【LLM扫盲系列·3】Prompt Engineering 提示工程基础
一、什么是 Prompt Engineering
1. 背景：为什么需要 Prompt Engineering
大语言模型（LLM）如 GPT 系列、Claude、Gemini 等，已经展现出强大的语言理解与生成能力。但它们并不是“全知全能”的：
- 依赖输入质量：模型的输出高度依赖于输入提示（prompt）的清晰度与结构。模糊的指令往往导致模糊的回答。
- 非确定性：同一个问题，不同的提问方式可能得到完全不同的结果。
- 任务复杂性：当任务涉及推理、格式化输出或多步骤逻辑时，简单的自然语言提问往往不足以得到理想答案。
因此，Prompt Engineering 的出现，是为了系统化地设计提示词，让模型更好地理解任务、减少歧义，并提升输出的稳定性与可控性。
示例对比（以豆包为例）
Prompt A （模糊）：简单介绍一下猫
输出结果：
猫（学名：Felis catus）是猫科猫属下的唯一被驯化物种，也是人类常见的伴生动物。
以下是关于猫的介绍：
- 起源与驯化：一般认为亚洲家猫起源于印度的沙漠猫，欧洲家猫起源于非洲的山猫。在古埃及时代，猫就与人类为友，约3500年前被真正驯化为家猫。
- 形态特征：猫体形小，成年体重约4-5千克，平均长度为76厘米。大多数全身披毛，毛色纷繁。爪能够缩进和伸出，趾底有脂肪质肉垫，行走时无声。
- 生理特性：猫可夜视，嗅觉发达，能在夜间活动。行动敏捷，善跳跃。牙齿共30颗，适合猎食小型动物。
- 品种分类：世界上约有100多个品种的猫，如波斯猫、安哥拉猫、山东狮子猫、狸花猫等。可按环境、产地、被毛、毛色、用途等进行分类。
- 与人类的关系：猫是深受人们喜爱的宠物，2021年中国家养宠物猫数量突破5800万只，2023年美国约4650万家庭饲养宠物猫。在古埃及，猫兼具太阳神和月亮神的双身份，文化意义独特。
Prompt B（优化）：请写一篇300字的科普文章，介绍猫的起源、习性和与人类的关系，语气轻松幽默
输出结果：
喵星人说明书：从远古猎手到家庭主子
想知道你家 “铲屎官” 认证的主子，祖上竟是叱咤草原的狠角色？约 1 万年前，中东新月沃地的野猫为了蹭人类粮仓的老鼠，主动 “下凡”，慢慢把锋利爪牙藏进肉垫，成了最早的家猫 —— 说白了，这是场 “各取所需” 的跨物种合作，只不过现在人类输得很彻底。
猫主子的习性堪称 “矛盾文学典范”：白天是瘫在沙发上的 “毛绒土豆”，能把 12 小时睡眠拆成 8 段打盹；深夜却变身 “客厅捕猎者”，追着光斑蹦迪，最后还会把 “战利品”（比如一根头发）丢给你，仿佛在说 “奴才，赏你的”。它们爱舔毛不是臭美，是在用舌头自带的 “小梳子” 打理毛发，顺便偷偷尝自己的 “猫味香水”。
至于和人类的关系？别误会，你不是主人，是 “行走的猫薄荷 + 自动喂食机”。它们用头蹭你不是撒娇，是在给你盖 “喵星公章”；半夜踩你胸口也不是报复，只是把你当 “人肉床垫” 练习捕猎动作。但就算被这般 “奴役”，人类还是心甘情愿囤罐头、买猫爬架 —— 谁让喵星人眨眨眼、翘翘尾，就能让人瞬间缴械投降呢？
2. 定义：Prompt 与 Prompt Engineering 的区别
- Prompt（提示词）：用户输入给模型的指令或问题，可以是一句话，也可以是结构化的任务描述。
- Prompt Engineering（提示工程）：不仅仅是“写提示词”，而是一套设计、优化、评估提示的系统方法。它包含：
- 明确任务目标
- 设计合适的输入结构
- 迭代优化提示
- 评估输出效果并改进
换句话说，Prompt 是工具，Prompt Engineering 是方法论。
3. 应用场景
Prompt Engineering 的价值在于，它能让模型在不同场景下更高效地工作：
- 写作：生成文章、营销文案、故事创意
示例：请以“未来城市”为主题，写一首100字以内的现代诗，风格模仿余光中
- 代码：自动生成或解释代码
示例：请用Python写一个快速排序函数，并在代码中加入注释
- 问答：知识检索与解释
示例：请用高中生能理解的语言解释相对论的核心思想
- 推理：逻辑题、数学题、多步骤问题
示例：请逐步推理并回答：如果一列火车以每小时60公里行驶，2小时后它走了多少公里？
- 创意生成：头脑风暴、产品命名、设计灵感
示例：请为一款面向年轻人的智能手表想10个有创意的中文名字，并解释命名逻辑
二、Prompt 的构建原则
Prompt Engineering 的核心目标，是让模型更准确地理解任务并生成符合预期的输出。一个好的 Prompt 通常具备以下几个原则：
1. 明确性：任务要具体
模糊的指令往往导致模糊的回答。明确的任务描述能减少歧义，让模型更聚焦。
❌模糊：写一篇关于人工智能的文章
✅明确：请写一篇约300字的科普文章，介绍人工智能的基本概念、主要应用场景，并用通俗的语言解释它与传统软件的区别
2. 上下文：提供必要背景
模型并不知道你脑子里想的是什么。提供背景信息能帮助它更好地理解任务。
❌缺少上下文：写一份会议纪要
