在AI应用日益普及的今天，掌握Prompt设计的核心——“指令+背景+示例”结构，是释放大语言模型潜力的关键。本文将深入拆解这一基础框架，从核心概念到实战策略，辅以丰富的案例与常见误区解析，帮助你系统提升与AI沟通的效率，让输出结果更精准、更贴合需求。

AI的提示词专栏：Prompt 的基本结构，指令 + 背景 + 示例

人工智能专栏介绍

人工智能学习合集专栏是 AI 学习者的实用工具。它像一个全面的 AI 知识库，把提示词设计、AI 创作、智能绘图等多个细分领域的知识整合起来。无论你是刚接触 AI 的新手，还是有一定基础想提升的人，都能在这里找到合适的内容。从最基础的工具操作方法，到背后深层的技术原理，专栏都有讲解，还搭配了实例教程和实战案例。这些内容能帮助学习者一步步搭建完整的 AI 知识体系，让大家快速从入门进步到精通，更好地应对学习和工作中遇到的 AI 相关问题。

这个系列专栏能教会人们很多实用的 AI 技能。在提示词方面，能让人学会设计精准的提示词，用不同行业的模板高效和 AI 沟通。写作上，掌握从选题到成稿的全流程技巧，用 AI 辅助写出高质量文本。编程时，借助 AI 完成代码编写、调试等工作，提升开发速度。绘图领域，学会用 AI 生成符合需求的设计图和图表。此外，还能了解主流 AI 工具的用法，学会搭建简单智能体，掌握大模型的部署和应用开发等技能，覆盖多个场景，满足不同学习者的需求。

• 1️⃣ ⚡ 点击进入 AI 的提示词专栏，专栏拆解提示词底层逻辑，从明确指令到场景化描述，教你精准传递需求。还附带包含各行业适配模板：医疗问诊话术、电商文案指令等，附优化技巧，让 AI 输出更贴合预期，提升工作效率。
• 2️⃣ ⚡ 点击进入 AI 灵感写作专栏，AI 灵感写作专栏，从选题到成稿，全流程解析 AI 写作技巧。涵盖论文框架搭建、小说情节生成等，教你用提示词引导 AI 输出内容，再进行人工润色。附不同文体案例，助你解决写作卡壳，产出高质量文本。
• 3️⃣ ⚡ 点击进入 AI 辅助编程专栏，AI 辅助编程专栏，通过实例教你用 AI 写代码：从功能描述到调试优化。涵盖前端、后端、数据库等，语言包括HTML5、VUE、Python、Ja va、C# 等语言，含算法实现、Bug 修复技巧，帮开发者减少重复劳动，专注核心逻辑，提升开发速度。
• 4️⃣ ⚡ 点击进入 AI 精准绘图专栏，AI 精准绘图，聚焦 AI 绘图在设计场景的落地。详解如何描述风格、元素、用途，生成 logo、商标等。含 Midjourney 等工具参数设置，及修改迭代方法，帮设计新手快速出图，满足商业与个人需求。
• 5️⃣ ⚡ 点击进入 AI 绘制图表专栏，AI 绘制图表专栏，教你用 AI 工具将数据转化为直观图表。涵盖曲线图数据输入、流程图逻辑梳理等，附 Excel 联动、格式美化技巧，适合学生、职场人快速制作专业图表，提升数据展示效果。
• 6️⃣ ⚡ 点击进入 AI 的工具集专栏，AI 的工具集专栏，盘点主流 AI 工具：ChatGPT、DeepSeek、 Claude、Gemini、Copilot 等。解析各工具优势，附使用场景与技巧，帮你根据需求选工具，快速上手提升效率，覆盖办公、创作、开发等场景。
• 7️⃣ ⚡ 点击进入 AI 的智能体专栏，AI 的智能体专栏，解析智能体自主运行原理，包括任务拆解、环境交互等。教你用大模型搭建简单智能体，附多智能体协作案例，适合想探索 AI 自主系统的开发者入门。
• 8️⃣ ⚡ 点击进入 AI 的大模型专栏，AI 的大模型专栏，详解大模型部署步骤，从本地搭建到云端部署。含 API 调用教程、应用开发案例，教你将大模型集成到项目，掌握企业级 AI 应用开发技能，应对实际业务需求。

