提示词工程(Prompt Engineering)使用指南

本文聚焦“如何让模型更好理解与输出”。核心在于：给足上下文、约束清晰、输出可复用。

一、问题的本质

观察两个实际案例：

案例A - 模糊指令：

帮我写个用户反馈分析

结果：泛化的方法论描述，缺乏具体可执行性。

案例B - 结构化指令：

你是一位专业的用户体验分析师。请分析以下用户反馈，
识别TOP3问题，评估严重程度(高/中/低)，并给出改进建议。
反馈数据：[具体内容]
输出格式：JSON

结果：

{
  "top_issues": [
    {"问题": "加载速度慢", "严重程度": "高", "建议": "优化图片加载，使用CDN"},
    {"问题": "按钮不明显", "严重程度": "中", "建议": "增强视觉对比度"}
  ]
}

差异在于：后者明确了角色、范围、评估标准和输出格式。结构化表达让模型更容易对齐预期。

二、常见误区

1. 指令越简洁越好

“简洁”不等于“模糊”。有效指令需要必要上下文。

2. 单次长篇输入

把需求挤在一段里，会降低理解度。分层表达效果更好。

3. 忽略输出规范

未指定输出格式会导致结果不一致，提升后续处理成本。

三、优化方法

方法1：角色定义

优化前：

分析这份报告

优化后：

你是一位资深的数据分析师，拥有金融行业背景。
请分析这份季度财报，重点关注：
1. 营收增长趋势
2. 成本控制效果
3. 潜在风险点

说明：角色让模型采用更贴合场景的视角与框架。

方法2：结构化指令

优化前：

帮我写一封邮件给客户说产品延期了但是质量会更好希望他们理解

优化后：

任务：撰写产品延期通知邮件

背景：
- 产品原定3月1日发布
- 因质量优化需延期至3月15日
- 客户为VIP企业客户

要求：
1. 诚恳道歉
2. 说明延期原因（质量提升）
3. 强调附加价值
4. 提供补偿方案

语气：专业、诚恳
字数：150-200字

方法3：提供示例

优化前：

把这些数据整理成表格

优化后：

请将数据整理成以下格式的表格：

示例：
| 日期 | 销售额 | 环比增长 | 备注 |
|------|--------|----------|------|
| 3月1日 | 10万 | +5% | 促销活动 |

现在处理这些数据：[your data]

方法4：逐步分析

优化前：

这个方案可行吗？

优化后：

请分析这个营销方案的可行性。

分析步骤：
1. 列出方案的核心要素
2. 评估每个要素的优势和风险
3. 对比行业实践
4. 给出可行性评分（1-10分）
5. 提供优化建议

请逐步展示分析过程。

方法5：明确输出格式

请以以下格式输出分析结果：

## 核心发现
- 发现1：[具体内容]
- 发现2：[具体内容]

## 数据支撑
[表格形式展示]

## 行动建议
1. 短期（1周内）：[具体行动]
2. 中期（1月内）：[具体行动]

## 风险提示
[潜在风险及应对措施]

四、实践案例

案例1：市场调研

基础版：

写个市场调研报告

优化版：

角色：市场分析师

任务：撰写中国咖啡市场调研报告

数据来源：
<data>
- 市场规模：2023年800亿，年增长15%
- 主要玩家：瑞幸(30%)、星巴克(25%)、本土品牌(45%)
- 消费者画像：25-35岁占60%，一线城市占40%
</data>

分析框架：
1. 市场现状（规模、增速、格局）
2. 竞争分析（波特五力模型）
3. 消费者洞察（需求、偏好、趋势）
4. 机会与挑战
5. 战略建议

输出要求：
- 专业术语准确
- 数据支撑观点
- 逻辑层次清晰
- 字数800-1000字

案例2：代码调试

基础版：

这段代码有bug，帮我改

优化版：

你是一位Python专家，精通性能优化。

问题描述：
- 函数在处理大数据时内存溢出
- 数据量：100万条记录
- 当前内存使用：8GB

代码：
[paste your code]

