纲要提示词工程的定义与核心价值从专用模型到通用模型的“适配层”四大核心作用上下文提供、任务定义、输出格式指定、行为指导提示词的底层工作模式任务框架设定知识激活角色扮演示例提供任务分解约束与指导高质量提示词的五大撰写原则明确且具体指定输出格式与结构设定角色与背景分步拆解复杂任务提供示例与约束常见思维流模式及其适用场景IO直接输入输出CoTChain-of-Thought思维链CoT-SCSelf-Consistency自洽性思维链ToTTree-of-Thoughts思维树四种模式的演进关系代码实战通过 API 调用演示零样本、少样本与思维链使用 Python OpenAI 兼容接口对比zero-shot、few-shot与CoT的效果完整可运行脚本总结提示词工程AI 对话的“适配层”在通用大模型范式诞生之前AI 应用面临的最大痛点之一是泛化能力不足。一个中餐菜谱机器人换到西餐场景就需要重新训练成本高昂。以GPT为代表的通用大语言模型通过引入提示词机制解决了这一问题同一个基础模型只需切换提示词就能完成翻译、写作、分类、推理等截然不同的任务。提示词Prompt本质上是一个适配层它连接基础模型和具体任务避免了为每个任务单独训练模型的繁重工作。具体来说提示词完成了四件事提示词提供上下文设定任务背景与范围定义任务告诉模型要完成什么指定格式明确输出的组织方式行为指导引导模型的思考与回答路径上下文提供让模型清楚“在什么场景下说话”。任务定义明确要执行的指令如翻译、总结、生成代码。格式指定约束输出结构例如要求返回JSON、Markdown表格。行为指导通过措辞和结构引导模型采取特定的推理或表达方式。提示词的六种底层工作模式提示词工程之所以能激发大模型的特定能力依赖于以下六种模式的组合运用任务框架设定在提示词中勾勒任务的全貌为模型建立清晰的工作边界。知识激活通过精心设计的关键词唤醒模型在预训练中习得的特定领域知识。例如提及“唐诗”会让模型激活有关唐诗的权重。角色扮演让模型扮演专家、助手、教师等角色从而以特定视角回答问题。示例提供在提示词中给出少量范例few-shot帮助模型理解任务的具体要求和输出格式。任务分解将复杂问题拆成多个步骤引导模型逐步完成显著提升推理质量。约束与指导设定规则和限制防止模型输出偏离预期尤其在开源模型上尤为关键。高质量提示词的五大撰写原则要让提示词发挥最大效用需要遵循以下五条工程化原则原则不良示例良好示例明确具体“谈谈全球变暖”“请提供三个减少个人碳足迹的具体方法并解释每种方法的潜在影响”指定输出格式“介绍一下 Python 和 JavaScript”“请以表格形式对比 Python 和 JavaScript包含语言类型、主要用途、优点、缺点”设定角色与背景“怎么照顾发烧的婴儿”“假设你是一位儿科医生一位新手父母来咨询六个月大婴儿发烧怎么办请用专业但易懂的语言回答”分步拆解“写一个斐波那契数列函数”“一步一步来实现1. 定义函数名和参数2. 处理 n0 和 n1 的情况3. 实现递归逻辑4. 添加测试用例”提供示例与约束“翻译一下 break a leg”“将以下英语俚语翻译成中文保留原意但使用地道表达每个解释不超过15个字。示例it’s raining cats and dogs → 大雨倾盆解释形容雨非常大。现在翻译break a leg, piece of cake, hit the hay”这五条原则不仅适用于日常使用大模型也是后续开发AI Agent时设计系统提示词的基本功。常见思维流模式从 IO 到思维树提示词工程的另一个重要维度是思维流模式——即如何引导模型的推理路径。目前主流的四种模式复杂度递增IO 直接输出CoT 思维链CoT-SC 自洽性思维链ToT 思维树简单问答无中间推理逐步推理类似人类思考生成多条推理路径投票选最优树状探索多种可能择优输出IO输入-输出最基础的模式直接给出答案适用于简单对话或事实查询。CoTChain-of-Thought思维链要求模型展示中间推理步骤极大提升数学、逻辑等复杂任务的准确性并增强可解释性[reference:0][reference:1]。该技术由 Wei 等人于 2022 年提出[reference:2]。CoT-SCSelf-Consistency自洽性思维链生成多条不同的推理路径通过多数投票选出最一致的答案进一步提高可靠性[reference:3][reference:4]。该方法由 Wang 等人提出作为CoT的改进解码策略[reference:5]。ToTTree-of-Thoughts思维树将思维过程组织为树状结构每个节点可产生多个分支模型探索不同路径并回溯最终选定最优路线[reference:6][reference:7]。该框架由 Yao 等人于 2023 年提出[reference:8][reference:9]。