一、引言：为什么要关注 Prompt 的基本结构？

在大语言模型（LLM）的应用中，很多用户会遇到这样的困惑：同样是向模型提问，有时能得到精准、有用的答案，有时却得到偏离需求、甚至毫无意义的回复。造成这种差异的核心原因之一，就是 Prompt 的结构是否清晰、完整。

想象一下，如果你向同事交代工作时只说“写个方案”，对方可能会疑惑“写什么主题的方案？给谁看？需要包含哪些内容？什么时候要？”；但如果你说“请在周五下班前，为公司新推出的智能手环写一份面向年轻消费者的推广方案，需要包含活动主题、线上线下执行步骤、预算分配这三部分，参考去年耳机推广方案的框架来写”，同事就能明确方向，高效完成任务。

LLM 就像一个需要清晰指令的“数字同事”，而 “指令 + 背景 + 示例” 的结构，正是让模型理解需求、精准输出的“沟通说明书”。据相关实践数据显示，采用规范结构的 Prompt，其输出结果的准确率比随意提问高出 60% 以上，尤其在专业领域（如编程、法律文书生成），结构的完整性直接决定了输出内容的可用性。

本章将深入拆解 Prompt 基本结构的三个核心组成部分，结合多行业案例讲解如何灵活组合运用，帮助读者掌握“让模型听话”的基础能力。

二、Prompt 基本结构拆解：三大核心组成部分

（一）指令（Instruction）：告诉模型“做什么”

指令是 Prompt 的核心，是用户明确要求模型完成的具体任务，相当于给模型的“行动命令”。指令必须清晰、具体，避免模糊的表述，否则模型会因理解偏差而输出无效内容。

1. 指令的核心要求

• 明确动作：使用动词直接定义任务，如“总结”“分析”“生成”“翻译”“修改”“对比”等，让模型知道需要执行的操作。
• 限定范围：明确任务的边界，如“总结以下文本的核心观点（不超过 300 字）”“分析这份销售数据中 2024 年 Q3 的增长原因”，避免模型输出超出需求的内容。
• 指定输出形式：根据使用场景要求模型的输出格式，如“以 Markdown 列表形式输出”“用对话体生成”“输出结构化 JSON 数据”等，提升结果的实用性。

2. 反面案例与优化

小提示： 指令越具体，输出越精准。避免使用“一些”“几个”等模糊词汇，直接指出“生成3个要点”或“列出5个步骤”。

（二）背景（Context）：告诉模型“为什么做”“基于什么做”

背景是支撑指令执行的信息基础，相当于给模型的“任务背景说明书”。它包括任务的场景、相关前提条件、数据来源、约束规则等，帮助模型理解任务的意义和边界，避免因信息缺失导致输出偏离实际需求。

1. 背景的核心作用

• 补充场景信息：让模型了解任务的应用场景，如“你是电商平台的客服，需要回复用户的退款咨询”“为科技公司的技术博客写一篇文章，读者是初级程序员”，帮助模型匹配场景化的语气和内容。
• 提供基础数据：当任务需要基于特定信息完成时，需将数据作为背景提供给模型，如“基于以下销售数据（2024 年 1 月：50 万元；2 月：65 万元；3 月：72 万元），分析季度增长趋势”“根据这份合同条款（[合同内容]），指出其中的风险点”。
• 明确约束条件：设定任务的限制规则，如“生成的文案不能包含敏感词汇（如‘绝对’‘最好’）”“回答时需使用中文，避免专业术语，让中学生能理解”“代码需兼容 Python 3.8 及以上版本”。

