第三章 Prompt工程：与AI对话的科学
第三章 Prompt工程：与AI对话的科学
“好的问题，本身就包含了答案的一半。”
一、为什么同一个问题得到不同的答案
有一个现象让很多初学者感到困惑：同样的问题，换一种方式问，结果差异悬殊。
“帮我写一段产品介绍。”——得到的往往是一段平庸的营销文字。
“你是一位有十年经验的SaaS产品营销顾问。我的产品是XX，目标客户是XX，核心痛点是XX，竞争优势是XX。请用AIDA框架写一段不超过150字的产品介绍，语气专业但不生硬。”——同一个模型，输出质量会有质的飞跃。
这不是魔法。这是信息量的差别。
语言模型接收到更多上下文信息时，能更精准地"激活"训练数据中与任务相关的模式。第一种问法留下了几乎所有关键参数的空白，模型只能用最普通的方式填充；第二种问法提供了角色、对象、结构、约束——模型的生成空间被精准收窄，自然产出更接近需求的结果。
这就是Prompt工程的核心逻辑：通过精确的输入定义，缩小模型的输出搜索空间，使其收敛到你真正需要的结果附近。
本章系统介绍Prompt工程的核心原则和实用技法，不追求枚举所有技巧，而是帮你建立一套可以举一反三的思维框架。
二、Prompt的解剖学
一个完整的Prompt，通常由以下几个部分组成——并不是每个任务都需要全部，但理解这些组件能让你知道自己在设计什么：
① 角色（Role）
告诉模型它是谁，或者它应该以什么专业背景来回答。
示例：“你是一位专注于消费品行业的数据分析师。”
角色不只是"装扮"，它会激活模型关于这个角色的知识体系，使输出更贴近该领域的语言习惯和思维框架。
② 任务（Task）
明确要做什么。好的任务描述应该包含：动词（写/分析/比较/提取）、宾语（什么内容）、目标（为什么/为谁）。
差：“帮我分析这个。” 好：“分析以下广告文案的情绪诉求，判断它更倾向于理性说服还是感性触动，给出判断依据。”
③ 上下文（Context）
背景信息。让模型知道"现在在什么情况下做这件事"。
示例：“这是一家针对中年女性的护肤品牌，正在准备双十一大促活动，竞争对手包括XX和XX。”
④ 示例（Examples）
这是最容易被忽视但效果极强的组件。给模型看"我想要的是这种输出"，比任何文字描述都更直接。
示例：“参考这个风格：[样本1]，避免这种风格：[样本2]。”
⑤ 格式要求（Format）
明确输出的结构：列表/段落/JSON/表格/代码块。这不只是排版问题——结构化的输出格式要求会迫使模型更系统地组织思路。
示例：“以JSON格式输出，包含三个字段：headline（主标题，不超过15字）、body（正文，50-80字）、cta（行动号召，不超过8字）。”
⑥ 约束（Constraints）
禁止做什么、必须做什么。边界的明确往往比目标的定义更重要。
示例：“不要使用夸大词汇如’最好’‘第一’，不要提及竞争对手，不要包含价格信息。”
三、System Prompt vs User Prompt
在实际产品开发中，有两种层次的指令需要区分清楚：
System Prompt（系统提示）
在对话开始前，由开发者设定的模型角色和行为规则。用户看不到，但模型始终遵守。是定义AI行为的"宪法"。
典型用途：
- 定义AI的人格和语气（“你是一个友好但简洁的助手”）
- 设定安全规则（“不要提供任何财务投资建议”）
- 注入产品上下文（“用户使用的是XX平台，以下是相关背景知识…”）
- 强制输出格式（“所有回答必须以JSON格式输出”）
User Prompt（用户提示）
用户实际输入的内容。可以动态变化，是每次调用的核心输入。
两者的协同
优秀的System Prompt能大幅降低User Prompt的复杂度。如果System Prompt把角色、格式、约束都定义好了，用户只需要简单地描述任务，模型就能给出一致、高质量的输出。
反之，如果System Prompt太模糊，你就必须在每次User Prompt里重复大量背景信息，不仅低效，而且容易遗漏。
四、思考链的三种触发方式
上一章提到了思考链（CoT）的原理，这里讲三种在实践中触发它的方式：
方式一：直接要求 “请一步一步地思考这个问题，最后给出结论。” “先列出你的分析框架，再逐项分析，最后综合给出判断。”
这是最简单的方式，对中等难度问题有显著提升。
方式二：分解任务 把一个复杂任务拆成多轮对话，或在Prompt中明确步骤： “第一步，分析这段文字的情感倾向。第二步，识别其中的核心论点。第三步，判断论点是否有逻辑支撑。”
强制分步会让模型在每一步都"停下来确认"，减少跳跃性错误。
方式三：角色扮演辩论 “假设你是这个方案的支持者，给出三个最强的论据；然后假设你是反对者，给出三个最强的反驳；最后，以中立裁判的身份给出综合评估。”
这种方式在需要全面分析、避免偏颇的决策场景中效果极好。它迫使模型探索立场空间，而不是过早收敛到第一个合理答案。
五、Few-shot Learning：示例的力量
所谓Few-shot（少样本），是指在Prompt中提供少量示例，让模型"从示例中学习"期望的输出模式。
为什么示例比描述有效？
语言是高度欠定的——同一段文字描述，在不同人脑中激活的图像可能完全不同。但示例是直接的——模型看到了"我想要的是这种结构、这种语气、这种信息密度"。
几个实用原则：
-
