Prompt Engineering 高级技巧：从零到精通

Prompt Engineering 高级技巧：从零到精通

Prompt Engineering 基础回顾

核心原则

1. 清晰明确：指令清晰无歧义
2. 提供上下文：足够的背景信息
3. 角色设定：为 AI 分配角色
4. 任务拆解：复杂任务分步骤

高级技巧

1. 思维链（Chain of Thought）

用户问题：一个农场有 100 只鸡和 50 只兔子，卖掉 30 只鸡后，还剩多少只脚？

请一步步思考：
1. 计算初始脚的总数
2. 计算卖出后的鸡的数量
3. 计算兔子的脚数
4. 相加得到最终答案

答案：...
​

适用场景：

• 数学问题
• 逻辑推理
• 复杂计算

2. 少样本学习（Few-shot Learning）

示例 1：
输入：Java
输出：Java 是一门面向对象的编程语言，由 Sun 公司开发。

示例 2：
输入：Python
输出：Python 是一门解释型、高级编程语言，以简洁易读著称。

现在请分析：
输入：Go 语言
输出：（请按上述格式）
​

3. 自我反思与修正

请按以下步骤回答我的问题：

步骤 1：给出初步答案
步骤 2：自我审查（检查是否有错误或遗漏）
步骤 3：修正完善（根据审查结果改进答案）

问题：解释什么是机器学习
​

框架化方法

CO-STAR 框架

背景（Context）：我正在开发一个电商网站
目标（Objective）：设计一个推荐系统
风格（Style）：技术文档格式，包含代码示例
语调（Tone）：专业、清晰
受众（Audience）：有 Python 经验的开发者
响应格式（Response）：Markdown 格式，包含代码块

请根据以上要求设计推荐系统架构。
​

CREATE 框架

角色（Role）：资深数据科学家
任务（Task）：分析销售数据并生成报告
明确任务说明：包含数据源、分析维度、报告格式
约束（Constraints）：只使用 Python，不允许外部 API
示例（Examples）：提供一个分析示例
语调调整（Tone）：专业但不失亲和力

请按 CREATE 框架分析销售数据。
​

特定场景技巧

1. 代码生成

请编写一个 Python 函数，实现快速排序算法。

要求：
- 使用函数式编程风格
- 包含类型注解
- 添加详细注释
- 包含测试用例

代码：

​

2. 文本生成

请撰写一篇文章，主题是 "微服务架构的优势"

要求：
- 目标读者：技术决策者
- 包含具体案例
- 使用对比表格
- 字数：800-1000 字
- 语言：中文

文章结构：
1. 引言
2. 核心优势（3-5 点）
3. 实际案例
4. 潜在挑战
5. 总结
​

3. 数据分析

我有一个销售数据集，包含以下字段：
- 日期
- 产品类别
- 销售额
- 地区

请帮我分析 2024 年第一季度的销售情况：

1. 总销售额
2. 各产品类别占比
3. 地区排名
4. 同比增长率（相比 2023 年 Q1）
5. 关键发现和建议

数据：
[在此粘贴数据]
​

优化策略

1. 迭代优化

# 第 1 版 Prompt
"写一篇关于 AI 的文章"

# 第 2 版 Prompt
"写一篇关于 AI 的文章，介绍 GPT-4、Claude、Gemini 的特点和对比"

# 第 3 版 Prompt
"写一篇技术博客文章，主题是《主流 LLM 模型对比：GPT-4 vs Claude vs Gemini》
目标读者：AI 研究者和开发者
包含：模型架构、性能对比、适用场景、成本分析
字数：1500-2000 字
语言：中文"
​

2. A/B 测试

Prompt A（详细版）：
"请详细解释机器学习的概念，包括监督学习、无监督学习、强化学习的区别和应用..."

Prompt B（简洁版）：
"什么是机器学习？用简单的语言解释，并给出 3 个实际应用示例。"

对比两个版本的效果，选择更优的版本。
​

3. 温度参数

• 低温度（0.1-0.3）：确定性任务（代码生成、数据分析）
• 中温度（0.5-0.7）：创意任务（写作、头脑风暴）
• 高温度（0.8-1.0）：探索性任务（创意写作、brainstorming）

高级应用

1. 多轮对话

class ConversationManager:
    def __init__(self, llm):
        self.llm = llm
        self.conversation_history = []
    
    def chat(self, user_input):
        # 构建提示词
        prompt = self.build_prompt(user_input)
        
        # 生成回复
        response = self.llm.generate(prompt)
        
        # 更新对话历史
        self.conversation_history.append({
            'role': 'user',
            'content': user_input
        })
        self.conversation_history.append({
            'role': 'assistant',
            'content': response
        })
        
        return response
    
    def build_prompt(self, user_input):
        history = "\n".join([
            f"{msg['role']}: {msg['content']}"
            for msg in self.conversation_history[-6:]
        ])
        
        return f""{history}\nuser: {user_input}\nassistant:"
​

2. Function Calling

{
  "name": "get_weather",
  "description": "获取天气信息",
  "parameters": {
    "location": {
      "type": "string",
      "description": "城市名称"
    },
    "unit": {
      "type": "string",
      "description": "温度单位 (celsius/fahrenheit)",
      "enum": ["celsius", "fahrenheit"]
    }
  },
  "required": ["location"]
  }
}
​

3. Agent Workflow

from langgraph.graph import StateGraph

# 定义状态
class AgentState(TypedDict):
    task: str
    context: str
    action: str
    result: str
    next_step: str

# 定义工作流
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("planner", plan_node)
workflow.add_node("executor", execute_node)
workflow.add_node("evaluator", evaluate_node)

# 添加边
workflow.add_edge("planner", "executor")
workflow.add_edge("executor", "evaluator")
workflow.add_edge("evaluator", END)
​

常见错误

1. 指令不清晰

❌ 不好的做法：
写个代码

✅ 好的做法：
``
请编写一个 Python 函数，实现二分查找算法，包含边界条件处理

### 2. 缺少上下文

❌ 不好的做法：
``
优化这段代码
``

✅ 好的做法：
``
请优化以下 Java 代码，关注以下方面：
1. 性能优化
2. 代码可读性
3. 异常处理

代码：
[粘贴代码]
​

3. 忘记输出格式

❌ 不好的做法：
分析数据并给出建议

✅ 好的做法：
``
分析数据并给出建议，请按以下格式输出：

数据概览

[数据概览]

分析结果

[分析结果]

建议

[建议列表]

## 最佳实践总结

1. **明确目标**：清楚自己想要什么
2. **提供示例**：用示例引导 AI
3. **迭代优化**：持续改进 Prompt
4. **验证结果**：检查输出是否符合预期
5. **版本管理**：保存有效的 Prompt 模板

掌握 Prompt Engineering，释放 AI 的全部潜力！
​