2. 典型场景案例

场景 1：客户服务回复

• 指令：“回复用户的咨询，安抚用户情绪并给出解决方案”
• 背景：“用户在我店购买的笔记本电脑，收到货后发现屏幕有划痕，已拍摄照片（无需让模型处理图片），用户要求换货，且希望尽快处理，订单号为 20240512001，店铺换货政策为‘7 天无理由，质量问题免费换货，运费由店铺承担’”
• 模型输出（片段）：“您好！非常抱歉给您带来了不佳的购物体验，订单号 20240512001 对应的笔记本电脑屏幕划痕问题，符合店铺 7 天无理由换货政策（质量问题），我们将为您免费安排换货，运费由店铺承担。请您先在订单后台提交换货申请，并上传屏幕划痕的照片，我们会在 24 小时内审核，审核通过后会安排快递上门取件，后续进度会通过信息告知您~”

场景 2：学术论文引言生成

• 指令：“为一篇关于‘AI 在医学影像诊断中的应用’的学术论文写一段引言（300 字左右）”
• 背景：“论文的研究方向是‘基于深度学习的肺癌 CT 影像辅助诊断’，目前行业痛点是‘传统人工诊断依赖医生经验，漏诊率约 15%，且效率低（单张 CT 需 5-10 分钟）’，本文的创新点是‘提出一种轻量化卷积神经网络模型，诊断准确率达 98%，单张 CT 处理时间缩短至 10 秒’”
• 模型输出（片段）：“医学影像诊断是肺癌早期筛查的关键环节，但传统人工诊断模式存在明显局限：一方面，诊断结果高度依赖医生的专业经验，不同医生的判断差异可能导致约 15% 的漏诊率；另一方面，单张肺部 CT 影像的人工分析需 5-10 分钟，难以满足大规模筛查的效率需求。随着人工智能技术的发展，深度学习在医学影像处理领域展现出巨大潜力。本文聚焦肺癌 CT 影像辅助诊断，提出一种轻量化卷积神经网络模型，通过优化网络结构减少参数数量，在保证诊断准确率达 98% 的同时，将单张 CT 影像的处理时间缩短至 10 秒，为肺癌早期筛查的规模化应用提供技术支撑。”

小提示： 背景信息要“刚刚好”，只提供与任务直接相关的数据、场景和约束，避免描述无关的个人感受或经历。

（三）示例（Examples）：告诉模型“怎么做才对”

示例是给模型的“参考模板”，通过具体的“输入-输出”案例，让模型理解用户期望的输出风格、格式或逻辑，尤其适用于复杂任务（如多轮对话、结构化数据生成）或需要统一风格的场景（如品牌文案、专业报告）。

根据示例数量的不同，可分为“Zero-Shot（无示例）”“One-Shot（单示例）”“Few-Shot（少示例）”，其中“少示例”在提升输出质量上效果最显著，因为模型能通过多个案例学习到更精准的规律。

1. 示例的核心设计原则

• 匹配任务类型：示例需与指令要求的任务一致，如指令是“生成产品卖点”，示例就应是“产品名称 + 卖点”的结构，而非“产品使用说明”。
• 包含关键细节：示例需体现任务的核心要求，如指令要求“突出产品性价比”，示例中就应明确包含“价格”“功能对比”等细节，让模型捕捉到重点。
• 保持格式统一：若需要模型输出特定格式（如表格、JSON），示例需严格遵循该格式，避免模型因格式混乱而输出错误结果。

2. 多场景示例应用

场景 1：商品卖点提取（Few-Shot）

• 指令：“从以下商品描述中提取 3 个核心卖点，以‘卖点：具体说明’的格式输出”
• 背景：“商品为‘家用智能扫地机器人’，描述内容：‘支持激光导航，可自动规划清扫路径，避免重复清扫；续航时间达 180 分钟，可覆盖 200 ㎡ 户型；支持手机 APP 远程控制，可预约清扫时间，同时具备地毯增压功能，清扫地毯时吸力自动提升 50%’”
• 示例：
  
