【提示词工程】提示词工程笔记：从核心思想到实战代码

🔗 前置知识：大模型调用部署知识
📅 更新日期：2026-06-09

1. 什么是提示词工程？

简单说，提示词（Prompt）就是我们向大模型发出的指令，引导大模型进行内容生成的命令，也就是你在网页端输入的那段话，比如：

• “讲个笑话”
• “用 Python 写一个贪吃蛇游戏”
  而提示词工程（Prompt Engineering），就是通过有技巧地设计和优化这些指令，让模型输出尽可能符合我们预期的内容，并且持续迭代改进这个过程。

它不是一次性写一句话那么简单，而是一套系统的方法论：怎么把任务说清楚、怎么给模型立人设、怎么约束格式、怎么提供示例……都是提示词工程的范畴。

2. 一条优秀提示词的基本结构

很多时候我们写提示词有一个习惯：只把需求问题简单的一口气扔进去。
但其实，只要掌握下面这个六要素框架，提示词质量和生成内容质量会上一个台阶。

六要素框架

1. 设定角色与能力
   告诉模型“你是谁”，它能用什么知识、以什么视角来回答。
2. 明确核心请求与任务
   你到底想让模型做什么，一句话讲清楚。
3. 按步骤拆解复杂任务
   把大任务拆成几个小步骤，减少模型“偷懒”或跑偏的可能。
4. 指定风格与语气
   是要学术严谨，还是要小红书体，还是口语化课堂风？直接说。
5. 明确输出格式
   是要 JSON、Markdown 表格、分点列举，还是有特殊结构？白纸黑字写清楚。
6. 提供输入输出示例
   给一个或几个范例，模型会模仿得非常像。这就是后面要说的 Few-shot 思想在提示词里的直接应用。

实际例子：
假设我们的需求是：向高中生解释法国大革命爆发的主要原因。
如果我们把这六要素用上，提示词会变成这样：

你是一名经验丰富的历史老师，擅长用生动有趣的方式讲述复杂的历史事件。现在，请完成以下任务：

1. 核心任务
向一位高中生解释法国大革命爆发的主要原因。

2. 表达要求

• 语气与风格：使用简洁、口语化、充满课堂热情的语气，避免学术黑话，整体叙事可以借鉴《人类群星闪耀时》中对历史关键时刻的描写手法，富有画面感和戏剧性。
• 内容禁忌：聚焦于原因分析，不要罗列冗长的日期和事件过程表。

3. 内容与结构要求

• 开头：先用一段话，生动描述革命前法国社会的总体氛围和紧张感（即背景概述）。
• 主体：分别从政治、经济、思想三个层面阐述直接原因。每个层面提炼 2 个关键点，并为每个关键点配 1 个具体、有说服力的史实例子。
• 结尾：提供一个帮助学生记忆的妙招。

4. 输出格式
请严格按照以下结构组织你的回答：

【历史现场氛围】
（在这里写你的背景概述）

【危机根源解析】

• 政治层面：
  关键点1：…… 例子：……
  关键点2：…… 例子：……
• 经济层面：
  关键点1：…… 例子：……
  关键点2：…… 例子：……
• 思想层面：
  关键点1：…… 例子：……
  关键点2：…… 例子：……

【记忆法宝】
（请提供一个巧妙的比喻、口诀或联想图像，将这三大层面串联起来，方便学生瞬间记忆）

这其实就是一个把六要素全部落地了的提示词。模型拿到它，会非常清楚自己该干什么、怎么干、输出长什么样。

可以把这六要素简单记忆为：角色、任务、步骤、风格、格式、示例。

3. 这几个要素一定要全部用上吗？

当然不是。
我认为这不是死板的公式，而是一套指导思路，你可以根据任务的复杂程度灵活增减：

• 简单任务（比如“翻译以下内容”），可能只需要核心任务 + 输出格式。
• 复杂任务（比如“写一份竞品分析报告”），就可能需要把六个要素都用上，甚至还要加上更多约束（如字数限制、需要考虑的维度）。

当然同理，除了这六点，你还可以根据具体场景加入其它技巧，比如：

• 要求模型先思考再作答（思维链）
• 要求模型自我检查输出内容
• 使用分隔符清晰地隔开不同信息块

重点不是套模板，而是让模型完全理解你的意图，没有歧义。不同的写法只要能达成目的，就是好提示词。所以，提示词的编写没有绝对的“唯一正确格式”，更看重是否贴合业务需求和预期效果。

4. 底层思维：Zero-shot 与 Few-shot

我们在学习提示词的时候，一定会碰到这两个词。它们不仅是模型训练中的概念，更是提示词工程中两个非常重要的思想。

4.1 Zero-shot（零样本）

Zero-shot（零样本）：指在训练阶段不存在与测试阶段完全相同的类别，但是模型可以使用训练过的知识来推广到测试集中的新类别上。这种能力被称为“零样本”学习，因为模型在训练时从未见过测试集中的新类别，这种思想在模型训练和提示词优化中均有体现。
对于提示词来说，简单理解为：不提供任何示例，直接向模型描述任务让它执行。

比如：

请判断以下评论是正面还是负面：
“这个手机用了一天就卡死了。”

你只给了任务描述，没有给任何示例，这就是 Zero-shot 提示。

4.2 Few-shot（少样本）

Few-shot（少样本）：是指少样本学习，当模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习。这种思想同时也在模型训练和提示词优化中均有体现。
对于提示词来说，简单理解为：在提示词里给出几个示例，让模型照着示例的模式输出。
对应地，One-shot 就是只给一个示例，属于 Few-shot 的一种特殊情况。