选型建议简单问答 →IO需要推理和解释 →CoT对准确率要求极高如考试、数据分析 →CoT-SC复杂决策、方案设计 →ToT代码实战用 Python 对比零样本、少样本与思维链下面提供一个完整可运行的 Python 脚本通过调用大模型 API演示三种提示词策略的效果差异。脚本使用 OpenAI 兼容接口可替换为智谱、DeepSeek 等安装依赖pip install openai后即可运行。importopenai# 配置区 # 以 DeepSeek 为例可替换为你的 API 提供商API_KEYyour-api-key-here# 替换为真实 API KeyBASE_URLhttps://api.deepseek.comMODELdeepseek-chat# clientopenai.OpenAI(api_keyAPI_KEY,base_urlBASE_URL)defask(prompt:str,temperature:float0.1)-str:通用请求函数respclient.chat.completions.create(modelMODEL,messages[{role:user,content:prompt}],temperaturetemperature,max_tokens500)returnresp.choices[0].message.content# 相同的问题三种不同的提示词策略question小明有5个苹果吃掉2个又买了3个现在有几个苹果# 策略1零样本 IO直接提问prompt_zerof回答问题{question}answer_zeroask(prompt_zero)# 策略2少样本few-shot给出一个类似示例prompt_fewf示例 问小红有10块钱花了4块又捡到2块现在有多少钱 答10 - 4 2 8所以是8元。 现在请回答问题{question}answer_fewask(prompt_few)# 策略3思维链 CoT要求逐步推理prompt_cotf请一步一步思考展示完整推理过程最后给出答案。 问题{question}推理步骤answer_cotask(prompt_cot)# 输出对比print( 零样本 (Zero-shot) )print(answer_zero)print(\n 少样本 (Few-shot) )print(answer_few)print(\n 思维链 (CoT) )print(answer_cot)将你的API Key填入后运行你会直观看到零样本可能直接给出正确答案但缺乏解释。少样本模型会模仿示例的格式输出更结构化。思维链则会完整展示推理步骤答案更可信。对于Agent开发合理组合角色设定、示例和思维链模式能让你的智能体输出既稳定又富有逻辑。这也是提示词工程在构建可靠 AI 应用中的核心价值。官方文档OpenAI Prompt Engineering GuideOpenAI API Prompt Engineering参考链接Chain-of-Thought Prompting Elicits Reasoning in Large Language ModelsWei et al., 2022https://arxiv.org/abs/2201.11903Self-Consistency Improves Chain of Thought Reasoning in Language ModelsWang et al., 2022https://arxiv.org/abs/2203.11171Tree of Thoughts: Deliberate Problem Solving with Large Language ModelsYao et al., 2023https://arxiv.org/abs/2305.10601ToT 官方代码仓库https://github.com/princeton-nlp/tree-of-thought-llm总结提示词工程是AI Agent开发者必备的软技能。它既像科学一样有章可循任务分解、格式约束又像艺术一样依赖经验和直觉措辞的微妙变化可能产生截然不同的结果。掌握IO、CoT、CoT-SC和ToT等思维流模式并遵循明确、具体、分步、示例等撰写原则你将能够稳定地激发出大模型的强大潜力为后续构建复杂智能体打下坚实基础。技术栈要点总结提示词工程作为通用模型与具体任务之间的适配层提供上下文、定义任务、指定格式、指导行为。六种工作模式任务框架设定、知识激活、角色扮演、示例提供、任务分解、约束与指导。五大撰写原则明确具体、指定输出格式、设定角色与背景、分步拆解、提供示例与约束。四种思维流模式IO直接输入输出、CoT思维链Wei et al., 2022、CoT-SC自洽性思维链Wang et al.、ToT思维树Yao et al., 2023。代码实践使用 Python OpenAI 兼容接口对比zero-shot、few-shot与CoT的效果差异。