请按以下步骤解决：
1. 识别内存泄漏点
2. 解释问题原因
3. 提供优化方案
4. 给出优化后的代码
5. 说明性能提升预期

要求：
- 保持代码可读性
- 添加必要注释
- 提供测试示例

五、高级技巧

1. 预填充技术

请分析用户增长数据并输出JSON格式：
{
  "增长率": "15%",
  "新增用户": 5000,
  "留存率": "72%"
}

通过预填充开头部分，模型更容易按既定格式续写，输出更一致。

2. 分步链式提示

• 第一步：“列出影响用户留存的TOP5因素”
• 第二步：“针对第1个因素，设计3个改进方案”
• 第三步：“评估方案2的ROI，给出实施计划”

3. 对比验证

请用两种不同方法解决这个问题：
方法A：传统approach
方法B：创新approach

然后对比两种方法的优劣。

六、通用模板

# 角色
你是[领域]的[职位]专家

# 任务
[具体要做什么]

# 背景
[相关信息和约束条件]

# 步骤
1. [第一步]
2. [第二步]
3. [第三步]

# 输出
- 格式：[JSON/表格/列表]
- 长度：[字数要求]
- 风格：[正式/专业]

# 示例
[提供期望的输出示例]

七、常见问题对照表

八、实践建议

1. 构建个人模板库

为常用场景创建标准化模板，提高效率。

2. 迭代优化

• 版本1：基础提问
• 版本2：添加角色
• 版本3：加入示例
• 版本4：细化格式

3. 组合使用

组合使用技巧：角色设定 + 逐步分析 + 格式要求

九、评估标准

一个优秀的prompt应该满足：

1. 明确性：任务目标清晰可测
2. 完整性：包含必要的上下文信息
3. 结构性：信息层次分明
4. 可执行性：步骤具体可操作
5. 规范性：输出格式明确

十、结构化标签（XML）

部分模型对结构化标记支持较好。用标签组织信息，有助于控制范围与输出。

基础标签结构

<persona>
你是一位用户体验专家，擅长分析用户反馈并提出改进方案
</persona>

<task>
分析以下用户反馈数据，识别主要问题并提出具体改进建议
</task>

<constraints>
- 每个问题必须有量化指标
- 解决方案需考虑成本效益
- 优先级基于用户影响范围
</constraints>

<output_format>
JSON格式，包含问题、严重程度、解决方案
</output_format>

实战对比

传统方式：

分析用户反馈并给出改进建议

使用XML标签方式：

<persona>
你是产品优化专家，拥有10年用户体验设计经验
</persona>

<data>
用户反馈：
1. "页面加载太慢，等了30秒"
2. "找不到购买按钮"
3. "价格显示不清晰"
</data>

<analysis_framework>
1. 问题识别与分类
2. 严重程度评估（基于影响用户数和业务影响）
3. 解决方案设计（技术可行性和成本评估）
4. 实施优先级排序
</analysis_framework>

<output_format>
{
  "issues": [
    {
      "problem": "描述",
      "severity": "高/中/低",
      "affected_users": "预估影响用户数",
      "solution": "具体解决方案",
      "implementation_time": "预计实施时间"
    }
  ]
}
</output_format>

高级标签用法

<thinking>
<!-- 内部推理过程，不会显示在最终输出中 -->
需要先分析问题的根本原因，再提出解决方案
</thinking>

<answer>
<!-- 实际输出内容 -->
基于分析，主要问题是...
</answer>

十一、工具与多模态

部分模型支持调用工具以增强能力，例如：

<tools>
- web_search: 获取最新信息
- calculator: 复杂数学计算
- code_executor: Python代码执行
- image_analyzer: 图像内容分析
</tools>

