提示词工程（Prompt Engineering）· 带读笔记

一句话记住这篇文章：提示词工程 = 降低模糊性，提升你与 AI 之间的对齐度。它本质上是把"你会说话"升级成"你会结构化地说话"。

文章把提示词工程从"玄学调参"讲成了一套可复用的方法论体系：先是底层认知（Token、角色、上下文），再是十大技巧，最后落到工程化（五段式、提示词链、元提示、迭代）。下面逐层带读。

目录

• ① 一图看懂方法论地图
• ② 核心认知三件事
• ③ 四要素框架
• ④ 基础技巧串讲
• ⑤ 进阶技巧串讲
• ⑥ 工程化落地
• ⑦ 我的点评与使用建议
• ⑧ 速查表 & 检查清单

1. 提示词 = 与 AI 对齐的接口

文章开宗明义：AI 能力极强但完全依赖指令。模糊输入 → 泛泛输出；清晰输入 → 精准输出。这和产品经理写需求文档是一回事——需求的歧义，最终都会变成返工。

2. 三消息角色（API 的硬格式）

3. Token 与上下文窗口

• Token：AI 处理文本的单位。经验公式：1000 Token ≈ 750 英文词 ≈ 500 中文字。
• 上下文窗口：一次对话能处理的最大 Token 量，超出会遗忘最早内容。
• 关键原则：最重要指令放开头或结尾，避免“迷失在中间（Lost in the Middle）”。

文章收尾处提炼的速查表框架，建议背下来——它是后面所有技巧的浓缩版：

文章把技巧混着讲，但落到实际，它们分别“住”在不同的消息角色里。System 端管“它是谁、守什么规矩”，User 端管“这次要它做什么、怎么交”。把技巧按载体分布，才知道什么写进系统提示词、什么写在每次提问里。

两者协作的技巧（边界模糊）

基础 1. 清晰直接地表达（性价比最高）

这是文章最推荐先掌握的技巧。五种让指令清晰的方法：明确受众与语气、规定输出篇幅、同时给出“要”和“不要”、说明最终用途、把复杂任务拆成步骤。

基础 2. 为 AI 分配角色

为什么有效？角色能激活 AI 在该领域积累的知识模式（告诉它“从哪个知识库调取、什么风格表达”）。

有效角色三要素：专业领域（什么专家）+ 行为方式（怎么沟通）+ 核心立场（原则偏好）。

你是一位资深的云架构师，在 AWS 上有超过 8 年经验。
风格简洁务实，以数据说话，提建议时总会权衡成本与性能，
并指出潜在风险。

基础 3. 用 XML 标签分离数据与指令

为什么要分离？防止指令与数据混淆导致逻辑混乱，更重要的是防提示词注入攻击。把用户内容、参考资料用语义化标签（如 <article>、<resume_A>）包裹，恶意指令就被隔离在标签内。

基础 4. 精准控制输出格式

三种方法：

• 直接描述格式：说明字段结构 + “只输出 JSON”。
• 提供模板填空：给带占位符的 Markdown 模板，让 AI 填。
• 预填充（进阶）：在 Assistant 消息里先写 ```json\n{，强制后续输出 JSON；或写“以下是分析结果：”跳过客套话。

进阶 5. 让 AI 逐步思考（思维链 CoT）

原理：模型逐词预测，先写推理过程，内容成为结论依据，准确率提升。三种触发方式：用 <thinking> 标签隔离、直接要求“一步一步思考”、先列论据再下结论。

进阶 6. 用示例教会 AI（少样本学习 Few-Shot）

给 2–3 个“输入→输出”例子，AI 就能学会模式。好示例三标准：覆盖典型变体、格式完全统一、质量高于数量（2–3 个精心设计 > 10 个随便凑的）。常与角色+指令+格式组合使用。

进阶 7. 避免 AI 胡说八道（防幻觉）

五种策略：

1. 允许说“不知道”（System 里写明不确定就直说）；
2. 限制只使用提供的信息（只根据 <reference> 回答）；
3. 先找证据再给结论（<evidence> → ）；
4. 要求标注置信度（高/中/低）；
5. API 层把 temperature 设为 0。

工程 8. 五段式架构（复杂提示词）

把长提示词拆成五段：① 角色与目标 ② 背景知识与数据（XML 包裹）③ 行为规则 ④ 输出格式 ⑤ 示例。文章给了“法律合同审查助手”的完整案例，是这套方法论的集大成示范。

工程 9. 提示词链（Prompt Chaining）

超长提示词容易遗漏、逻辑干扰、难定位错、成本高。把任务拆成子步骤串联：长文档分析（提取→分析→报告）、代码生成（需求→接口→实现→测试）、内容创作（大纲→撰写→润色）。每步间加输出验证逻辑，异常时重试或切换备用提示词。

工程 10. 元提示（Meta-Prompting）& 迭代优化

元提示 = 用提示词生成/改进提示词（从零生成、诊断改进、反向推导）。推荐工作流：元提示生成初稿 → 人工按技巧强化（效率提升 3–5 倍）。

迭代工作流：起草 → 多输入测试 → 分析问题（跑题/格式/推理/虚假）→ 修改 → 再测试。记得做版本管理（v1.0 / v1.1 / v2.0 + 日志）。

这篇文章的价值在于它把零散的“调参经验”讲成了体系，而且同时照顾了普通用户和开发者两条线。我的几点补充建议：

• 普通用户：先吃透“四要素 + 清晰表达 + 角色设定”三件套，日常 90% 场景够用。少样本和思维链等用到时再取。
• 开发者：重点看五段式、提示词链、防幻觉的 System Prompt 模板——这些直接决定 AI 应用的稳定性与成本。
• 别神化元提示：文章也提醒了，AI 缺业务背景，生成的提示词必须人工按技巧强化并实测，不能盲目信任。
• 建立自己的“提示词工具箱”：把邮件润色、周报、调试等高频有效提示词存起来，这是最实在的生产力资产。

技巧 → 适用场景 速查

发布前检查清单

• ☐ 指令清晰无歧义？
• ☐ 数据和指令用 XML 分离？
• ☐ 明确输出格式和长度？
• ☐ 推理任务要求先思考再答？
• ☐ 提供 2–3 高质量示例？
• ☐ 允许 AI 说“我不知道”？
• ☐ 多种输入测试过？
• ☐ 边界情况（空/超长/错误）处理？
• ☐ 复杂任务拆链？
• ☐ 关键指令放开头/结尾？
• ☐ 记录版本号和日志？