在人工智能迅猛发展的今天，提示词工程（Prompt Engineering）已成为与大语言模型高效协作的关键技能。本文深入剖析了这门"AI沟通艺术"的核心要素与实战技巧，从提示词的四大构成（角色设定、任务描述、格式规范、约束条件）到实际应用场景的最佳实践，为读者提供了系统化的学习路径。文章不仅对比了优劣提示词案例，还通过LangChain框架展示了如何构建结构化、可复用的提示模板，以及如何有效管理多轮对话中的上下文窗口。特别值得关注的是，文中介绍的ChatPromptTemplate高级应用和领域专家系统实现，为开发者提供了直接可用的代码范例。
想知道如何让AI像"数字员工"一样精准执行任务？如何避免Token浪费提升效率？阅读本文，掌握AI时代的必备沟通技能。
引言：掌握AI沟通的艺术
在人工智能快速发展的今天，大型语言模型(LLM)已成为改变各行各业的关键技术。然而，要充分发挥这些模型的潜力，我们需要掌握一门新的技能——提示词工程(Prompt Engineering)。正如一位优秀的管理者需要清晰地表达任务需求，我们与AI的沟通也需要精准、有效的指令设计。
本文将带您深入了解提示词工程的核心概念、设计原则和实战技巧，从理论到实践，帮助您成为AI时代的"沟通专家"。无论您是开发者、产品经理还是AI爱好者，掌握这些技能都将显著提升您与大模型协作的效率。
第一部分：提示词工程基础
1.1 什么是提示词工程？
提示词工程是通过精心设计的文本输入来引导AI模型生成期望输出的技术。它不仅是用户与大语言模型之间的桥梁，更是确保AI理解需求并生成准确回答的基础。
从本质上看，提示词工程可以类比为给一位高级程序员下达任务需求：
传统编程：编写代码 → 计算机执行
提示词工程：编写自然语言指令 → 大模型生成结果
为什么需要学习提示词工程？
在AI时代，大模型就像您的"数字员工"。无论是OpenAI的GPT系列、DeepSeek、阿里的千问还是其他模型，它们都需要清晰的指令才能发挥最大价值。作为"老板"的您，需要学会如何:
- 准确描述任务需求
- 设定合理的期望
- 明确交付目标和标准
掌握提示词工程，就是掌握了与这些强大"数字员工"高效协作的能力。
1.2 Prompt设计四要素
优质的提示词设计通常包含四个关键要素：
1.2.1 角色设定（Role Prompting）
角色设定限定了模型回答的视角和专业领域，能显著提升回答质量。
| 差的示例 | 优质示例 |
|---|---|
| 写一首关于春天的诗 | 你是一位擅长写现代诗的诗人，请用比喻手法创作一首8行的春天主题短诗 |
1.2.2 任务描述
清晰的任务描述可遵循STAR原则：
- Situation (场景)：背景环境
- Task (任务)：需要完成什么
- Action (行动)：如何执行
- Result (结果)：期望的输出
例如：
(场景) 用户提交了一个关于Java并发编程的技术问题
(任务) 需要给出准确且易懂的解答
(行动) 分步骤说明解决方案，并提供代码示例
(结果) 最后用一句话总结核心要点
1.2.3 格式规范
指定输出的结构和格式，有助于获得更易于处理的结果：
请用JSON格式输出包含以下字段：
{
"summary": "不超过50字的摘要",
"keywords": ["关键词1", "关键词2", "关键词3"],
"difficulty": "初级/中级/高级"
}
常用格式指令包括：分点列表、指定段落数、表格呈现、代码格式等。
1.2.4 约束条件
约束条件帮助模型在特定范围内生成回答：
| 约束类型 | 示例 |
|---|---|
| 长度 | “答案控制在200字内” |
| 风格 | “用初中生能理解的语言” |
| 内容 | “不包含专业术语” |
| 逻辑 | “先解释概念再举例说明” |
1.3 提示词模板与问题排查
一个完整的提示词模板通常包括以上四个要素：
[角色设定]
你是一个具有10年经验的{领域}专家，擅长{特定技能}
[任务说明]
需要完成以下任务：
1. {步骤1}
2. {步骤2}
3. {步骤3}
[输出要求]
请按照以下格式响应：
{示例格式}
[约束条件]
{具体限制}
当遇到提示词效果不佳时，可参考以下排查指南：
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| 输出内容偏离主题 | 角色设定不明确 | 添加"忽略无关信息"约束 |
| 生成结果过于笼统 | 缺少具体步骤要求 | 添加"分步骤详细说明"指令 |
| 格式不符合要求 | 未提供明确格式示例 | 添加XML/JSON标记示例 |
第二部分：提示词工程最佳实践案例
2.1 通用回答优化案例
问题场景
用户需要了解人工智能的基本信息
差的提示词
告诉本人关于人工智能的信息
问题分析：
- 过于宽泛，缺乏焦点
- 未指定回答深度和范围
- 没有明确期望的格式
