引言

你是否遇到过这样的场景：精心向ChatGPT描述需求，却得到答非所问的结果；让模型生成代码，却总是漏掉关键逻辑；要求它以特定格式输出，模型却“自由发挥”……这些问题的根源往往不是模型能力不足，而是你的提示词不够精准。

提示词工程（Prompt Engineering）正是解决这类问题的关键技能。它通过系统性地设计输入文本，引导大语言模型生成符合预期的内容。随着GPT-4、Claude、文心一言等模型的广泛使用，懂提示词工程的开发者能更高效地完成文本生成、代码辅助、数据分析等任务，甚至将模型变成可靠的开发搭档。

本文将带你从核心概念入手，逐步掌握七种实战验证过的提示技巧，并通过完整的Python可运行代码，让你在真实API调用中看到技巧的效果。读完这篇文章，你将能够写出更稳定、更精准的提示词，让AI真正为你所用。

一、核心概念：提示词工程师的思维模型

在深入技巧之前，先理解三个底层原则。

1. 模型的“听话”取决于上下文
大模型本质上是文本补全机器，它根据前文预测后续内容。提示词的质量直接决定了生成内容的走向。一个模糊的提示：“写一个排序算法”，模型可能给出冒泡排序的伪代码；而清晰的提示：“用Python实现快速排序函数，包含详细注释和测试用例，时间复杂度O(n log n)”，则会让输出精准得多。

2. 少样本学习（Few‑Shot）是强力杠杆
在提示词中提供几个输入输出示例，模型能快速理解格式与逻辑，这种能力被称为“上下文学习”。我们将在实战中大量运用这一特性。

3. 角色扮演与约束是显式控制
告诉模型“你是一个资深Python开发者”并添加格式要求，能显著降低生成偏差。好的提示词工程师会像写产品需求文档一样，明确角色、任务、格式、边界。

二、七种核心技巧与实战示例

以下示例使用openai官方库调用ChatGPT模型（你需要先安装openai并设置API密钥）。代码均可直接运行。我们先封装一个通用函数用于调用API：

import openai def get_completion(prompt, model="gpt-3.5-turbo", temperature=0): """ 调用OpenAI ChatCompletion接口，返回模型回复文本。 参数： prompt: 完整的提示词（包含系统提示和用户消息） model: 使用的模型名称 temperature: 创造性控制，0为确定性最高 """ messages = [{"role": "user", "content": prompt}] response = openai.ChatCompletion.create( model=model, messages=messages, temperature=temperature ) return response.choices[0].message.content

注意：请先通过openai.api_key = "your-api-key"设置密钥，或配置环境变量OPENAI_API_KEY。下文中所有示例假定已经完成此配置。

技巧1：分隔符明确化——让模型知道“指令”与“内容”的边界

当提示词中包含多段文本时，模型可能混淆指令和数据。使用明确的标点或XML标签可以有效分隔。

代码示例：

prompt = f""" 你需要总结下面反引号中的文本，用一句话概括，不超过30个字。 文本：```{text}``` """ # 实际使用时将 text 替换为任意长段落 text = "人工智能正在重塑各行各业，从医疗影像分析到自动驾驶，从智能客服到个性化推荐，AI技术显著提升了效率与精度。但与此同时，数据隐私、算法偏见、就业冲击等问题也随之而来。" response = get_completion(prompt.format(text=text)) print(response)

输出效果：模型会严格围绕分隔符中的内容总结，而不会随意发挥。

技巧2：结构化输出要求——JSON、XML、特定格式

当需要模型返回可用于程序解析的数据时，明确指定格式至关重要。

代码示例（提取文本中的关键信息并以JSON输出）：

prompt = """ 从下面这段话中提取人名、公司名和技术栈，并以JSON格式返回，键为'people'、'company'、'tech_stack'。 段落：张明是阿里云的高级工程师，擅长Kubernetes和Python；李华在腾讯负责前端架构，主要使用React和TypeScript。 """ response = get_completion(prompt) print(response)

通常会得到类似{'people': ['张明','李华'], 'company': ['阿里云','腾讯'], 'tech_stack': ['Kubernetes','Python','React','TypeScript']}的JSON，直接可用json.loads解析。

技巧3：少样本提示（Few‑Shot）——用示例教会模型

零样本直接提问可能不准，给几个示例，模型就能复制模式。

代码示例（将非正式句子转为正式商务语气）：

prompt = """ 你的任务是将口语化的句子改写成正式的商务邮件用语，保持原意。 示例1： 输入：嘿老王，明天的会改到下午3点行不？ 输出：尊敬的王先生，您好！原定于明天的会议调整为下午3点，不知您是否方便？ 示例2： 输入：麻烦把那个报告发我一下。 输出：请您将相关报告发送给我，谢谢。 现在，请改写以下句子： 输入：项目延期了，得跟客户说一下。 """ response = get_completion(prompt) print(response)

模型会仿照样例风格，输出类似“尊敬的用户，由于项目出现一些意外情况，我们不得不将交付时间延期，详情将另行通知，敬请谅解。”的正式回复。

技巧4：思维链（Chain‑of‑Thought）——让模型“逐步推理”

