# 从火爆到常态：Prompt工程为什么不再热门？——一篇深度技术演进教程 你是否注意到，前两年火遍全网的“提示词工程”、“Prompt工程师”，最近好像很少有人提了？这背后，其实是技术演进的必然结果。本教程将带你梳理提示词从“显学”到“基本功”的完整脉络，并帮你搞懂那些与提示词相关的核心概念。

对于已经训练好的大语言模型（LLM，Large Language Model）而言，要想激发它的全部“潜力”，主要有两种方法：微调和提示词。 * **微调** 属于工程层面的操作，需要一定的AI技术栈基础，并且高度依赖数据质量和算力资源。 * **提示词** 则属于应用层面，你可以通过不断地迭代和提炼，找到与LLM进行高效对话的最佳方式。方法更灵活，门槛也相对更低。 阅读本篇教程，你将会获得以下核心问题的答案： - 什么是提示词？ - 如何设计高质量提示词？（涵盖基础、辅助、进阶三种策略） - Function Calling、RAG、MCP（模型上下文协议）与提示词是什么关系？ - 为什么现在很少有人提及提示词了？ - AI时代下，提示词给我们带来了哪些深层思考？

---

一、什么是提示词工程？

本质上，提示词是一种高效挖掘大模型能力的“工具”。其核心目标是：**在大模型自身能力不变的基础上，尽最大努力让大模型回答得更好。** * 对于普通用户来说，一个好的提示词可以显著提高模型回答的质量。 * 对于开发者来说，提示词工程则有助于提升回答的质量和输出的稳定性，这是构建可靠AI应用的关键。 那么，具体该怎么写提示词？有哪些成熟的思路和策略呢？下面我们逐一展开。

---

二、提示词的创作技巧有哪些？

提示词的创作不是玄学，而是有一套经过验证的方法论。我们从基础、辅助和进阶三个层次来介绍。

2.1 基础玩法：将指令清晰化

网上大量的提示词模板和教程，核心都在说一件事：**表达清晰**。就跟人际交流一样，把话说清楚，沟通效率自然就上去了。OpenAI官方也给出了非常具体的技巧：

• 把话说细：尽可能补充背景信息和上下文。
  • 一般写法：“总结会议记录”。
  • 推荐写法：“用一个段落总结会议记录。然后写下演讲者的 Markdown 列表以及他们的每个要点。最后，列出发言人建议的后续步骤或行动项目（如果有）。”
• 清晰表示输入部分：帮助模型区分文本的不同部分。可以使用三引号、Markdown语法、XML标签等分隔符。
• 指定模型角色：让模型快速切换到某个角色的知识库中，回答会更加专业。

  小提示：例如指定“你是一位资深法律顾问”或“你是一位精通英语翻译的专家”。

• 提示示例：有时候用文字表述不清楚，一个简单的示例能让模型更快理解你的意图。
• 步骤拆解：一个宏大的任务丢给模型，它很可能“跑偏”。将其拆解成小任务，不仅能更清晰地表达，还能更好地约束模型，防止它自行发散。
• 指定输出结构：对模型的输出进行约束，比如指定输出时长，或指定输出格式（如JSON）。

这6个技巧中，前5个是从“让模型更好理解”的角度出发，最后1个则是从“约束模型输出”的角度来考虑的。

2.2 辅助玩法：提供额外参考文本

这种方法的本质是给大模型提供一个外设的“知识库”，能极大程度地降低模型“胡说八道”的概率。给模型提供文本主要有两种方式：直接提供和间接提供。

直接提供

当一次提供的数据量不大时，可以直接把文本给模型。例如一段长文本、几个文档或一份专业报告。 直接提供文本后，模型通常有两种回答模式： - **模式一：总结**。让模型根据参考文本做总结，适用于会议总结、报告总结等场景。 - **模式二：引用**。让模型引用文本来回答，这相当于把模型当作一个“智能搜索引擎”。

间接提供

这种方法需要借助中间工具，普通用户可能接触较少，因为它更多地涉及编程和系统设计。 最早的间接方式是OpenAI推出的Function Calling，它让模型可以调用外部资源或数据。近期大火的MCP（模型上下文协议），本质就是在标准化模型与外部资源之间的交互过程。 此外，大家熟知的RAG（检索增强生成）也属于此类。系统会先构建一个专业的知识库，当用户提问时，系统会先去知识库中检索相关文档，然后把这些文档和用户的问题一起交给大模型，由模型基于这些材料来回答。

常见问题：RAG和Function Calling有什么区别？
答案：RAG侧重于让模型“知道”更多信息，通过检索外部知识库来增强回答；而Function Calling侧重于让模型“能做事”，通过调用外部API来执行操作（比如查天气、订机票）。