- 可能得到从历史发展到技术原理的冗长概述
优化后的提示词
你是一位科技专栏专家，请用通俗易懂的方式向高中生解释：
1、什么是人工智能（用1个学生日常生活场景说明）
2、列举3个当前主要应用场景及其影响
3、内容控制在300字以内
要求使用"首先"、"其次"、"最后"的结构
优化点：
- 设定明确角色（科技专栏专家）
- 明确目标受众（高中生）
- 结构化输出要求（三部分内容）
- 添加格式和长度约束
- 要求使用具体例子增强理解
2.2 代码生成优化案例
问题场景
需要生成一个特定功能的Python程序
差的提示词
写个python程序
问题分析：
- 没有具体功能描述
- 未指定输入输出格式
- 忽略异常处理需求
- 可能生成简单的"Hello World"程序
优化后的提示词
编写一个Python函数，实现以下功能：
输入：字符格式的日期（格式：YYYY-MM-DD）
输出：该日期对应的季度（1-4）
要求：
1. 包含参数校验（不符合格式时抛出ValueError）
2. 使用datetime模块
3. 编写对应的单元测试用例
示例：
输入"2024-03-15" → 返回 1
优化点：
- 明确定义输入输出
- 指定实现方式和技术要求
- 包含异常处理要求
- 提供测试用例和示例验证
2.3 技术问答优化案例
问题场景
需要网站性能优化建议
差的提示词
如何优化网站性能？
问题分析：
- 问题范围过大
- 未说明技术栈
- 缺少评估标准
- 可能得到泛泛而谈的通用建议
优化后的提示词
针对使用SpringBoot+Vue3技术栈的电商网站，请给出5项可量化的性能优化方案：
要求：
1. 每项方案包含：
- 实施步骤
- 预期性能提升指标（如响应时间减少20%）
- 实施难度评估（低/中/高）
- 优先级建议
2. 引入Web Vitals优化标准进行评估
3. 限制条件：
- 不使用服务端渲染等需要硬件升级的方案
- 排除已广泛采用的基础方案（如代码压缩、图片优化）
4. 针对我们面临的高并发下单场景提供专门优化建议
优化点：
- 限定技术范围和应用场景
- 结构化响应要求
- 设定评估标准
- 排除基础方案
- 指定特殊场景需求
2.4 数据分析优化案例
问题场景
需要分析销售数据并提供洞察
差的提示词
分析这份销售数据
问题分析：
- 未说明数据特征
- 没有指定分析方法
- 缺少可操作化要求
- 可能得到无重点的描述性统计
优化后的提示词
你是一位资深数据分析师，请完成以下任务：
数据特征：
- 时间范围：2023年1-12月
- 字段：日期/产品类别/销售额/利润率
要求：
1. 找出销售额前5的月份，分析增长原因
2. 识别利润率低于5%的产品类别并提出改进建议
3. 生成季度趋势图的Markdown格式报告
输出格式：
## 分析报告
### 关键发现
1. 要点1（数据支持）
- 细节1（对比分析）
### 改进建议
1. 建议1（预期效果）
### 趋势可视化
```图表描述，生成base64编码的折线图```
优化点：
- 明确数据特征和范围
- 指定具体分析任务
- 要求提供可操作的建议
- 设定结构化输出格式
- 要求视觉化呈现结果
第三部分：LangChain提示模板技术实现
3.1 PromptTemplate基础
LangChain是一个流行的大模型应用开发框架，其中PromptTemplate组件专门用于构建结构化提示词。它能将用户输入和动态数据转换为LLM可理解的格式，解决了以下问题：
- 动态内容组装：避免提示词硬编码
- 模板复用：标准化提示词结构
- 参数化控制：灵活调整提示词变量
PromptTemplate核心组件
- template：定义模板格式，使用
{变量名}作为占位符 - input_variables：声明模板中可使用的变量
- partial_variables：预定义变量，可提前填充
- format：填充占位符生成最终文本的方法
基本使用案例
from langchain.prompts import PromptTemplate
# 定义模板
template = """
你是一位专业的{domain}顾问，请用{language}回答：
问题：{question}
回答：
"""
# 创建实例
prompt = PromptTemplate(
input_variables=["domain", "language", "question"],
template=template
)
# 格式化输出
formatted_prompt = prompt.format(
domain="网络安全",
language="中文",
question="如何防范钓鱼攻击？"
)
使用预置变量
from langchain.prompts import PromptTemplate
template = """
%{analysis_type}：