  商品描述：“无线蓝牙耳机，续航 30 小时，支持主动降噪，可同时连接 2 台设备”
  卖点 1：续航强：续航时间达 30 小时，满足长期使用需求
  卖点 2：降噪效果好：支持主动降噪，减少环境噪音干扰
  卖点 3：连接灵活：可同时连接 2 台设备，切换便捷
  
  商品描述：“多功能电煮锅，支持煎、煮、炖、炒，容量 2L，不粘涂层，可拆洗锅胆”
  卖点 1：功能多样：支持煎、煮、炖、炒，满足多种烹饪需求
  卖点 2：容量适中：2L 容量，适合 1-2 人使用
  卖点 3：易清洁：采用不粘涂层，且锅胆可拆洗，清洁方便
• 模型输出：
  卖点 1：导航精准：支持激光导航，可自动规划清扫路径，避免重复清扫
  卖点 2：续航持久：续航时间达 180 分钟，可覆盖 200 ㎡ 户型，满足大空间清扫需求
  卖点 3：控制便捷且清扫高效：支持手机 APP 远程控制与预约清扫，同时具备地毯增压功能，清扫地毯时吸力自动提升 50%

场景 2：数据格式转换（One-Shot）

• 指令：“将以下‘姓名-年龄-职业’的文本格式，转换为 JSON 格式，JSON 的键为‘name’‘age’‘occupation’”
• 背景：“需要转换的文本为‘张三-35-工程师；李四-28-教师；王五-42-医生’”
• 示例：
  
  输入文本：“赵六-30-设计师；孙七-25-程序员”
  输出 JSON：
  [
  {“name”: “赵六”, “age”: 30, “occupation”: “设计师”},
  {“name”: “孙七”, “age”: 25, “occupation”: “程序员”}
  ]
• 模型输出：
  [
  {“name”: “张三”, “age”: 35, “occupation”: “工程师”},
  {“name”: “李四”, “age”: 28, “occupation”: “教师”},
  {“name”: “王五”, “age”: 42, “occupation”: “医生”}
  ]

小提示： 示例并非越多越好，通常2-3个高质量、特征鲜明的示例就能达到最佳效果，同时注意示例要覆盖任务的核心变化。

三、结构组合策略：根据场景灵活调整

“指令 + 背景 + 示例”是 Prompt 的基本结构，但并非所有场景都需要包含三个部分，需根据任务复杂度、模型熟悉度、用户需求等因素灵活调整，以下是四种常见的组合策略及适用场景。

（一）基础组合：指令 + 背景（适用简单任务）

当任务逻辑简单、模型可直接理解时，无需添加示例，仅用“指令 + 背景”即可满足需求，适用于日常问答、简单总结、基础翻译等场景。

案例：日常问答

• Prompt：“指令：解释‘Prompt Engineering’的含义，要求用通俗易懂的语言，避免专业术语；背景：读者是刚接触 AI 的大学生，需要了解这个概念的核心作用”
• 模型输出：“‘Prompt Engineering’简单来说，就是‘设计更好的提问方式’。比如你用 AI 时，不是随便问一句‘帮我写点东西’，而是明确说‘帮我写一段适合大学生的学习计划，分早晚两段’——这种通过优化提问内容，让 AI 给出更符合你需求的结果的方法，就是 Prompt Engineering。它的核心作用是帮你更高效地用 AI 解决问题，不用自己懂复杂的 AI 技术，只要会‘好好提问’就行。”

（二）精准组合：指令 + 背景 + 示例（适用复杂/专业任务）

当任务涉及专业领域（如法律、医疗、编程）、需要统一输出格式（如结构化报告、代码）或模型易产生歧义时，必须添加示例，通过“指令 + 背景 + 示例”的组合确保输出质量，适用于专业文档生成、数据处理、多轮对话等场景。