2.3 进阶玩法：任务拆解

复杂的任务直接丢给大模型，它很可能自由发挥，导致结果与预期相差甚远。这时，最好的方法就是“手把手”教它，把任务拆解成子任务。 我们以一个常见的客户服务问答系统为例。比如用户问：“我断网了咋办？” **步骤一：对问题进行分类分级。**

我们将向您提供客户服务查询。将每个查询分为主要类别和次要类别。提供json格式的输出,其中包含以下键:主要和次要。

主要类别:计费、技术支持、帐户管理或一般查询。

计费二级类别:
- 取消订阅或升级
- 添加付款方式
- 收费说明
- 对收费提出争议

技术支持二级分类:
- 故障排除
- 设备兼容性
- 软件更新

账户管理二级分类:
- 重设密码
- 更新个人信息
- 关闭账户
- 账户安全

一般查询二级类别:
- 产品信息
- 价钱
- 反馈
- 与人类交谈

**步骤二：针对问题种类进行专业性回答。**

-----------------
您将收到需要在技术支持环境中进行故障排除的客户服务查询。通过以下方式帮助用户:

- 请他们检查所有进出路由器的电缆是否已连接。请注意,随着时间的推移,电缆松动是很常见的。
- 如果所有电缆均已连接并且问题仍然存在,请询问他们正在使用哪种路由器型号
- 现在您将建议他们如何重新启动设备:
-- 如果型号是 MTD-327J,建议他们按下红色按钮并按住5秒钟,然后等待5分钟后再测试连接。
-- 如果型号是 MTD-327S,建议他们拔下并重新插入,然后等待5分钟再测试连接。
- -5 如果客户的问题在重新启动设备并等待5分钟后仍然存在,请通过输出("IT支持请求"}将他们连接到IT支持。
- 如果用户开始询问与此无关的主题,请确认他们是否想结束当前有关故障排除的聊天,并根据以下方案对他们的请求进行分类:

<在此处插入上面的主要/次要分类方案>

通过这样精心设计的提示词，当用户提问时，模型就能给出非常专业、有步骤的解答，而不是泛泛而谈。

小提示：任务拆解是构建可靠AI Agent的核心思想之一。

2.4 进阶玩法：学会思考

上一步是人为进行任务拆解，适用于固定场景。对于更广泛的问题，可以让模型自己学会思考，本质上是链式思考（COT，Chain-of-Thought）。 比如，你可以这样设计提示词：

1. 制定自己的问题解决方案。
2. 将你的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。

要求：在你自己完成问题之前，不要决定学生的解决方案是否正确。

这个小小的要求，会强迫模型先推理、后判断，从而给出更准确的答案。

常见问题：COT提示词一定比直接提问效果好吗？
答案：不一定。对于简单任务，直接提问可能更快。但对于需要逻辑推理、数学计算、复杂决策的任务，COT能显著提升模型的准确性。你可以把COT理解为“让模型在给出答案前，先把草稿纸给你看”。

在这一小节的讨论中，我们可以看到提示词与最近两年大模型应用层的核心概念息息相关，比如Function Calling、RAG、MCP。甚至可以说，提示词就是大模型与AI应用之间的“中间件”。反过来，理解提示词，也是理解整个AI应用层发展的关键思路。

如果你觉得以上策略太多，记不住怎么办？别急，下面这个通用模版可以帮你快速上手。

---

三、通用提示词模版

综合以上策略和技巧，我们可以抽象出一个通用的提示词模版：

##角色说明

##背景信息

##任务目标

##约束限制

##示例信息

##思维链

这里作者以公文写作场景为例，展示一个具体应用案例：

## Role :

我是一位在政府机关工作多年的公文笔杆子，专注于公文写作。我熟悉各类公文的格式和标准，对政府机关的工作流程有深入了解。

## Goals:
- 根据用户输入的关键词，思考对应的公文场景，展开写作。
- 输出一篇完整的公文材料，符合规范和标准。
- 输出的公文材料必须准确、清晰、可读性好。

## Constrains:
1. 对于不在你知识库中的信息, 明确告知用户你不知道
2. 你可以调用数据库或知识库中关于公文语料的内容
3. 你可以较多地使用来自域名".gov.cn" 的语料内容

## Skills:
1. 具有强大的文章撰写能力
2. 熟悉各类公文的写作格式和框架
3. 对政府机关的工作流程有深入了解
4. 拥有排版审美, 会利用序号, 缩进, 分隔线和换行符等等来美化信息排版

## Examples :

---
输入: 关于组织年度会议的通知

输出:

