Prompt Engineering（提示工程）是优化与AI模型互动质量的关键技能。通过精心设计输入提示（prompt），你可以引导大型语言模型生成更准确、更有用的回答。本教程将系统讲解Prompt的核心概念、CRISPE框架、最佳实践、高级提示技术、结构化输出以及实际应用场景，帮助你快速提升提示设计能力。
一、Prompt基础概念
1. Prompt是什么？
Prompt是一种人为构造的输入序列，用于引导GPT模型根据先前输入的内容生成相关的输出。简单来说，就是你向模型提供的“提示词”。
2. Prompt如何生成？
要写出高质量的Prompt，可以借助CRISPE Prompt Framework（由GitHub大佬Matt Nigh提出）。详见下一章节。
小提示： 好的Prompt通常包含四个要素：角色、背景、任务、风格。你可以从简单开始，逐步优化。
二、CRISPE Prompt框架
CRISPE是首字母缩写，分别代表：
- CR：Capacity and Role（能力与角色） – 你希望ChatGPT扮演怎样的角色。
- I：Insight（洞察） – 背景信息和上下文。
- S：Statement（陈述） – 你希望ChatGPT做什么。
- P：Personality（个性） – 你希望ChatGPT以什么风格或方式回答你。
- E：Experiment（实验） – 要求ChatGPT为你提供多个答案。
GitHub上的Prompt角色大全基本都是基于CRISPE框架：先定角色，后说背景，再提要求，最后定风格。是否生成多个示例可以看自己喜好。
参考链接：https://github.com/mattnigh/ChatGPT3-Free-Prompt-List
三、Prompt的重要性
合理使用Prompt可以带来以下好处：
- 提高生成准确性： 通过正确引导，模型能更好理解用户意图，生成更准确文本。
- 增强自由度： 不同Prompt让模型生成多样文本，表现力更丰富。
- 提高效率： 若已知大致内容，正确Prompt可让模型更快输出结果。
四、Prompt Engineering定义与最佳实践
定义
Prompt Engineering是设计和优化输入提示（prompt）以获得预期输出的过程。与大型语言模型交互时，构造提示的方式会显著影响回答质量。
例如：
- 简单提示：
"告诉我关于猫的事情。" - 优化提示：
"请详细描述猫的生物学特征、行为习惯以及它们在不同文化中的象征意义。"
11条最佳实践
- 明确目标： 明确任务或问题。
示例："请简要描述气候变化的主要原因及其对农业的影响。" - 提供上下文： 给出必要的背景信息。
示例："作为一名高中生，我正在学习微积分。请用简单的语言解释微积分的基本概念。" - 使用具体的指示： 避免模糊不清。
示例："请写一篇关于人工智能在医疗领域应用的文章，包含应用场景、优势和挑战。" - 提供示例： 展示期望的输出格式或内容。
示例："生成一个关于产品的报告，格式如下：\n- 产品名称：\n- 价格：\n- 特点：\n- 优点：\n- 缺点：" - 使用分步指示： 将复杂任务分解为多步。
示例："首先，解释如何解方程。然后，解方程2x + 3 = 7。" - 控制输出长度： 指定简洁或详细。
示例："用不超过100字解释量子力学的基本概念。" - 使用占位符和模板： 指示需要填充的内容。
示例："生成一个用户注册表单，包含以下字段：用户名、密码、邮箱、电话号码。" - 反复试验和调整： 观察输出并优化提示。
示例：从"描述Python编程语言"调整为"描述Python主要特点和常见应用场景"。 - 指定输出格式： 确保内容符合预期。
示例："生成一个关于公司财务状况的报告，格式如下：\n1. 收入：\n2. 支出：\n3. 净利润：\n4. 财务分析：" - 使用多轮对话： 逐步引导模型生成所需内容。
- 使用反思和迭代： 生成初步答案后，反思并修改，提高准确性。
小提示： 最佳实践并非万能公式，需要根据具体场景灵活组合。建议先确定目标，再选择合适的策略。
五、提示技术
