提示词工程入门指南与实战技巧

时间：2026-05-27 22:44

提示词工程通过设计输入指令来优化大语言模型的输出稳定性和可控性。其核心方法包括角色设定、任务拆解、示例引导和格式约束，实践中常将提示词模板化、系统化，并借助链式调用处理复杂任务。结构化输出便于程序处理，该方法已广泛应用于AI客服、内容审核、图文匹配和内容生成等领域。

提示词工程（Prompt Engineering）是一门专注于通过优化输入指令来精确引导大语言模型输出的技术。它无需调整模型内部参数，而是通过系统化设计Prompt，使AI的生成结果更稳定、可控且易于评估。

这才称得上是提示词工程！

一、什么是提示词工程

我们可以将其核心定义为：

提示词工程 = 如何写Prompt + 如何用代码管理Prompt

它旨在解决大模型作为概率预测系统所固有的输出不确定性问题。通过一系列工程化技巧，提示词工程能够有效引导这个“黑盒”按照预设的意图、格式和标准生成内容。

对比示例：

基础提问：“总结这段话”可能导致回复格式杂乱、长度不一。

优化后的Prompt：“你是一名技术文档专家。请用三个要点总结以下内容，每个要点不超过20字。内容：{content}”

优化后，输出的结构、长度和质量都得到了显著提升，更便于实际应用。

二、Prompt 设计核心原则

要设计出高效的Prompt，可以遵循以下几个经过验证的核心原则。

1. 角色设定（Role Prompting）

为模型赋予一个明确的专业身份，能深度影响其回答的风格、视角和详尽程度。例如：“你是一位拥有十年经验的前端架构师”。

代码实现示例：

const prompt = `你是一名资深前端架构师，请从工程实践角度解释 React 的 diff 算法原理`

这种方法能确保输出内容更具专业性和一致性。

2. 任务拆解（Task Decomposition）

对于复杂需求，应将任务分解为清晰的、循序渐进的子步骤，引导模型逐步完成。

例如，文本分析任务可拆解为：“第一步：提取核心关键词；第二步：归纳段落主旨；第三步：提出优化建议”。

代码中的Prompt构建：

const prompt = `请按顺序执行以下任务：1. 提取文本中的关键实体；2. 用一句话概括文本大意；3. 基于内容提出一项可行性建议。文本：${text}`

3. Few-shot 示例（少样本学习）

当模型对任务格式不明确时，提供少量输入输出示例能快速引导其掌握模式。

分类任务示例：

输入：苹果是一种水果
输出：水果
输入：老虎是一种动物
输出：动物
输入：香蕉是一种水果
输出：

TypeScript实现方式：

const prompt = `请根据示例推断类别。示例：输入‘苹果是一种水果’，输出‘水果’。输入‘老虎是一种动物’，输出‘动物’。现在请判断：输入‘香蕉是一种水果’，输出：`

4. 约束输出格式

为便于程序化处理，必须明确指定输出的数据结构格式，如JSON、XML或特定标记语言。

例如：“请以JSON格式输出，包含‘score’（数值）和‘reason’（字符串）两个字段。”

具体代码示例：

const prompt = `评估图片与文本的相关性。请返回严格的JSON格式：{"score": number, "reason": string}。文本：${text}`

三、Prompt 模板化（工程实践）

在实际项目开发中，应将Prompt设计为可复用的模板或技能（Skills），避免硬编码，提升维护性和一致性。

示例：Prompt Template

一个基础的Prompt模板类实现如下：

class PromptTemplate {
  constructor(private template: string) {}
  format(data: Record) {
    let result = this.template
    for (const key in data) {
      result = result.replace(`{${key}}`, data[key])
    }
    return result
  }
}

应用示例：

const template = new PromptTemplate(
  `你是一名专业的视频内容审核员。请根据要求审核视频。
  审核标准：{requirement}
  视频内容描述：{description}
  请返回JSON结果：{ "pass": boolean, "reason": string}`
)

动态生成Prompt：

const prompt = template.format({
  requirement: "视频主题需包含动物元素",
  description: "这是一段关于小狗在公园奔跑的视频"
})

多模板形成的 Prompt Chain

复杂业务流程通常需要多个Prompt串联，形成处理链（Prompt Chain），实现分阶段的任务协作。

以AI视频制作为例，典型工作流为：需求分析 → 脚本撰写 → 分镜设计 → 视频合成 → 质量评估。

代码化的工作流示意：

async function generateScript(topic: string) {
  return llm(`请为以下主题创作一个短视频脚本。主题：${topic}`)
}
async function generateStoryboard(script: string) {
  return llm(`请根据脚本内容，设计详细的分镜头描述。脚本：${script}`)
}
async function generateVideo(storyboard: string) {
  return videoModel(storyboard)
}
async function workflow(topic: string) {
  const script = await generateScript(topic)
  const storyboard = await generateStoryboard(script)
  const video = await generateVideo(storyboard)
  return video
}

此类链式调用在LangChain、LangGraph等AI应用框架中已成为标准实践。

四、结构化输出

在工程化应用中，结构化输出是必备条件。非结构化的自然语言文本难以被程序自动化解析和使用。

对比示例：模糊回答“图片基本符合描述” vs. 结构化输出 { "match": true, "score": 0.87, "reason": "图片中清晰包含了一只猫"}。后者可直接被下游代码消费。

实现结构化输出的TypeScript函数示例：

async function evaluateImage(text: string, imageDesc: string) {
  const prompt = `进行图文匹配度评估。
  文本描述：${text}
  图片描述：${imageDesc}
  请返回JSON格式结果：{ "match": boolean, "score": number, "reason": string}`
  const res = await llm(prompt)
  return JSON.parse(res)
}