如何给出一个好的Prompt？

“提示工程（Prompt Engineering）”是使用大模型（如 GPT、Claude、Gemini、文心等）时最核心、最具影响力的能力之一。 它决定了模型能否正确理解你的意图、输出高质量内容、甚至具备“专家级”行为。

下面我会系统讲清楚：

提示工程（Prompt Engineering） 是一种设计与优化输入提示（Prompt）的方法，使大语言模型在没有修改参数的前提下，以最符合预期的方式工作。

换句话说： 模型是“通才”，但提示（Prompt）让它变成“专家”。

大语言模型并不是在“理解你的问题”， 而是在根据提示的文字模式预测最可能的输出。

所以：

📘 举个例子：

❌ 普通提示： 写一篇关于人工智能的文章。

✅ 优化提示： 你是一名科技专栏作者，请写一篇1000字的文章，主题是“人工智能如何改变制造业”， 要求： - 开头用一个真实案例引入； - 中间分析3个具体变化； - 最后提出未来趋势预测； - 用正式中文风格。 ➡ 输出质量差异巨大。

一个优秀的 Prompt 并不是一句话，而是一个结构化的“指令框架”，让大模型在上下文中理解 角色 → 任务 → 信息 → 输出要求。

可以总结为一句公式：

🧩 Prompt = Role + Task + Context + Input + Output Instruction

即：

角色指令 + 任务目标 + 背景上下文 + 输入内容 + 输出要求

下面逐一说明 👇

让模型“进入身份”，以特定视角思考问题。 角色越具体、专业性越强，输出越稳定。

示例：

你是一名拥有10年经验的数据分析师。

你是一名专业的心理咨询师，善于用共情的方式引导对话。 🧠 作用：约束模型语气、知识领域与推理方式。

告诉模型要做什么、目标是什么。 任务描述越明确、越具体，模型越容易对齐预期。

示例：

请分析以下销售数据的趋势，并给出3条改进建议。

请将下面的英文邮件翻译成正式的中文商务语气。 🧠 作用：确定模型要执行的“动作类型”。

提供模型所需的知识、资料、样例或场景。 在 RAG 或业务场景中尤其重要。

示例：

以下是公司2024年第一季度销售报告摘要： - 北区销售增长15% - 南区下降8%

或者：

以下是用户的购买记录和客服聊天记录。 🧠 作用：让模型具备必要的信息，不再“胡编”。

这是 Prompt 的动态部分，即用户的实际问题或任务输入。 在系统化提示模板中，通常是一个变量，如：

用户输入：{{user_query}}

示例：

输入：请帮我解释“检索增强生成（RAG）”的原理。 🧠 作用：模型基于任务和上下文处理该输入。

明确告诉模型怎么输出：格式、语气、语言、长度、结构等。 这一步非常关键，会极大影响结果质量与一致性。

示例：

请以 Markdown 格式输出，包含标题、小节和项目符号。

回答控制在200字以内，用正式中文语气。

输出格式： 1. 问题分析 2. 解决方案 3. 建议总结 🧠 作用：控制输出可读性、结构化、稳定性。

以下是一个完整的、典型结构化 Prompt 模板：

[角色设定] 你是一名经验丰富的商业顾问，擅长市场趋势分析。

[任务说明] 请根据以下输入数据，撰写一份市场趋势分析报告。

[上下文] 背景：我们正在评估智能家居市场的潜力。

[输入内容] 数据： - 2024年市场规模增长 25% - 中国与东南亚增长最显著 - 用户偏好：语音助手、节能控制系统

[输出要求] 1. 输出一份结构化分析报告； 2. 包含三个部分：市场概况、增长驱动因素、风险与建议； 3. 报告长度约 500 字； 4. 使用正式商务语气。 ✅ 输出结果将是一份结构清晰、内容严谨的商业分析报告。 ❌ 如果只写一句“分析一下智能家居市场”，模型输出就会随机、片面。

┌────────────────────────────────────────────┐ │ Prompt 结构示意 │ ├────────────────────────────────────────────┤ │ ① Role（角色设定） │ │ → 你是谁？以什么身份完成任务？ │ │ │ │ ② Task（任务说明） │ │ → 要做什么？目标是什么？ │ │ │ │ ③ Context（背景上下文） │ │ → 提供的相关信息或知识来源？ │ │ │ │ ④ Input（输入内容） │ │ → 当前需要处理的具体问题？ │ │ │ │ ⑤ Output Instruction（输出要求） │ │ → 输出格式、语气、长度、结构？ │ └────────────────────────────────────────────┘ 在不同场景下的 Prompt 构成差异应用场景核心构成重点问答机器人强上下文、强格式输出（RAG结合）代码生成强任务说明、明确输入输出结构文本写作强角色设定、语气与风格要求数据分析强任务目标、明确输出格式（表格/报告）教育/解释型应用强推理链与分步思考可编程化 Prompt（Template 形式）在企业或产品中，我们常会将 Prompt 模板化，例如：

PROMPT_TEMPLATE = """ 你是一名{role}。 任务：{task} 背景信息： {context}

用户问题： {input}

输出要求： {output_instruction} """

然后在代码中注入变量：

prompt = PROMPT_TEMPLATE.format( role="专业技术顾问", task="解释给定的技术原理", context="该原理来自公司内部AI引擎文档", input="请解释RAG的工作机制。", output_instruction="用通俗易懂的语言，限制在150字内。" ) 总结：Prompt 的五要素口诀 🧭“定角色，明任务；给上下文，看输入；定格式，控输出。”