案例：法律文书片段生成

• Prompt：“指令：根据背景中的合同条款，生成‘违约责任’部分的片段（200 字左右）；背景：合同类型为‘房屋租赁合同’，出租方为甲方，承租方为乙方，租赁期限 1 年，租金每月 3000 元，乙方需提前 15 天支付下月租金；示例：‘若甲方未按合同约定时间交付房屋（延迟超过 3 天），需按当月租金的 20% 向乙方支付违约金；若房屋存在质量问题影响乙方正常使用，甲方需在 7 天内维修，维修期间减免相应天数的租金’”
• 模型输出：“若乙方未按合同约定时间支付租金（延迟超过 15 天），需按当月租金的 30% 向甲方支付违约金；若乙方提前解除合同（租赁期限未满），需提前 30 天书面通知甲方，并按剩余租赁期限总租金的 20% 支付违约金；若乙方擅自改变房屋用途（如将住宅改为商业用途），甲方有权解除合同，乙方需按当月租金的 50% 支付违约金，并恢复房屋原状。”

（三）简洁组合：指令 + 示例（适用背景简单/已知场景）

当任务背景简单（如通用场景）或背景信息已隐含在示例中时，可省略背景，仅用“指令 + 示例”，适用于格式转换、风格模仿、简单创作等场景。

案例：风格模仿（模仿诗歌风格）

• Prompt：“指令：模仿示例中的诗歌风格，写一首关于‘月亮’的短诗（4 句）；示例：‘夕阳像个橘色的灯笼/挂在村口的老树上/风一吹，晃啊晃/把影子拉得老长’”
• 模型输出：“月亮像块银色的玉盘/搁在深蓝色的天上/云一飘，转啊转/把清辉洒进窗棂”

（四）灵活组合：背景 + 指令（适用多轮对话场景）

在多轮对话中，前一轮的对话内容已成为模型的“背景”，后续提问可简化为“背景（前一轮内容） + 指令”，无需重复说明场景，适用于 Chatbot 交互、问题逐步深入等场景。

案例：多轮对话（关于 AI 学习的咨询）

• 第一轮 Prompt：“指令：推荐适合零基础学习 AI 的书籍；背景：读者是大学生，专业为计算机相关，每天可学习 1-2 小时”
• 第一轮模型输出：“推荐 3 本适合零基础的 AI 书籍：1.《人工智能：现代方法》（第 4 版）：内容全面，从基础概念到核心算法都有讲解，适合建立知识框架；2.《深度学习入门：基于 Python 的理论与实现》：注重实践，用简单的代码案例讲解深度学习，适合动手能力强的读者；3.《AI 3.0》：偏向科普，用案例解释 AI 的应用场景和原理，容易理解，适合培养兴趣。”
• 第二轮 Prompt：“背景：你之前推荐了《深度学习入门：基于 Python 的理论与实现》；指令：说明这本书的学习重点和需要提前掌握的基础知识”（注：背景为前一轮输出，无需重复其他信息）
• 第二轮模型输出：“《深度学习入门：基于 Python 的理论与实现》的学习重点：1. 深度学习的基础概念（如神经网络结构、激活函数、梯度下降）；2. 实际代码实现（用 Python 和 NumPy 手动实现神经网络，理解底层逻辑）；3. 经典模型应用（如卷积神经网络、循环神经网络在图像和文本处理中的应用）。需要提前掌握的基础知识：1. Python 基础语法（如变量、函数、循环、列表/字典操作）；2. 基础数学知识（如线性代数中的矩阵运算、微积分中的导数概念）；3. 简单的 NumPy 库使用（如数组创建、矩阵乘法）。”

小提示： 多轮对话时，你可以明确引用前一轮的输出来做背景，例如“基于你刚才提到的……”，让模型清晰地知道要处理的上下文。

四、常见问题解答

在使用“指令 + 背景 + 示例”结构时，用户常因细节疏忽导致 Prompt 效果不佳，以下是四个常见问题及对应的解决方法。

（一）问题1：指令模糊，用“需求描述”代替“行动命令”

