提示工程（Prompt Engineering）

提示工程，是通过设计指令、上下文、示例、输出格式和评估方式，让大语言模型更稳定地产出符合目标结果的方法。

[!info] 一句话先记住：提示工程不是“咒语学”，而是把任务、材料、边界和验收标准讲清楚。

先记住这 3 点

• **提示词的核心是降低歧义。**模型越清楚任务、输入、限制和输出格式，越容易稳定完成。
• **提示工程需要评估，不是凭感觉调。**真正可靠的提示要用样例、失败案例和指标反复验证。
• **提示不能替代知识、工具和系统设计。**知识缺失、权限错误、数据过期或任务目标模糊，光改提示词解决不了。

给普通人的解释

把提示工程想成“给一个能力很强但容易跑偏的助手写任务说明”。

如果你只说“帮我分析一下”，模型会猜：分析什么？给谁看？要多长？按什么标准？要不要引用来源？哪些信息不能用？

更好的提示会说明：

• 你希望它完成什么任务；
• 它应该基于哪些材料；
• 输出给谁看；
• 用什么结构、长度和语气；
• 哪些情况必须承认不知道；
• 怎样判断结果是否合格。

这不是神秘技巧，而是把隐含需求显式写出来。

常见提示组成部分

1. 任务目标

明确模型要做什么：总结、改写、分类、提取、规划、检查、生成代码，还是给出决策建议。

2. 背景上下文

提供必要材料、角色、场景、用户对象和业务边界。没有上下文时，模型只能根据一般概率补全。

3. 输出格式

要求列表、表格、JSON、Markdown、步骤、字段名或固定模板。格式越具体，越容易后续复用。

4. 示例

Few-shot 示例能告诉模型什么算“对的输出”。但示例质量差，会把模型带偏。

5. 评估与迭代

提示工程不是写完就结束。要用真实样例测试：哪里答偏了，哪里啰嗦，哪里编造，哪里格式不稳，再迭代。

它和相近概念有什么区别

提示工程 vs 普通提问

普通提问偏一次性表达；提示工程更像可复用的任务设计，强调结构、边界和一致性。

提示工程 vs Fine-Tuning

提示工程是在推理阶段给模型更好的输入；微调是在训练阶段用数据改变模型行为。很多问题先用提示工程和 RAG 就够了，不必一上来微调。

提示工程 vs RAG

RAG 负责把外部资料检索进上下文；提示工程负责告诉模型如何使用这些资料、如何引用、如何处理证据不足。

提示工程 vs Agent 工作流

Agent 会拆任务、调用工具、持续执行；提示工程通常是其中一部分，用来约束每一步怎么判断和输出。

常见误解

误解 1：提示工程就是背万能提示词

不对。万能提示词通常很快失效。更可靠的是理解任务、数据和验收标准。

误解 2：提示写得足够好，就不会幻觉

不对。提示可以降低风险，但不能保证事实正确。需要来源、检索、工具调用、人工审查和评估。

误解 3：提示越长越好

不一定。过长提示会浪费 token，也可能引入冲突指令。好的提示应该清楚、必要、可验证。

为什么普通读者需要知道它

因为提示工程是普通人提升 AI 工具效果的最快入口之一。

懂了提示工程，你会更容易：

• 把模糊需求变成可执行任务；
• 让模型输出更稳定的格式；
• 判断什么时候该补资料、什么时候该换模型、什么时候该做系统设计。

延伸阅读

• Token（词元）
• Few-Shot
• RAG
• Fine-Tuning（微调）
• 智能体（Agent）

参考来源

• OpenAI API, Prompt engineering
• Anthropic Docs, Prompt engineering overview

最后审核时间：2026-04-26