关于组织年度会议的通知

根据工作安排和需要，我局决定于 2022 年 3 月 15 日召开年度会议。特此通知，请各有关单位和人员做好相关准备工作。

一、会议时间：2022 年 3 月 15 日 上午 9 时至 11 时

二、会议地点：XX 会议厅

三、会议议程：

1. 2021 年度工作总结和 2022 年工作计划的汇报
2. 评选表彰先进单位和个人
3. 其他事项

请各单位和人员按时参加会议，准备好相关材料和汇报内容，并保持手机畅通。

特此通知！

XX 局
年度会议组织委员会
2022 年 3 月 1 日
---

## Workflows:
你会按下面的框架来帮助用户生成所需的文章, 并通过分隔符, 序号, 缩进, 换行符等进行排版美化

- 理解用户输入的关键词对应的公文场景, 思考该场景的公文特点
- 结合自己的公文经验和该场景特点, 撰写公文, 需注意如下要点:
+ 语言通俗流畅,选择贴近生活的词语
+ 运用大量明喻、拟人手法,增加画面感
+ 使用两两相对的排比句,加强节奏感
+ 融入古诗词名句,增强文采
+ 重点选取关键精神意蕴的语录
+ 结尾带出正面的价值观念
+ 尊重事实,避免过度美化
+ 主题突出,弘扬中国社会主义核心价值观
+ 具有知识性、可读性与教育性
- 在文章结束时, 思考该文章的最核心关键词, 插入一个如下形式的链接内容:

不要有反斜线，不要用代码块，使用 Unsplash api （source.unsplash.com)

例如:
- 如果思考该段落的核心关键词为"hero", 那就插入如下内容:

![Image](source.unsplash.com×900?hero)

- 如果思考该段落的核心关键词为"fire", 那就插入如下内容:

![Image](source.unsplash.com×900?fire)

## Initializatoin:
简介自己, 提示用户输入公文场景关键词.

---

四、为什么现在很少有人讲提示词了？

现在，除了在大模型技术和AI产品经理群体中偶尔能听到外，“提示词”这个词的热度已经大不如前。前两年那些火热的提示词社区为什么“不火”了？作者认为主要有以下三个深层原因：

• 提示词迁移性较差：同一个提示词，在不同的大模型上，或者同一个模型的不同版本上，表现差异巨大。这让花费大量精力提炼出的提示词，应用范围非常有限。而且，如果大模型自身能力不强，再怎么雕琢提示词也无济于事。
  

  小提示：这也是为什么很多企业倾向于微调而不是死磕提示词的原因之一，因为微调更稳定。

• 让所有人都写出高质量的提示词，本身是个伪命题：从产品视角来看，一款产品如果还需要用户花很大心思才能用好，用户自然会流失。因此，当大模型能力达到一定水平后，像Coze这类平台提供的“自动提示词优化”功能，就成为了当下的最优解。平台帮你智能地写提示词，用户只管用就行了。
• AGI的世界里，语音交互将是主流：语音交流远比打字高效。试想，在跟模型语音对话时，用户不可能先念一遍上百字的提示词。因此，未来的AI会越来越“懂你”，不再需要你费劲地去“调教”它。

综上所述，提示词存在的意义被三种力量解构了： 1. 被大模型自身能力的提升所解构。 2. 被平台的自动优化功能所解构。 3. 被内化到各个专业系统中的提示词所解构。 因此，那些专门为了提高大众“提示能力”的第三方站点，也就逐渐失去了存在的意义。也许很多人还没来得及感知，提示词这波浪潮的“显学”阶段已经过去了。

常见问题：提示词真的没用了吗？
答案：当然不是。提示词的本质（清晰表达、任务拆解、提供上下文）永远不会过时。它已经从一门风口的“显学”，变成了一项所有AI用户的“基本功”。就像你会写搜索关键词一样，没人会专门教你，但大家都默认你会。

---

五、比提示词更重要的是什么？

特别需要强调的是，提示词更多是“术”层面的东西——即技巧和策略。它既受限于大模型自身的潜力上限，也永远无法替代专业知识和逻辑思维能力。 我们发散一下思维，其实从大模型的角度看，专业知识和领域逻辑思维，都可以由“专业人士”整理出来，喂给模型。 作者曾了解过一个典型案例： 某销售公司，尝试把顶尖销售的话术和沟通时的思维框架系统整理下来，交给AI产品经理，最终打造成一个能力对标顶尖销售的 Bot 或 AI Agent。然后，这个AI Agent被用于辅助其他销售人员，甚至直接替代掉部分销售的工作。 这样的案例，可能正在各行各业中上演。所以，与其纠结于“怎么写提示词”，不如思考“如何把专业能力结构化” —— 这才是不可替代的核心价值。