表现：Prompt 中只描述自己的需求，未明确模型需要执行的具体动作，如“我想了解 Prompt 的结构，不知道怎么学”“公司要做一场活动，需要相关方案”。
问题：模型无法判断用户需要“解释概念”“推荐学习路径”还是“生成完整方案”，输出内容会偏向宽泛，无法满足实际需求。
解决方法：用“动词 + 任务目标”的格式明确指令，如将“我想了解 Prompt 的结构，不知道怎么学”改为“指令：为我推荐学习‘Prompt 基本结构’的路径，包含‘基础学习资料’‘实践步骤’‘常见问题’三部分”。

（二）问题2：背景信息过载，包含无关内容

表现：在背景中添加与任务无关的信息，如“指令：总结以下文本的核心观点；背景：这份文本是我上周从网上下载的，当时还看了其他几篇类似的文章，其中一篇讲的是 AI 发展历史，这份文本的作者是某某教授，他之前还写过XX书，文本内容如下：[文本内容]”。
问题：无关信息会增加模型的理解负担，甚至让模型误将无关内容作为分析对象，导致输出偏离核心。
解决方法：背景只保留与任务直接相关的信息，删除冗余内容，如上述案例可优化为“指令：总结以下文本的核心观点（不超过 200 字）；背景：文本内容如下：[文本内容]”。

（三）问题3：示例与任务不匹配，模型“学错方向”

表现：示例的任务类型、格式或核心要求与指令不一致，如“指令：生成产品宣传语（突出性价比）；示例：‘这款手机外观时尚，采用曲面屏设计，颜色有黑色、白色、蓝色三种’”。
问题：示例中未体现“性价比”，模型会误以为需要突出“外观”，导致生成的宣传语偏离需求。
解决方法：确保示例与指令的核心要求一致，如上述案例的示例应改为“‘这款手机售价 2500 元，搭载最新处理器，性能接近 4000 元价位的手机，性价比拉满’”。

（四）问题4：过度依赖示例，忽略指令与背景的明确性

表现：认为“只要示例多，模型就会做”，从而简化或省略指令与背景，如“指令：处理以下数据；示例：[数据 1 及处理结果]、[数据 2 及处理结果]；背景：[大量未筛选的数据]”。
问题：模型虽能通过示例学习到部分规律，但因指令未明确“处理目标”（如筛选、计算、转换格式），可能会出现“部分正确、部分错误”的情况，且无法应对示例中未覆盖的场景。
解决方法：示例是“辅助”，指令与背景才是“核心”，需先明确指令（如“指令：计算以下数据中每月的平均销售额”）和背景（如“背景：数据为 2024 年 1-3 月的日销售额，格式为‘日期-销售额’”），再添加示例验证规律。

五、实战训练：从理论到实践的 Prompt 设计

为帮助读者巩固“指令 + 背景 + 示例”的结构应用，以下提供两个实战任务，包含“任务要求”“Prompt 设计思路”“参考 Prompt”“预期输出”四部分，读者可根据自身需求调整，并尝试独立设计 Prompt。

实战任务 1：编程代码生成（Python 数据可视化）

1. 任务要求

基于给定的销售数据（2024 年 1-6 月，每月销售额分别为：50 万、65 万、72 万、68 万、80 万、95 万），用 Python 生成折线图。折线图需包含标题（“2024 年 1-6 月销售额趋势”）、X 轴（月份）、Y 轴（销售额，单位：万元）、数据标签（每个点标注具体销售额）。代码需包含注释，且使用 matplotlib 库。

2. Prompt 设计思路

• 指令：明确“生成 Python 代码”“代码功能（用 matplotlib 画折线图）”“代码要求（包含注释、图表元素）”。
• 背景：提供“销售数据”“图表元素细节（标题、坐标轴、数据标签）”。
• 示例：因编程任务对格式和逻辑要求高，需提供简单的 matplotlib 折线图示例，让模型理解代码结构。

3. 参考 Prompt

指令：生成一段 Python 代码，要求如下：
1. 使用 matplotlib 库绘制折线图；
2. 代码需包含详细注释（解释关键步骤）；
3. 折线图需包含标题、X 轴标签、Y 轴标签、数据标签（每个数据点标注具体数值）；
背景：折线图的数据源为“2024 年 1-6 月销售额”，具体数据：1 月 50 万元、2 月 65 万元、3 月 72 万元、4 月 68 万元、5 月 80 万元、6 月 95 万元；图表标题为“2024 年 1-6 月销售额趋势”，X 轴为“月份”（1-6 月），Y 轴为“销售额（单位：万元）”；
示例：
# 导入 matplotlib 库
import matplotlib.pyplot as plt

