前言：为什么需要掌握提示词工程？

提示词工程（Prompt Engineering）在2025年这个时间节点虽然已不再是新鲜话题，但其核心思想依然是高效使用大模型的关键所在。无论你是调用API接口、构建RAG系统，还是开发Agent智能体，合理设计提示词都能显著提升大模型的应用效能。本教程将系统梳理不同场景下的提示词选择策略、上下文学习（In-Context-Learning）的运作机制、思维链（CoT）的实用技巧，以及一些前沿研究方向（如将语言模型本身作为优化器）。

一、不同任务场景下的提示词选择策略

根据任务的复杂度与具体需求，可以选择 Few Shot（少量示例）、One Shot（单个示例）或 Zero Shot（无示例）三种方式。以下是简明易懂的总结：

• Few Shot：当任务较为复杂时，例如实体识别、关系抽取等，需要向模型提供若干典型的输入输出示例。提示词越长，消耗的token越多（成本也相应增加）。可以参考 GraphRAG 中使用的提示词结构进行设计。
• One Shot：如果对输出格式有严格要求，比如希望LLM作为工作流中的一个环节（输出JSON、Markdown等格式），提供一个示例即可满足需求。
• Zero Shot：日常对话场景中使用频率最高。当前模型能力已经非常强大，直接“硬问”即可，若结果不符合预期再调整提示词。
• 复杂任务的增强技巧：如果任务本身较为复杂，可以在提示词末尾加上一句 let's think step by step，引导模型进行多步推理。对于类似 Deep Research 的工程，可以添加多步推理步骤的详细描述。