1. Zero-shot（零样本）
模型在没有示例的情况下直接完成任务，依靠预训练知识和提示。
提示："翻译这句话：'The cat is on the roof.'" 回答："猫在屋顶上。"
2. Few-shot（少样本）
提供几个示例帮助模型理解任务。
提示："翻译以下句子：'The dog is in the garden.' -> '狗在花园里。' 'The bird is in the tree.' -> '鸟在树上。' 'The cat is on the roof.' ->" 回答："猫在屋顶上。"
3. Chain-of-Thought (CoT)（思维链）
通过展示思考过程的步骤来解决复杂问题。
提示："如果一个苹果和一个香蕉的总价是3美元，一个苹果的价格是2美元，那么一个香蕉的价格是多少？请展示你的思考过程。" 回答："首先，苹果的价格是2美元。总价是3美元，所以香蕉的价格是3美元减去2美元，等于1美元。"
4. ReAct（反应+行动）
结合反应和行动，用于交互式或复杂决策任务。
提示："你是一个虚拟助手。用户问：'我今天应该穿什么衣服？' 你需要根据天气情况给出建议。步骤1：查询天气。步骤2：根据天气给出建议。" 回答： 步骤1："查询天气：今天的天气是晴天，温度在25-30度之间。" 步骤2："建议：今天适合穿轻便的夏装，比如T恤和短裤。"
5. Reflexion（反思）
模型生成初步答案后，反思并修改回答，提高准确性。
提示："解释为什么天空是蓝色的。" 初步回答："因为大气中的氧气和氮气散射阳光中的蓝色光。" 反思："这解释不够准确。实际上，蓝色光被散射得更多是因为瑞利散射效应。" 修改回答："天空是蓝色的，因为阳光穿过大气层时，短波长的蓝色光比其他颜色的光被空气分子散射得更多，这种现象被称为瑞利散射。"
6. Prompt Chaining（提示链）
将多个提示串联起来，分步解决复杂问题。
任务：写一篇关于气候变化的文章。 提示链： a."首先，简要介绍什么是气候变化。" b."接下来，描述气候变化的主要原因。" c."然后，讨论气候变化的影响。" d."最后，提出应对气候变化的建议。"
六、结构化输出
定义与重要性
结构化输出是指通过设计特定提示，引导模型生成具有明确格式或结构的输出。适用于数据表格、代码生成、报告创建等任务，确保内容符合预期格式，便于后续处理。
常见形式
- JSON格式： 处理数据对象。
- Markdown格式： 文档或报告。
- 表格格式： 数据展示与分析。
- 代码格式： 生成特定语言的代码片段。
设计技巧
- 明确格式要求
- 提供示例
- 使用占位符
JSON示例
请生成一个包含以下信息的 JSON 对象：
- 名字
- 年龄
- 职业
- 兴趣爱好
示例格式：
{"name": "张三","age": 30,"occupation": "软件工程师","hobbies": ["阅读", "旅行", "编程"]}
Markdown示例
请根据以下信息生成一份 Markdown 格式的报告： - 标题：气候变化对农业的影响 - 引言：简要介绍气候变化的背景。 - 影响：详细描述气候变化对农业的具体影响。 - 结论：总结并提出应对措施。 示例格式： # 标题 ## 引言 内容 ## 影响 内容 ## 结论 内容
表格示例
请生成一张包含以下信息的表格： - 产品名称 - 价格 - 库存数量 - 供应商 示例格式： | 产品名称 | 价格 | 库存数量 | 供应商 | |----------|------|----------|--------| | 产品A | 100 | 50 | 供应商1| | 产品B | 200 | 30 | 供应商2|
代码示例
请根据以下要求生成一段 Python 代码：
- 定义一个函数 `add_numbers`，接受两个参数 `a` 和 `b`，返回它们的和。
- 打印函数的调用结果，参数为 5 和 10。
示例格式：
```python
def function_name(parameters):