# 准备数据（2023 年 7-12 月销售额）
months = ['7 月', '8 月', '9 月', '10 月', '11 月', '12 月']
sales = [45, 52, 58, 55, 63, 70]

# 创建画布与子图
plt.figure(figsize=(10, 6))  # 设置画布大小
plt.plot(months, sales, marker='o', color='blue')  # 绘制折线图，添加数据点标记

# 添加图表元素
plt.title('2023 年 7-12 月销售额趋势', fontsize=14)  # 标题
plt.xlabel('月份', fontsize=12)  # X 轴标签
plt.ylabel('销售额（单位：万元）', fontsize=12)  # Y 轴标签

# 添加数据标签（每个数据点标注具体数值）
for x, y in zip(months, sales):
    plt.text(x, y + 1, str(y), ha='center', fontsize=10)  # y+1 避免标签与数据点重叠

# 显示图表
plt.show()

4. 预期输出

# 导入 matplotlib 库（用于绘制折线图）
import matplotlib.pyplot as plt

# 准备数据（2024 年 1-6 月销售额）
months = ['1 月', '2 月', '3 月', '4 月', '5 月', '6 月']  # X 轴（月份）数据
sales = [50, 65, 72, 68, 80, 95]  # Y 轴（销售额）数据

# 创建画布与子图，设置画布大小为 10*6（宽*高），确保图表清晰
plt.figure(figsize=(10, 6))

# 绘制折线图：指定 X/Y 轴数据，添加圆形数据点标记（marker='o'），线条颜色为深蓝色
plt.plot(months, sales, marker='o', color='darkblue', linewidth=2)

# 添加图表核心元素，设置字体大小以保证可读性
plt.title('2024 年 1-6 月销售额趋势', fontsize=14, fontweight='bold')  # 图表标题，加粗突出
plt.xlabel('月份', fontsize=12)  # X 轴标签，说明坐标轴含义
plt.ylabel('销售额（单位：万元）', fontsize=12)  # Y 轴标签，包含单位信息

# 为每个数据点添加具体销售额标签，避免标签与数据点重叠（y+2 微调位置）
for x, y in zip(months, sales):
    plt.text(x, y + 2, f'{y} 万', ha='center', fontsize=10)  # 标签格式为“数值+单位”，居中对齐

# 调整 Y 轴范围，从 40 开始，避免数据点贴近坐标轴底部，提升图表美观度
plt.ylim(40, 100)

# 显示网格线（虚线），帮助读者更直观地读取数据
plt.grid(True, linestyle='--', alpha=0.7)

# 显示绘制完成的折线图
plt.show()

实战任务 2：教育场景（生成数学练习题）

1. 任务要求

为小学 5 年级学生生成 5 道“小数乘法”练习题，包含“题目”和“参考答案”。题目难度：两个小数相乘，其中一个小数是一位小数（如 0.5、3.2），另一个是两位小数（如 0.12、4.56），结果保留两位小数。格式：每道题按“题目 X：[题目内容] 参考答案：[答案]”的形式输出。

2. Prompt 设计思路

• 指令：明确“生成练习题”“题目数量（5 道）”“题目类型（小数乘法）”“格式（题目+参考答案）”。
• 背景：明确“目标学生（小学 5 年级）”“题目难度（一位小数×两位小数，结果保留两位小数）”。
• 示例：因需要统一格式和难度，提供 1 道示例题，让模型理解题目结构和难度。

