式约束：明确的格式要求限制模型的输出空间
4. 角色设定：system prompt 激活模型相关的知识子空间

高效 Prompt 结构：

[角色设定] 你是一个专业的XX专家
[任务描述] 请完成以下任务：XX
[背景信息] 相关上下文：XX
[输出要求] 请按以下格式输出：XX
[约束条件] 注意：XX
[示例] 例如：XX

常用技巧：

• 使用分隔符（```、"""、---）区分不同部分
• 指定思考步骤（先分析，再总结，最后给出结论）
• 要求引用来源（基于提供的材料回答）
• 设置检查点（回答前请确认是否满足所有要求）

4. 实战场景

• 内容生成：文章、报告、邮件、营销文案
• 数据提取：从非结构化文本中提取结构化信息
• 代码生成：根据需求描述生成代码
• 文本分类：情感分析、主题分类
• 翻译与改写：多语言翻译、风格转换
• 问答系统：基于文档的智能问答

5. 常见误区

• prompt 过于模糊：模型无法理解具体需求
• 一次性要求太多：多个任务混在一起导致输出混乱
• 不提供上下文：模型缺乏必要信息做出准确判断
• 忽视输出格式：不指定格式导致解析困难
• 不迭代优化：第一次效果不好就放弃，没有持续改进

6. 进阶方向

• ReAct（Reasoning + Acting）模式
• Tree of Thoughts 推理
• Automatic Prompt Engineering
• Prompt 优化框架（DSPy、LangChain Prompt Templates）
• 多模态 prompt 设计
• Prompt 安全与注入防护

7. 推荐资料

• OpenAI Prompt Engineering Guide - https://platform.openai.com/docs/guides/prompt-engineering
• Anthropic Prompt Engineering - https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
• Google Prompting Guide - https://ai.google.dev/docs/prompt_best_practices
• Learn Prompting - https://learnprompting.org/
• DSPy Framework - https://github.com/stanfordnlp/dspy

8. 关联笔记

• System Prompt设计
• 大模型工作原理
• Function Calling与Tool Use
• Prompt评估