比如：

请判断评论情感倾向（正面/负面）。
示例1：
评论：“质量很好，非常满意。” → 正面
示例2：
评论：“客服态度差，再也不买了。” → 负面

现在请判断：
“物流快得超乎想象。” →

模型会根据给的示例，大概率输出“正面”。

4.3 这两种思想在提示词框架中的位置

其实，Few-shot 就是我们前面说的“提供输入输出示例”这一步的底层逻辑。
而 Zero-shot 则是我们日常最常用的“直接问”的方式。

一般来说，任务越复杂、输出格式要求越严格，就越推荐使用 Few-shot，它能显著提高输出的稳定性和准确性。

5. 调用大模型知识回顾

在真正进入案例之前，我们需要回顾最基础的调用代码。
这里以 DeepSeek 的 API 为例（OpenAI 兼容格式）。

# 安装必要库: pip install openaiimportosfromopenaiimportOpenAI client=OpenAI(api_key=os.environ.get('DEEPSEEK_API_KEY'),# 从环境变量读取密钥，更安全base_url="https://api.deepseek.com")response=client.chat.completions.create(model="deepseek-v4-pro",# 使用的模型名称，注意要和你的 API Key 匹配messages=[{"role":"system","content":"You are a helpful assistant"},{"role":"user","content":"Hello"},],stream=False,reasoning_effort="high",extra_body={"thinking":{"type":"enabled"}})print(response.choices[0].message.content)

关键点解析：

client.chat.completions.create里包含：

• model：字符串，指定要调用的模型，必须是你 API Key 有权限访问的模型名。
• messages：一个列表，列表中的每个元素是一个字典，代表对话中的一条消息。
  • {"role": "system", "content": "..."}：系统消息，用来设定模型的角色和能力。
  • {"role": "user", "content": "..."}：用户消息，用来发送你的任务和要求。
  • 在多轮对话中，还会包含{"role": "assistant", "content": "..."}作为历史回复。
• stream：是否流式输出，这里设为False表示一次性返回完整结果。
• 其他参数如reasoning_effort、extra_body等，不同模型可能有所区别，可根据业务需要调整。
  最终的回复内容从response.choices[0].message.content中取出。

这段代码是后续提示词实践的基础，后面的案例会重点关注messages。

6. 实战案例：文本语义匹配

下面我们来看一个完整案例。
任务：判断两句话是否语义匹配，回答“是”、“不是”或“不确定”。我们将使用 Few-shot 思想，在提示词中嵌入多个示例，让模型稳定输出。

fromopenaiimportOpenAIimportos client=OpenAI(api_key=os.environ.get('DEEPSEEK_API_KEY'),base_url="https://api.deepseek.com")# 准备好的示例数据：给模型展示什么是“匹配”与“不匹配”examples_data={"是":[("公司ABC发布了季度财报，显示盈利增长。","财报披露，公司ABC利润上升。"),("公司ITCAST发布了年度财报，显示盈利大幅度增长。","财报披露，公司ITCAST更赚钱了。")],"不是":[("黄金价格下跌，投资者抛售。","外汇市场交易额创下新高。"),("央行降息，刺激经济增长。","新能源技术的创新。")]}# 待判断的问题questions=[("利率上升，影响房地产市场。","高利率对房地产有一定的冲击。"),("油价大幅度下跌，能源公司面临挑战。","未来智能城市的建设趋势越加明显。"),("股票市场今日大涨，投资者乐观。","持续上涨的市场让投资者感到满意。")]# 第一步：构建 system prompt，简要说明任务，并提示参考示例messages=[{"role":"system","content":"你帮我完成文本匹配，我给你2个句子，每个句子分别被[]包围，""你判断它们是否匹配，回答是或不是，如果实在判断不出来可以回答不确定，""请参考如下示例："},]# 第二步：把示例按“user/assistant”交替的形式塞进 messagesforkey,valueinexamples_data.items():fortinvalue:messages.append({"role":"user","content":f"句子1：[{t[0]}]，句子2：[{t[1]}]"})messages.append({"role":"assistant","content":key})# 第三步：对每个待判断的问题，追加到 messages 后面调用模型forqueinquestions:# 注意：这里每次调用都使用初始的 messages + 当前问题，不会把之前的回答带入下一次请求response=client.chat.completions.create(model="deepseek-v4-pro",messages=messages+[{"role":"user","content":f"句子1：[{que[0]}],句子2：[{que[1]}]"}],)print(response.choices[0].message.content)

代码解读与注意点：

• 我们将examples_data中每个示例构造成一轮对话：用户给出两个句子，助手回答“是”或“不是”。这样模型就学会了这个任务的模式，这就是Few-shot 的应用。
• 所有示例都预先放入messages，成为固定的上下文。对于每个待测问题，我们复制整份上下文再加上新问题，避免之前的预测结果污染下一个问题的判断。
• 输出格式没有额外约束，模型会直接返回“是”、“不是”或“不确定”，因为示例已经固定了这个模式。如果想进一步约束，也可以在system中加上“只回复一个字”之类的指令。

把今天的所有内容梳理成一句话：

用清晰的指令和结构，降低模型的理解成本，同时用示例对齐模型的输出风格。

如果再精简一点，记住这三点就能应对绝大多数场景：

• 角色 + 任务：让模型知道自己是谁、要干什么。
• 约束 + 格式：把输出范围框定下来，避免跑偏。
• 示例驱动：能用 Few-shot 尽量用 Few-shot，稳定性远高于 Zero-shot。

以上为个人学习总结，旨在梳理个人理解。如有疏漏或不当之处，欢迎指正与交流。如果文章对你有帮助，别忘了点个赞、留个言，让更多的小伙伴看到～ 我们下篇再见！