Prompt工程实战：写出高质量提示词的15个技巧

同样的模型，有人用它写出惊艳的文案，有人用它得到一堆废话。差距往往不在模型，而在提示词（Prompt）。Prompt 工程是一门“用语言编程”的手艺——你写给模型的指令，就是它的程序。程序写得烂，再强的模型也跑不出好结果。

本文总结了 15 个经过实战验证的 Prompt 技巧，从最基础的角色设定到进阶的 Chain of Thought、结构化模板，每个技巧都配对比示例。掌握这些，你的提示词质量能立刻上一个台阶。

一、基础篇：让模型听懂你要什么

技巧1：明确角色设定

给模型一个身份，它的回答会立刻专业起来。不要说“解释 RAG”，要说“你是一位资深 AI 架构师，向初级开发者解释 RAG”。

技巧2：具体胜于抽象

“写一篇好文章”是无效指令，模型不知道你要什么风格、多长、给谁看。要写明受众、字数、风格、结构。“写一篇 800 字的科普文章，面向非技术读者，用比喻解释，分三个小节”。

技巧3：说清楚输出格式

明确要求 JSON、Markdown 表格、还是纯文本。要 JSON 就给出 schema 示例，避免模型自由发挥。

# 不好的 Prompt
请总结这篇文章。

# 好的 Prompt
你是一位资深编辑。请把下面文章总结成 JSON，包含 title（10字内）、
key_points（3-5条要点，每条20字内）、summary（100字内概要）。
只输出 JSON，不要任何解释。
文章：{article}

技巧4：用分隔符隔离上下文

当 Prompt 里既有指令又有大段参考资料时，用 """、### 或 XML 标签把资料包起来，模型才不会把资料当成指令执行。这是防“提示词注入”的关键手段。

技巧5：给出约束条件

明确告诉模型“不要做什么”和“必须做什么”。“不要编造数据，不知道就说不知道”“字数严格控制在 200 字以内”“只用中文回答”。约束越明确，越少跑偏。

二、进阶篇：用模式提升复杂任务表现

技巧6：Few-shot 少样本示例

与其费力描述你要的格式，不如直接给 2-3 个示例。模型从示例里学规律比从描述里学更准。特别适合分类、抽取、格式转换任务。

请对用户评论进行情感分类，输出 正面/负面/中性。

评论：这个产品太好用了，强烈推荐！
分类：正面

评论：物流太慢，等了一周才到。
分类：负面

评论：包装一般，但功能还行。
分类：中性

评论：{new_comment}
分类：

技巧7：Chain of Thought 思维链

对于数学、推理、多步决策任务，让模型“一步一步思考”能大幅提升正确率。GPT-5.5、Claude Opus 4.8 这类强模型虽然推理能力很强，但在复杂问题上加一句“请逐步推理”依然有效。

一个商店原价 200 元的商品先涨 20% 再打 8 折，最终价格是多少？
请一步一步推理，最后给出答案。

技巧8：分步拆解复杂任务

不要让模型一次完成复杂任务，拆成多步分别调用，每步只做一件事。比如写报告：第一步列大纲，第二步逐节扩写，第三步润色。每步结果作为下一步输入，质量远高于一次性生成。

技巧9：让模型自我检查

生成后让模型审视自己的输出：“请检查上面的回答是否有事实错误、逻辑漏洞，如有请修正”。这种 self-critique 能显著降低幻觉和低级错误。

技巧10：结构化 Prompt 模板

把 Prompt 组织成固定结构：Role（角色）→ Task（任务）→ Context（背景）→ Constraint（约束）→ Format（格式）→ Examples（示例）。结构化模板便于团队复用和迭代。

# 结构化 Prompt 模板示例
【角色】你是资深数据分析师。
【任务】分析销售数据，找出下滑原因。
【背景】{data_description}
【约束】只基于数据下结论，不做无依据推测。
【格式】输出三部分：核心发现、原因分析、改进建议。
【示例】（略）

三、高级篇：稳定与可控

技巧11：用 temperature 控制随机性

temperature 不是 Prompt 文本，但和 Prompt 同样重要。事实问答、代码生成用 0-0.2（确定）；文案、创意用 0.7-0.9（多样）。同一个 Prompt，temperature 设错效果天差地别。

技巧12：负面示例也很重要

除了给“正确示例”，给“错误示例”同样有效。“下面是错误示范：……，请避免这种问题”。模型对“不要做什么”的理解往往比对“要做什么”弱，负面示例能补足。

技巧13：避免模糊指令词

“适当”“尽量”“可能”这类词模型理解不一致。把“适当详细”改成“每个要点展开 50-80 字”，把“尽量准确”改成“如不确定请说明”。指令越可量化越好。

技巧14：迭代式优化

没有一次写对的 Prompt。建立“测试用例集”，每次改 Prompt 都跑一遍，看输出是否变好。把失败的 case 加进 Few-shot 示例，是最高效的优化方式。

技巧15：版本化管理 Prompt

把 Prompt 当代码管理：存进 Git，写注释说明每个版本改了什么、为什么改。生产环境的 Prompt 一旦上线就不能随便动，必须有回滚能力。

四、用代码管理 Prompt

实际项目里 Prompt 不会硬编码在调用处，而是集中管理。下面是一个可复用的 Prompt 模板 + 调用示例：

from openai import OpenAI

client = OpenAI(api_key="sk-your-enlyai-key", base_url="https://enlyai.com/v1")

# 集中管理 Prompt 模板
PROMPTS = {
    "summarize": """你是一位资深编辑。请把文章总结成 JSON。
{{"title": "...", "key_points": [...], "summary": "..."}}
只输出 JSON。文章：{article}""",
    "classify": """对评论做情感分类(正面/负面/中性)。
{few_shot}
评论：{text}
分类："""
}

def run(prompt_name, model="gpt-5.4-mini", **vars):
    prompt = PROMPTS[prompt_name].format(**vars)
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        temperature=0.2
    )
    return r.choices[0].message.content

print(run("summarize", article="..."))

提示：通过 EnlyAI 统一接入，同一个 Prompt 模板可以用 GPT-5.5、Claude Opus 4.8、Gemini 3.5 Pro 分别跑一遍对比效果，找出最适合该 Prompt 的模型——这是 Prompt 工程里常被忽略的一环。

五、常见避坑指南

• 别让模型猜你的意图：模糊指令是幻觉的温床，宁可啰嗦也不要含糊。
• 别把所有要求堆在一句：长指令用编号列表拆开，模型对结构化指令的遵循度更高。
• 别迷信“你是世界顶级专家”：角色设定有用，但堆砌夸张头衔不会让模型变强，反而可能让它更啰嗦。
• 别忽略 system 与 user 的分工：稳定的人设放 system，每次变化的输入放 user，能让模型更稳定地保持角色。
• 别用同一个 temperature 跑所有任务：分类用 0，创作用 0.8，混用必翻车。

总结

Prompt 工程的本质是把模糊的需求翻译成模型能精确执行的指令。15 个技巧可以归纳为三条主线：说清楚（具体、结构、约束）、给示范（Few-shot、思维链）、勤迭代（测试集、版本化）。把这三条做到位，你的提示词质量就能超过 90% 的使用者。

而 Prompt 的最终效果还取决于模型能力。通过 EnlyAI 统一接入，你可以用同一套 Prompt 在多个模型间快速对比，找到“Prompt × 模型”的最佳组合，把提示词的威力发挥到最大。