<task>
检索2024年中国咖啡市场数据，计算年增长率，并生成可视化分析报告
</task>

多模态处理示例

<image_analysis>
请分析这张用户界面截图，识别可用性问题
</image_analysis>

<requirements>
1. 识别界面元素布局问题
2. 评估色彩对比度
3. 检查交互元素的可访问性
4. 提供具体改进建议
</requirements>

十二、安全与合规

系统级约束

<system_constraints>
- 禁止生成有害或违法内容
- 保护用户隐私信息
- 拒绝执行可能造成损害的指令
- 明确标注不确定的信息
</system_constraints>

<ethical_guidelines>
- 不提供医疗诊断或法律建议
- 避免偏见和歧视性内容
- 尊重知识产权
- 透明说明AI的局限性
</ethical_guidelines>

敏感信息处理

<data_handling>
- 识别PII（个人身份信息）并进行脱敏处理
- 不存储或传播敏感数据
- 遵守GDPR等数据保护法规
</data_handling>

<example>
输入："张三的身份证号是123456..."
处理："[已脱敏个人信息]"
</example>

十三、测试与评估

黄金测试集方法

1. **准备测试集**
   - 收集20-50个典型案例
   - 涵盖正常、边界和异常情况
   - 标注期望输出

2. **评分标准**
   - 准确性（0-10分）
   - 完整性（0-10分）
   - 格式规范（0-10分）
   - 响应时间

3. **迭代优化**
   - 识别失败模式
   - 调整prompt结构
   - 重新测试验证

A/B测试框架

<test_setup>
版本A：基础prompt
版本B：优化后的prompt

<metrics>
- 任务完成率
- 输出质量评分
- 用户满意度
- 处理时间
</metrics>

<sample_size>
每版本至少100次测试
</sample_size>
</test_setup>

评估检查清单

十四、高级优化技巧

长上下文处理

<context_management>
当处理超过10000字的内容时：
1. 使用分段处理策略
2. 保持关键信息的连续性
3. 使用摘要-展开模式
</context_management>

<example>
<document_chunks>
  <chunk id="1" priority="high">核心内容</chunk>
  <chunk id="2" priority="medium">支撑细节</chunk>
  <chunk id="3" priority="low">背景信息</chunk>
</document_chunks>
</example>

Prompt 缓存优化

<cache_strategy>
- 识别重复使用的prompt部分
- 创建模板库减少重复
- 使用变量替换机制
</cache_strategy>

<template name="analysis_template">
<static>
你是[role]专家，擅长[skill]
</static>
<dynamic>
分析内容：{{content}}
输出要求：{{format}}
</dynamic>
</template>

十五、结构化通用模板

<!-- 结构化组织信息的参考模板 -->
<system>
<persona>
你是[领域]的[职位]专家，具备[核心能力]
</persona>

<capabilities>
- 能力1：[具体描述]
- 能力2：[具体描述]
- 能力3：[具体描述]
</capabilities>
</system>

<user_request>
<task>
[明确的任务描述]
</task>

<context>
[相关背景信息]
</context>

<data>
[需要处理的数据]
</data>
</user_request>

<instructions>
<steps>
1. [步骤1]
2. [步骤2]
3. [步骤3]
</steps>

<thinking_process>
在<thinking>标签中保留推理过程（如模型支持）
</thinking_process>

<output_requirements>
- 格式：[JSON/Markdown/Plain Text]
- 长度：[字数范围]
- 风格：[正式/技术/通俗]
- 语言：[中文/英文]
</output_requirements>
</instructions>

<examples>
<example>
输入：[示例输入]
输出：[期望输出]
</example>
</examples>

<constraints>
- [限制条件1]
- [限制条件2]
- [安全约束]
</constraints>

结语

要点回顾：

1. 结构化表达：角色、范围、步骤、格式尽量明确
2. 可执行与可复用：输出便于复检与落地
3. 持续评估：用小型测试集与A/B迭代
4. 安全合规：注意个人隐私与法律合规
5. 工具配合：在可用场景下接入检索、计算与多模态

建议从最小可用模板入手，结合实际逐步细化。