✅有上下文：请根据以下要点写一份会议纪要：1. 讨论主题：供应链数字化；2. 参会人员：张三、李四；3. 结论：决定引入AI优化库存管理。具体的会议记录我参考附件。
3. 格式化：指定输出格式
当你需要结构化结果时，最好明确要求输出格式。
❌无格式要求：列出三种常见的机器学习算法
✅有格式要求：请以表格形式列出三种常见的机器学习算法，包括“算法名称”“主要原理”“典型应用”三列
4. 角色设定：让模型以某种身份回答
通过设定身份，可以让模型采用特定的语气、风格或专业角度。
❌无角色设定：解释量子计算
✅有角色设定：假设你是大学物理老师，用通俗比喻解释量子计算，限制在200字以内
三、Prompt的典型构成要素
在设计 Prompt 时，可以把它拆解为几个核心要素。这样不仅能让模型更好理解任务，也方便我们在迭代时逐一优化。
（1）通用模型的构成要素
- 角色（Role）：设定模型的身份或视角，例如“你是一名历史老师”“你是Python工程师”。
- 任务（Task）：说明要完成的目标，例如“解释某个概念”“写一段代码”。
- 输入（Input）：提供必要的数据或问题，例如“以下是一段文本，请总结要点”。
- 输出格式（Format）：指定结果的呈现方式，例如“用表格展示”“输出为JSON”。
- 约束条件（Constraints）：对字数、风格、语言等提出要求，例如“限制在200字以内”“语气轻松幽默”。
举例：
角色（Role）：你是一名大学物理老师
任务（Task）：向学生解释量子计算的基本概念
输入（Input）：无额外输入
输出格式（Format）：用列表形式展示
约束条件（Constraints）：字数不超过200字，语言通俗易懂
（2）推理模型的构成要素
对于需要逻辑推理或多步骤思考的任务，Prompt 还可以加入“思维链（Chain-of-Thought）”或“逐步推理”的指令。
示例：
普通任务：请计算 27 × 14
推理任务：请逐步推理并展示中间步骤，最后给出 27 × 14 的结果
这样可以让模型显示展示思考过程，减少错误。
四、经验与总结
撰写优秀的 Prompt，其实就像与人沟通一样：要清楚地说明任务目标、任务背景和预期产出。如果你在给同事布置任务，也会把这些信息讲清楚，对模型同样如此。
可以把模型想象成一个“知识渊博但社会化不完全的小孩”：它懂得很多，但不会自动揣摩你的潜台词。如果你的指令足够明确，它就能从自己的知识库中生成理想的答案；但如果你假设它“理所当然”懂某些背景（比如你没说它是专家身份，却要求它给出专业解读），它往往就会答非所问。因此，不要吝啬上下文和约束条件，把你心里的预期说出来，模型才能更好地满足需求。
PS：如果你不懂如何向大模型说清楚任务背景，也可以直接问它，例如：请你帮我写一份演讲稿，我需要告诉你什么信息你才能更好地帮我撰写出来？大模型可能就会告诉你，需要你告诉它演讲稿主题、你希望包含的内容和字数要求等。
五、推荐学习资料
目前市面上Prompt Engineering的学习资料质量参差不齐，然而笔者在学习中发现了这三个不错的资源。这三个资源都是官方公开免费的，分别来自Google和Anthropic，我在下文的表格中附上链接课直接访问。
其中Google的白皮书的链接可以看到中英双版，Anthropic的教程是在Github上开源的，点击链接可以直接访问。
| 序号 | 资料 | 特点 | 适合阶段 |
|---|---|---|---|
| 1 | Google Prompt Engineering Whitepaper | 系统性介绍，强调原则与最佳实践，偏理论和应用场景 | 入门阶段，建立框架感 |
| 2 | Anthropic Prompt Engineering Interactive Course | 交互式教程，循序渐进，边学边练 | 入门到进阶过渡，适合迅速上手 |
| 3 | Anthropic Prompt Evaluations | 教你如何评估提示效果，包含测试方法和指标 | 进阶阶段，适合想研究“如何判断prompt好坏” |
👉建议学习顺序：
若希望向Prompt Engineering工程师方向发展，建议详细学习：先看Google白皮书 → 再做Anthropic交互式课程 → 最后参考Prompt Evaluations。这样既能打好基础，又能动手实践，最后还能学会如何评估和改进。
若仅希望了解Prompt Engineering，对于这些学习资料可以根据自己的兴趣选择性阅读。目前暂时粗略了解一下如何写Prompt就足够，抓住任务目标、任务背景和预期产出的核心思想，以后真的遇到需要优化Prompt的情景时再回来学习。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？
别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明：AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！