提示词优化
提示词（Prompt）是与大语言模型交互的关键，优化提示词可以显著提升输出质量、减少 token 消耗、获得更精准的结果。
基础原则
1. 清晰明确
模糊的提示：
帮我写点东西
清晰的提示：
请写一篇关于人工智能在医疗领域应用的文章，
字数 800 字左右，面向普通读者，
语言通俗易懂，包含 3 个具体应用案例。
2. 提供上下文
# 背景信息
我是一名 Python 后端开发者，正在开发一个电商系统。
# 当前问题
用户下单后支付失败，但库存已经被扣减了。
# 期望结果
请提供解决方案，确保库存扣减和支付是原子操作。
3. 指定输出格式
请分析以下文本的情感倾向，返回 JSON 格式：
{
"sentiment": "positive/negative/neutral",
"confidence": 0.0-1.0,
"keywords": ["关键词列表"]
}
提示词结构
标准模板
## 角色
你是一位 [角色描述]。
## 任务
[具体任务说明]
## 输入
[用户提供的内容]
## 输出要求
- [格式要求]
- [长度要求]
- [风格要求]
## 示例（可选）
输入：[示例输入]
输出：[示例输出]
## 注意事项
- [约束条件]
- [禁止事项]
实际示例
system_prompt = """
## 角色
你是一位资深的技术文档工程师，擅长将复杂技术概念解释清楚。
## 任务
根据用户提供的代码，生成清晰的 API 文档。
## 输出要求
- 使用 Markdown 格式
- 包含：函数说明、参数列表、返回值、使用示例
- 语言简洁专业
## 注意事项
- 不要遗漏任何参数
- 示例代码必须可运行
"""
高级技巧
1. Few-Shot Learning（少样本学习）
提供几个示例让模型学习模式：
请将产品描述转换为营销文案。
示例 1：
产品：蓝牙耳机，续航 30 小时，主动降噪
文案：告别嘈杂，沉浸音乐世界。30 小时超长续航，让美妙音符时刻相伴。
示例 2：
产品：保温杯，500ml，12 小时保温
文案：一杯温暖，从晨曦到星夜。500ml 大容量，12 小时锁住温度。
现在请转换：
产品：机械键盘，青轴，RGB 背光，全键无冲
2. Chain-of-Thought（思维链）
让模型展示推理过程：
请解决这个问题，展示你的思考步骤：
问题：小明有 15 个苹果，他给了小红 1/3，又吃掉了剩余的 1/5，
请问他还剩多少个苹果？
请按以下格式回答：
1. 分析问题
2. 分步计算
3. 得出答案
3. Role Prompting（角色提示）
赋予模型特定角色：
你是一位拥有 20 年经验的首席技术官，
你正在评估一个技术方案的可行性。
请从技术可行性、成本效益、风险控制三个角度进行分析。
4. 分解复杂任务
将大任务拆分为小步骤：
def complex_analysis(document):
# 步骤 1：提取关键信息
key_info = call_llm(f"从以下文档中提取关键信息：\n{document}")
# 步骤 2：分析主题
themes = call_llm(f"基于以下信息，分析主要主题：\n{key_info}")
# 步骤 3：生成摘要
summary = call_llm(f"基于以下主题，生成 200 字摘要：\n{themes}")
return summary
5. 自我验证
让模型检查自己的输出：
请完成以下任务，然后验证你的答案：
任务：[任务描述]
完成后，请：
1. 检查是否满足所有要求
2. 如果发现错误，修正后重新输出
3. 确认最终答案
针对不同场景的优化
代码生成
使用 Python 3.10+ 编写一个函数，要求：
功能：计算两个日期之间的工作日数量
输入：start_date (date), end_date (date)
输出：int (工作日天数)
要求：
- 排除周末（周六、周日）
- 使用类型注解
- 添加 docstring
- 处理边界情况（开始日期晚于结束日期）
内容创作
撰写一篇产品介绍文章：
产品信息：
- 名称：智能手表 Pro
- 核心功能：健康监测、运动记录、消息通知
- 目标用户：25-40 岁的都市白领
写作要求：
- 标题吸引人
- 开头引人入胜
- 使用具体数据和场景
- 结尾有行动号召
- 字数 500-800 字
数据提取
从以下文本中提取结构化信息：
文本：
"张三，男，1990 年 3 月 15 日出生，现居北京市朝阳区，
联系电话 138-1234-5678，邮箱 zhangsan@example.com"
返回 JSON 格式：
{
"name": "",
"gender": "",
"birthday": "YYYY-MM-DD",
"address": "",
"phone": "",
"email": ""
}
避免常见问题
1. 避免歧义
# 不好
告诉我关于苹果的信息
# 好
告诉我关于苹果公司（Apple Inc.）的信息
# 或
告诉我关于苹果这种水果的营养信息
2. 避免过于开放
# 不好
写一个故事
# 好
写一个 500 字的科幻短篇故事，
主角是一个机器人，
主题是关于人类与 AI 的共存。
3. 避免否定指令
# 不好
不要写太长
# 好
请控制在 300 字以内
提示词模板库
翻译
你是专业翻译，将 {source_lang} 翻译成 {target_lang}。
保持原文风格和语气。只输出翻译结果。
原文：{text}
摘要
请为以下内容生成摘要：
- 长度：{length} 字
- 风格：{style}
- 重点：{focus}
内容：{content}
代码解释
请解释以下代码的功能：
- 目标读者：{audience}
- 解释深度：{depth}
代码：
```{language}
{code}
## 评估与迭代
### A/B 测试
```python
def test_prompts(prompts, test_cases):
results = []
for prompt in prompts:
scores = []
for test in test_cases:
output = call_llm(prompt.format(**test["input"]))
score = evaluate(output, test["expected"])
scores.append(score)
results.append({
"prompt": prompt,
"avg_score": sum(scores) / len(scores)
})
return sorted(results, key=lambda x: x["avg_score"], reverse=True)
持续优化
- 收集失败案例
- 分析失败原因
- 调整提示词
- 重新测试
- 循环迭代
最佳实践总结
- 明确目标： 清楚地说明你想要什么
- 提供上下文： 给模型足够的背景信息
- 使用示例： Few-shot 可以大幅提升效果
- 指定格式： 明确输出格式避免后处理
- 分解任务： 复杂任务分步完成
- 迭代优化： 根据结果持续改进