3. 参考 Prompt

指令：为目标学生生成 5 道数学练习题，要求如下：
1. 题目类型为“小数乘法”；
2. 每道题包含“题目”和“参考答案”；
3. 格式为“题目 X：[题目内容]参考答案：[答案]”（X 为题目序号，1-5）；
背景：目标学生为小学 5 年级，题目难度：两个小数相乘，一个是一位小数（如 2.3、0.8），另一个是两位小数（如 1.25、0.36），计算结果保留两位小数（若结果末尾有 0，需化简，如 1.50 化简为 1.5）；
示例：题目 0：3.2 × 0.45参考答案：1.44（计算过程：3.2×0.45=1.44，结果保留两位小数为 1.44）

4. 预期输出

• 题目 1：2.5 × 0.36 参考答案：0.9（计算过程：2.5×0.36=0.90，保留两位小数后化简为 0.9）
• 题目 2：0.7 × 5.12 参考答案：3.58（计算过程：0.7×5.12=3.584，保留两位小数为 3.58）
• 题目 3：4.8 × 0.25 参考答案：1.2（计算过程：4.8×0.25=1.20，保留两位小数后化简为 1.2）
• 题目 4：1.6 × 3.78 参考答案：6.05（计算过程：1.6×3.78=6.048，保留两位小数为 6.05）
• 题目 5：0.9 × 7.45 参考答案：6.71（计算过程：0.9×7.45=6.705，保留两位小数为 6.71）

六、总结与下一步学习建议

（一）本章核心总结

• 结构本质：Prompt 的“指令 + 背景 + 示例”结构，本质是“清晰沟通”的逻辑，通过明确“做什么”“基于什么做”“怎么做才对”，降低模型的理解成本，提升输出质量。
• 应用原则：
  - 简单任务：优先用“指令 + 背景”，避免冗余；
  - 复杂/专业任务：必须用“指令 + 背景 + 示例”，确保精准；
  - 多轮对话：灵活利用“前一轮内容”作为背景，简化 Prompt。
• 避坑关键：指令要“具体”，背景要“相关”，示例要“匹配”，避免模糊、冗余和错位。

（二）下一步学习建议

• 实践练习：选择自己熟悉的领域（如工作中的报告生成、学习中的资料整理），尝试用本章的结构设计 Prompt，对比“结构化 Prompt”与“随意提问”的输出差异，总结优化经验。
• 深入学习：本章讲解的是 Prompt 的“基础结构”，后续可进一步学习“进阶技巧”（如 Chain-of-Thought 思维链、Prompt Chaining 串联），以及不同模型（如 ChatGPT、Claude）对 Prompt 结构的偏好差异。
• 案例积累：建立自己的“Prompt 案例库”，将优质的“指令 + 背景 + 示例”组合记录下来，方便后续同类任务直接复用或修改，提升效率。

联系博主

xcLeigh 博主，全栈领域优质创作者，博客专家，目前，活跃在CSDN、微信公众号、小红书、知乎、掘金、快手、思否、微博、51CTO、B站、腾讯云开发者社区、阿里云开发者社区等平台，全网拥有几十万的粉丝，全网统一IP为 xcLeigh。希望通过我的分享，让大家能在喜悦的情况下收获到有用的知识。主要分享编程、开发工具、算法、技术学习心得等内容。很多读者评价他的文章简洁易懂，尤其对于一些复杂的技术话题，他能通过通俗的语言来解释，帮助初学者更好地理解。博客通常也会涉及一些实践经验，项目分享以及解决实际开发中遇到的问题。如果你是开发领域的初学者，或者在学习一些新的编程语言或框架，关注他的文章对你有很大帮助。

亲爱的朋友，无论前路如何漫长与崎岖，都请怀揣梦想的火种，因为在生活的广袤星空中，总有一颗属于你的璀璨星辰在熠熠生辉，静候你抵达。

愿你在这纷繁世间，能时常收获微小而确定的幸福，如春日微风轻拂面庞，所有的疲惫与烦恼都能被温柔以待，内心永远充盈着安宁与慰藉。

至此，文章已至尾声，而您的故事仍在续写，不知您对文中所叙有何独特见解？期待您在心中与我对话，开启思想的新交流。