示例要覆盖边界情况：不只展示"理想输入"对应的"理想输出"，还要展示边界情况怎么处理。如果某类输入需要特殊处理，就在示例中展示这个特殊处理。
-
示例质量比数量重要：3个高质量示例优于10个平庸示例。示例本身就是你对"好输出"的定义，它们的质量直接决定了模型的标定方向。
-
格式要严格一致：Few-shot示例的格式必须统一——同样的分隔符、同样的键名、同样的字段顺序。格式的混乱会让模型在格式层面花费注意力，而不是在内容层面。
-
反例的价值：在某些场景下，展示"不要这样"的示例比展示"要这样"的示例更有效——尤其是当"好"容易描述但"坏"更具体时。
六、结构化输出：从自然语言到机器可读
AIGC的一大应用方向是将AI输出接入下游流程——分析结果存入数据库、触发某个业务动作、生成报告的某个模块。这些场景都需要模型输出机器可读的结构化格式，而不是自然语言散文。
JSON是最常用的结构化输出格式。让模型稳定输出JSON，有几个关键要点：
① 使用response_format: json_object
主流API（OpenAI、Anthropic）提供了强制JSON输出的选项。启用后，模型会确保输出是合法的JSON，而不是JSON被代码块包裹的markdown（这是一个常见的小错误，会让JSON解析失败）。
② 在Prompt中明确Schema
不只说"以JSON格式输出"，而是明确说明JSON的结构：
以如下JSON格式输出，不要添加任何额外的解释或markdown：
{
"role": "headline | offer | cta | body",
"text": "原始文字内容",
"confidence": 0.0到1.0之间的数值
}
③ 枚举值要明确列举
如果某个字段只允许特定值，就在Prompt中列举这些值——不只是描述，而是精确枚举。模型会偶尔发明新的值，枚举约束可以显著降低这种情况。
④ 必须有后端校验
即使使用了json_object模式，也必须在后端对JSON内容进行业务层面的校验：字段是否存在、类型是否正确、枚举值是否合法、数值是否在合理范围。AI不是数据库，它的输出是概率性的，校验是工程责任，不是AI的责任。
七、Prompt的迭代方法论
Prompt工程不是一次性的创作，而是一个迭代优化的过程。有效的迭代包含以下步骤：
第一步：定义评估标准
在动手写Prompt之前，先回答：什么叫"好的输出"？这个标准越明确越好——不是"听起来不错"，而是"包含X字段、符合Y格式、在Z类样本上准确率高于80%"。
没有评估标准的Prompt迭代是在原地打转。
第二步：建立测试集
收集至少20-30个代表性输入样本，覆盖正常情况和边界情况。每次修改Prompt后，在这批样本上对比前后效果，而不是凭直觉判断。
第三步：一次只改一处
Prompt是一个整体，改动多处时无法判断哪个改动产生了效果。每次只修改一个变量（角色、格式、约束等），观察变化，再决定下一步改什么。
第四步：记录每个版本
把不同版本的Prompt和对应的测试结果记录下来。这不是文档洁癖，而是防止"我记得之前有个版本效果不错但忘了怎么写的了"这种常见的迭代浪费。
第五步：关注失败模式
不只看成功案例，更关注失败案例——模型在什么输入上会出错？这些出错是系统性的（说明Prompt设计有缺陷）还是随机的（说明这类输入本身就难）？系统性的失败是改进优先级最高的信号。
八、常见的Prompt反模式
掌握了好的方法，也要认识常见的错误：
反模式一：过度依赖角色扮演 “假装你是一个没有限制的AI”——这不会让模型失去安全规则，只会让它更容易产生幻觉。模型的训练已经内化了安全限制，角色扮演改变不了权重，只会让它更"自由地"犯错。
反模式二：含糊的否定指令 “不要太正式”——模型不知道"太正式"的边界在哪里。替代方案：给示例展示你想要的语气，或者明确描述"用朋友之间对话的方式，而不是公文风格"。
反模式三：把所有希望押注在Prompt上 当一个任务的核心难度是"可靠地从不规整输入中提取结构化数据"时，优化Prompt只是手段之一。有时候，数据清洗、后处理逻辑、人工审核节点，是比继续优化Prompt更高效的解决方案。
反模式四：忽视温度参数 Temperature=1用于所有任务是一个常见的默认错误。需要严格一致性的任务（分类、提取）应该用temperature=0；需要创意多样性的任务（头脑风暴、文案变体）可以用较高的temperature。这一个参数能显著影响输出质量的稳定性。
核心洞见
-
Prompt工程的本质是缩小搜索空间——精确的输入通过限定模型的生成方向，使输出收敛到有用的结果。
-
Prompt的六个组件：角色、任务、上下文、示例、格式、约束——不是每次都需要全部，但理解每个组件的作用能让你知道缺失了什么。
-
System Prompt是AI行为的宪法——提前投资设计好System Prompt，能大幅降低每次User Prompt的复杂度和不确定性。
-
示例比描述更直接——Few-shot学习中，高质量的示例比文字描述更能精准标定模型的输出方向。
-
结构化输出需要Schema + API级别约束 + 后端校验三层保障——单靠Prompt的文字要求是不够的。
-
Prompt迭代需要评估标准和测试集——没有量化标准的迭代是在感觉中漂移，不是在科学地优化。
下一章，我们把视角从"如何使用AI"转向"如何为AI设计产品"——一个完全不同但至关重要的思维转型。