用户输入：{user_input}
分析结果：
"""
prompt_template = PromptTemplate(
input_variables=["user_input"],
template=template,
template_format="string",
partial_variables={"analysis_type": "情感极性分析"} # 预置变量
)
formatted_prompt = prompt_template.format(user_input="这个产品太难用了")
3.2 PromptTemplate结合LLM实战
LangChain的真正威力在于将提示模板与大语言模型无缝集成：
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
# 初始化LLM
llm = ChatOpenAI(
model_name="qwen-plus",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
api_key="YOUR_API_KEY",
temperature=0.7
)
# 创建Prompt
prompt = PromptTemplate(
input_variables=["product"],
template="为{product}写三个吸引人的广告标语，只需要返回纯文本"
)
# 调用LLM
message = prompt.invoke({'product': '汤臣一品高端公寓'})
response = llm.invoke(message)
# 解析输出
output_parser = StrOutputParser()
answer = output_parser.invoke(response)
print(answer)
这种模式的优势在于：
- 分离提示词逻辑与模型调用
- 便于调试和优化提示词
- 支持复杂的输入处理和输出解析
第四部分：聊天模型与多轮对话技术
4.1 ChatModel基础概念
聊天模型(ChatModel)是专为多轮对话场景设计的大语言模型，相比传统文本生成模型，它具有以下核心特点：
| 特性 | 说明 | 示例场景 |
|---|---|---|
| 上下文感知 | 追踪多轮对话历史，理解指代关系 | 用户问"什么是量子计算"后再问"它有什么应用"，模型能正确理解"它"指代量子计算 |
| 角色扮演能力 | 可设定特定角色并保持一致性 | 设定为"医疗助手"时，提供健康信息但拒绝具体诊断 |
| 意图识别 | 解析用户深层需求 | 识别"我的订单没收到"为物流投诉，而非一般咨询 |
| 情感分析 | 识别用户情绪，调整回复语气 | 用户表达不满时，回复更加礼貌和解决问题导向 |
| 安全过滤 | 避免生成有害内容 | 拒绝生成可能有害的内容并给出合理解释 |
ChatModel与传统Text Model对比
| 对比维度 | ChatModel | 传统Text Model |
|---|---|---|
| 核心目标 | 多轮交互式对话 | 单次文本生成 |
| 输入格式 | 结构化消息序列 | 纯文本提示 |
| 上下文处理 | 自动管理对话历史 | 需手动拼接历史文本 |
| 输出控制 | 内置安全审查和格式约束 | 依赖提示词工程控制 |
| 典型应用 | 客服机器人、虚拟助手 | 内容创作、数据处理 |
4.2 聊天模型的角色体系
聊天模型通过角色化消息实现对话控制，核心角色包括：
| 角色类型 | 标识符 | 功能定位 | 使用场景示例 |
|---|---|---|---|
| System | system | 定义AI行为准则和角色设定 | “你是一位医疗助手，不提供诊断但可以分享健康知识” |
| User | user/human | 代表用户的输入信息 | “如何缓解头痛?” |
| Assistant | assistant/ai | 存储AI的历史回复 | “建议充分休息，保持水分摄入…” |
多轮对话示例代码
messages = [
{"role": "system", "content": "你是一个电影推荐助手"},
{"role": "user", "content": "我喜欢科幻片，推荐三部经典"},
{"role": "assistant", "content": "1.《银翼杀手2049》... 2.《星际穿越》... 3.《黑客帝国》..."},
{"role": "user", "content": "第二个的主演是谁？"} # 基于上下文追问
]
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages
)
print(response.choices[0].message.content)