# function body
print(function_name(arguments))
七、Prompt应用场景
1. 数据处理
数据清理：提示："请将以下数据转换为标准日期格式：'12/31/2023', '01-01-2024', '2024.02.28'。"
输出："2023-12-31, 2024-01-01, 2024-02-28"
数据转换：提示："请将以下CSV数据转换为JSON格式：
Name, Age, City
Alice, 30, New York
Bob, 25, Los Angeles"
输出：[{"Name":"Alice","Age":30,"City":"New York"},{"Name":"Bob","Age":25,"City":"Los Angeles"}]
2. 代码生成
代码生成：提示："请用Python编写一个函数，计算一个列表中所有数字的平均值。"
输出：
def calculate_a verage(numbers):
return sum(numbers) / len(numbers)
代码优化：提示："请优化以下Python代码以提高性能：
for i in range(1000000):
result.append(i * 2)"
输出：
#列表推导式：通过列表推导式，我们可以在一行代码中完成原本需要多行的操作。它不仅简洁，而且通常更高效。
#性能提升：列表推导式在底层进行了优化，减少了函数调用和解释器的开销，因此在处理大规模数据时能显著提升性能。
result = [i * 2 for i in range(1000000)]
3. 函数定义
提示："请定义一个Python函数，接受两个字符串参数，返回它们的拼接结果。"
输出：
def concatenate_strings(str1, str2):
return str1 + str2
4. 分类任务
文本分类：提示："请将以下句子分类为'正面'或'负面'：'我今天很开心。' '这个产品真糟糕。'" 输出："正面：'我今天很开心。' 负面：'这个产品真糟糕。'" 情感分析：提示："请分析以下评论的情感：'这部电影非常棒！' '我对这次服务很失望。'" 输出："正面：'这部电影非常棒！' 负面：'我对这次服务很失望。'"
5. 创意生成
生成创意内容，如故事、广告文案等。
6. 内容生成
生成文章、报告等。
7. 汇总信息
汇总和总结信息。
8. 风险与安全管理
风险评估： 提示："请评估以下项目的潜在风险：'项目描述：AI技术医疗项目'" 输出："潜在风险：1. 项目延期。2. 预算超支。3. 技术实现难度大。" 安全建议： 提示："请提供关于数据隐私保护的安全建议。" 输出："1. 使用强密码和双因素认证。2. 定期更新和补丁系统。3. 加密敏感数据。4. 进行定期安全审计。"
八、常见问题
Q1: Zero-shot和Few-shot有什么区别？
A: Zero-shot完全不提供示例，模型仅靠预训练知识和提示完成任务；Few-shot则提供少量示例（通常2-5个）来帮助模型理解任务范式，效果通常更好。
Q2: 如何选择提示技术？
A: 任务简单且明确时用Zero-shot；需要格式或风格引导时用Few-shot；需要推理步骤时用CoT；需要交互式决策时用ReAct；需要提高答案质量时用Reflexion；复杂多步任务用Prompt Chaining。
Q3: 结构化输出提示中，示例必须完全相同吗？
A: 不必完全一致，但示例越贴近你期望的格式，模型生成的结果越准确。建议提供1-2个示例，并在提示中明确要求“按此格式输出”。
Q4: 使用Reflexion时，如何确保模型反思有效？
A: 可以在初始提示中加入“请检查你的回答是否正确，如果不正确请修正”等指令。也可以后续再发一条“请反思上述回答，并给出改进版”来触发反思机制。
总结
Prompt Engineering是高效使用AI的必备技能。通过掌握CRISPE框架、最佳实践和高级提示技术，你能显著提升模型输出的质量和可控性。建议在实践中不断尝试、记录和优化，逐步形成自己的提示设计方法论。