对于逻辑推理、数学计算等任务，明确要求模型“让我们一步步思考”能极大提升准确性。

代码示例（数学应用题）：

prompt = """ 小明有15个苹果，给了小红3个，又从小强那里获得了2倍于他当前持有数的苹果，最后吃掉了5个。请问小明还剩几个苹果？请一步一步推理计算，最后给出答案。 """ response = get_completion(prompt) print(response)

无思维链时模型可能直接给错误答案。有了“一步一步”，它会明确写出：初始15→给小红后12→小强给2倍即24，此时共36→吃掉5个，剩余31。答案正确。

技巧5：角色扮演与系统提示 —— 设定专家身份

通过system角色描述身份和规则，可以稳定模型行为。OpenAI的ChatCompletion支持system提示。我们将前述函数扩展一下：

def get_completion_from_messages(system_msg, user_msg, model="gpt-3.5-turbo", temperature=0): messages = [ {"role": "system", "content": system_msg}, {"role": "user", "content": user_msg} ] response = openai.ChatCompletion.create( model=model, messages=messages, temperature=temperature ) return response.choices[0].message.content

示例（让模型扮演资深Python导师）：

system = """ 你是一位有10年Python教学经验的导师。你的回答必须包含：1）问题拆解；2）代码示例；3）常见错误提醒。语气亲切专业。 """ user = """ 如何用装饰器实现函数执行时间测量？ """ response = get_completion_from_messages(system, user) print(response)

模型会严格遵循设定的三段结构，输出质量远高于随意提问。

技巧6：幻觉抑制——强制引用原文或标注不确定性

在需要高事实准确性的场景中，要求模型仅基于给定材料回答，否则说“不知道”，可以有效减少编造。

代码示例（基于上下文问答）：

context = """ 产品A的续航时间为12小时，重量1.2公斤，售价4999元。产品B续航8小时，重量1.5公斤，售价3999元。 """ prompt = f""" 请只根据下面提供的上下文回答问题。如果上下文中没有足够信息，请回答“根据现有信息无法确定”。 上下文：```{context}``` 问题：产品A的摄像头像素是多少？ """ response = get_completion(prompt) print(response) # 预期输出：根据现有信息无法确定

没有限制时模型可能猜测“可能是1200万像素”，加入约束后模型会诚实地表示不知道，避免了幻觉。

技巧7：迭代优化提示词——用代码批量测试

提示词工程不是一蹴而就的。我们可以编写脚本批量测试不同版本提示词在多个案例上的表现，选出最佳模板。

示例框架：

test_cases = [ ("总结这个技术文章", "文章内容..."), ("翻译成英文并保持原意", "中文句子...") ] prompt_templates = [ "直接完成任务：{task}\n内容：{content}", "以专家身份完成任务：你是一个专业的{role}。任务：{task}\n内容：{content}", "以专家身份+要求格式：你是一个专业的{role}。任务：{task}，请以JSON格式输出。内容：{content}" ] for task, content in test_cases: for i, template in enumerate(prompt_templates): prompt = template.format(task=task, content=content, role="技术编辑") result = get_completion(prompt) print(f"任务: {task}, 模板{i}: {result}\n") # 可以根据人工或规则评分，选出最佳模板

通过这样的自动化对比，你可以快速找到最适合当前任务的提示词模式。

三、常见问题与注意事项

1. API密钥安全
代码示例中请勿硬编码密钥，使用环境变量或配置文件管理。生产环境建议通过后端服务中转。

2. 温度参数调节
temperature=0使输出确定性最强，适合代码生成、事实性问答；0.7~1适合创意写作。根据场景调整。

3. 提示注入风险
当用户输入被直接拼接到提示词时，恶意用户可能通过注入指令篡改模型行为。应使用分隔符隔离用户内容，并明确模型只听系统指令。

4. 成本控制
使用gpt-3.5-turbo成本较低，适合高频测试。长文本生成关注max_tokens限制，避免截断。始终记录token用量，优化提示长度。

5. 逻辑一致性
思维链和少样本提示虽强，但无法完全保证逻辑绝对正确。重要任务需人工审核，或结合程序验证。

总结

本文从提示词工程的底层思维出发，结合可运行的Python代码，演示了七种核心技巧：分隔符明确化、结构化输出、少样本学习、思维链、角色设定、幻觉抑制和迭代优化。掌握这些技巧后，你会发现AI不再“任性”，而是成为可以信赖的伙伴。

提示词工程既是一门科学，也是一门艺术。它需要反复实验、观察、调整。建议你保存文中的代码框架，在自己的任务上不断练习，形成自己的提示词模板库。当你能像写程序一样精心设计提示词时，AI的潜力才会真正释放。

未来，随着模型能力的提升，提示词工程将演变为更复杂的“人机交互设计”。但核心原理不变：清晰、明确、有结构的沟通，永远是与智能体高效协作的基石。

立即动手优化你的下一个提示词吧，你会发现世界大不相同！