纲要提示词工程的定义与核心价值从专用模型到通用模型的“适配层”四大核心作用上下文提供、任务定义、输出格式指定、行为指导提示词的底层工作模式任务框架设定知识激活角色扮演示例提供任务分解约束与指导高质量提示词的五大撰写原则明确且具体指定输出格式与结构设定角色与背景分步拆解复杂任务提供示例与约束常见思维流模式及其适用场景IO直接输入输出CoTChain-of-Thought思维链CoT-SCSelf-Consistency自洽性思维链ToTTree-of-Thoughts思维树四种模式的演进关系代码实战通过 API 调用演示零样本、少样本与思维链使用 Python OpenAI 兼容接口对比zero-shot、few-shot与CoT的效果完整可运行脚本总结提示词工程AI 对话的“适配层”在通用大模型范式诞生之前AI 应用面临的最大痛点之一是泛化能力不足。一个中餐菜谱机器人换到西餐场景就需要重新训练成本高昂。以GPT为代表的通用大语言模型通过引入提示词机制解决了这一问题同一个基础模型只需切换提示词就能完成翻译、写作、分类、推理等截然不同的任务。提示词Prompt本质上是一个适配层它连接基础模型和具体任务避免了为每个任务单独训练模型的繁重工作。具体来说提示词完成了四件事提示词提供上下文设定任务背景与范围定义任务告诉模型要完成什么指定格式明确输出的组织方式行为指导引导模型的思考与回答路径上下文提供让模型清楚“在什么场景下说话”。任务定义明确要执行的指令如翻译、总结、生成代码。格式指定约束输出结构例如要求返回JSON、Markdown表格。行为指导通过措辞和结构引导模型采取特定的推理或表达方式。提示词的六种底层工作模式提示词工程之所以能激发大模型的特定能力依赖于以下六种模式的组合运用任务框架设定在提示词中勾勒任务的全貌为模型建立清晰的工作边界。知识激活通过精心设计的关键词唤醒模型在预训练中习得的特定领域知识。例如提及“唐诗”会让模型激活有关唐诗的权重。角色扮演让模型扮演专家、助手、教师等角色从而以特定视角回答问题。示例提供在提示词中给出少量范例few-shot帮助模型理解任务的具体要求和输出格式。任务分解将复杂问题拆成多个步骤引导模型逐步完成显著提升推理质量。约束与指导设定规则和限制防止模型输出偏离预期尤其在开源模型上尤为关键。高质量提示词的五大撰写原则要让提示词发挥最大效用需要遵循以下五条工程化原则原则不良示例良好示例明确具体“谈谈全球变暖”“请提供三个减少个人碳足迹的具体方法并解释每种方法的潜在影响”指定输出格式“介绍一下 Python 和 JavaScript”“请以表格形式对比 Python 和 JavaScript包含语言类型、主要用途、优点、缺点”设定角色与背景“怎么照顾发烧的婴儿”“假设你是一位儿科医生一位新手父母来咨询六个月大婴儿发烧怎么办请用专业但易懂的语言回答”分步拆解“写一个斐波那契数列函数”“一步一步来实现1. 定义函数名和参数2. 处理 n0 和 n1 的情况3. 实现递归逻辑4. 添加测试用例”提供示例与约束“翻译一下 break a leg”“将以下英语俚语翻译成中文保留原意但使用地道表达每个解释不超过15个字。示例it’s raining cats and dogs → 大雨倾盆解释形容雨非常大。现在翻译break a leg, piece of cake, hit the hay”这五条原则不仅适用于日常使用大模型也是后续开发AI Agent时设计系统提示词的基本功。常见思维流模式从 IO 到思维树提示词工程的另一个重要维度是思维流模式——即如何引导模型的推理路径。目前主流的四种模式复杂度递增IO 直接输出CoT 思维链CoT-SC 自洽性思维链ToT 思维树简单问答无中间推理逐步推理类似人类思考生成多条推理路径投票选最优树状探索多种可能择优输出IO输入-输出最基础的模式直接给出答案适用于简单对话或事实查询。CoTChain-of-Thought思维链要求模型展示中间推理步骤极大提升数学、逻辑等复杂任务的准确性并增强可解释性[reference:0][reference:1]。该技术由 Wei 等人于 2022 年提出[reference:2]。CoT-SCSelf-Consistency自洽性思维链生成多条不同的推理路径通过多数投票选出最一致的答案进一步提高可靠性[reference:3][reference:4]。该方法由 Wang 等人提出作为CoT的改进解码策略[reference:5]。ToTTree-of-Thoughts思维树将思维过程组织为树状结构每个节点可产生多个分支模型探索不同路径并回溯最终选定最优路线[reference:6][reference:7]。该框架由 Yao 等人于 2023 年提出[reference:8][reference:9]。选型建议简单问答 →IO需要推理和解释 →CoT对准确率要求极高如考试、数据分析 →CoT-SC复杂决策、方案设计 →ToT代码实战用 Python 对比零样本、少样本与思维链下面提供一个完整可运行的 Python 脚本通过调用大模型 API演示三种提示词策略的效果差异。脚本使用 OpenAI 兼容接口可替换为智谱、DeepSeek 等安装依赖pip install openai后即可运行。importopenai# 配置区 # 以 DeepSeek 为例可替换为你的 API 提供商API_KEYyour-api-key-here# 替换为真实 API KeyBASE_URLhttps://api.deepseek.comMODELdeepseek-chat# clientopenai.OpenAI(api_keyAPI_KEY,base_urlBASE_URL)defask(prompt:str,temperature:float0.1)-str:通用请求函数respclient.chat.completions.create(modelMODEL,messages[{role:user,content:prompt}],temperaturetemperature,max_tokens500)returnresp.choices[0].message.content# 相同的问题三种不同的提示词策略question小明有5个苹果吃掉2个又买了3个现在有几个苹果# 策略1零样本 IO直接提问prompt_zerof回答问题{question}answer_zeroask(prompt_zero)# 策略2少样本few-shot给出一个类似示例prompt_fewf示例 问小红有10块钱花了4块又捡到2块现在有多少钱 答10 - 4 2 8所以是8元。 现在请回答问题{question}answer_fewask(prompt_few)# 策略3思维链 CoT要求逐步推理prompt_cotf请一步一步思考展示完整推理过程最后给出答案。 问题{question}推理步骤answer_cotask(prompt_cot)# 输出对比print( 零样本 (Zero-shot) )print(answer_zero)print(\n 少样本 (Few-shot) )print(answer_few)print(\n 思维链 (CoT) )print(answer_cot)将你的API Key填入后运行你会直观看到零样本可能直接给出正确答案但缺乏解释。少样本模型会模仿示例的格式输出更结构化。思维链则会完整展示推理步骤答案更可信。对于Agent开发合理组合角色设定、示例和思维链模式能让你的智能体输出既稳定又富有逻辑。这也是提示词工程在构建可靠 AI 应用中的核心价值。官方文档OpenAI Prompt Engineering GuideOpenAI API Prompt Engineering参考链接Chain-of-Thought Prompting Elicits Reasoning in Large Language ModelsWei et al., 2022https://arxiv.org/abs/2201.11903Self-Consistency Improves Chain of Thought Reasoning in Language ModelsWang et al., 2022https://arxiv.org/abs/2203.11171Tree of Thoughts: Deliberate Problem Solving with Large Language ModelsYao et al., 2023https://arxiv.org/abs/2305.10601ToT 官方代码仓库https://github.com/princeton-nlp/tree-of-thought-llm总结提示词工程是AI Agent开发者必备的软技能。它既像科学一样有章可循任务分解、格式约束又像艺术一样依赖经验和直觉措辞的微妙变化可能产生截然不同的结果。掌握IO、CoT、CoT-SC和ToT等思维流模式并遵循明确、具体、分步、示例等撰写原则你将能够稳定地激发出大模型的强大潜力为后续构建复杂智能体打下坚实基础。技术栈要点总结提示词工程作为通用模型与具体任务之间的适配层提供上下文、定义任务、指定格式、指导行为。六种工作模式任务框架设定、知识激活、角色扮演、示例提供、任务分解、约束与指导。五大撰写原则明确具体、指定输出格式、设定角色与背景、分步拆解、提供示例与约束。四种思维流模式IO直接输入输出、CoT思维链Wei et al., 2022、CoT-SC自洽性思维链Wang et al.、ToT思维树Yao et al., 2023。代码实践使用 Python OpenAI 兼容接口对比zero-shot、few-shot与CoT的效果差异。