# 输出: 《星际穿越》的主演是马修·麦康纳和安妮·海瑟薇...
4.3 Token计算与上下文窗口管理
在多轮对话场景下，理解Token计算非常重要，因为它直接影响模型的性能和成本：
多轮对话的Token累积计算
假设每轮对话中，用户输入50 Token、模型输出100 Token：
- 第1轮：50(输入) + 100(输出) = 150 Token
- 第2轮：50(新输入) + 100(新输出) + 150(历史) = 300 Token
- 第3轮：50(新输入) + 100(新输出) + 300(历史) = 450 Token
随着对话轮次增加，Token数量呈线性增长，最终可能达到模型的上下文窗口限制。
上下文窗口限制
不同模型有不同的上下文窗口大小：
- 4k Tokens：如GPT-3.5基础版(4096 Token)
- 8k Tokens：如GPT-4早期版本(8192 Token)
- 16k-32k Tokens：如GPT-4最新版本(32768 Token)
- 100k+ Tokens：如Claude 3 Opus(100k+ Token)
当对话历史接近这些限制时，需要采取上下文压缩或摘要策略，以保持对话的连贯性。
第五部分：ChatPromptTemplate高级应用
5.1 ChatPromptTemplate核心概念
ChatPromptTemplate是LangChain专为聊天模型设计的提示模板，相比基础PromptTemplate，它具有以下核心差异：
- 支持消息角色(system/user/assistant)
- 天然适配聊天模型(如GPT-3.5/4)
- 可维护对话上下文
- 支持函数调用
消息类型体系
| 消息模板类 | 对应角色 | 典型用途 |
|---|---|---|
| SystemMessagePromptTemplate | 系统消息 | 设定AI行为规则 |
| HumanMessagePromptTemplate | 用户消息 | 接收用户输入 |
| AIMessagePromptTemplate | AI回复消息 | 记录历史响应 |
| ChatPromptTemplate | 容器模板 | 组合多个消息模板 |
5.2 ChatPromptTemplate常用方法
from_template方法
用于创建单条消息模板，通常需与其他方法组合使用：
from langchain_core.prompts import (
ChatPromptTemplate,
SystemMessagePromptTemplate
)
# 创建系统消息模板
system_template = SystemMessagePromptTemplate.from_template(
"你是一个{role}，请用{language}回答。"
)
from_messages方法
用于构建完整的多轮对话模板，支持不同角色消息：
from langchain_core.prompts import ChatPromptTemplate
# 通过元组列表定义角色和模板
chat_template = ChatPromptTemplate.from_messages([
("system", "你是一个AI助手，名字{name}。"),
("human", "你好，最近怎么样？"),
("ai", "我很好，谢谢！"),
("human", "{user_input}")
])
# 格式化模板并传入变量
messages = chat_template.format_messages(
name="智能助理小明",
user_input="你能帮我写一篇关于环保的文章吗？"
)
5.3 方法对比与选择
| 方法 | 适用场景 | 灵活性 | 代码复杂度 |
|---|---|---|---|
| from_messages | 多角色、多轮对话(如聊天机器人) | 高 | 较高(需定义列表) |
| from_template | 单角色消息模板(需组合使用) | 低 | 简单 |
第六部分：LangChain聊天模型实战案例
6.1 领域专家咨询系统
这个案例展示如何创建一个专业领域的AI顾问：
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
# 初始化模型
model = ChatOpenAI(
model_name="qwen-plus",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
api_key="YOUR_API_KEY",
temperature=0.7
)
# 构建消息列表
messages = [
SystemMessage(content="你是一个Java高级架构师，擅长分布式系统设计，请用中文回答"),
HumanMessage(content="解释volatile关键字的作用和在并发编程中的应用场景")
]
# 调用模型
response = model.invoke(messages)
print(response.content)
6.2 参数化领域专家系统
更灵活的实现，支持动态设置专业领域和回答风格：
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain.prompts import (
SystemMessagePromptTemplate,
HumanMessagePromptTemplate
)
# 定义系统消息
system_template = SystemMessagePromptTemplate.from_template(
"你是一个专业的{domain}专家，回答需满足：{style_guide}"
)
# 定义用户消息
human_template = HumanMessagePromptTemplate.from_template(
"请解释：{concept}"
)
# 组合多个消息
chat_prompt = ChatPromptTemplate.from_messages([system_template, human_template])
# 格式化消息
messages = chat_prompt.format_messages(
domain="计算机科学",
style_guide="使用通俗易懂的语言，提供具体示例，避免过于理论化的解释",
concept="机器学习中的过拟合问题"
)
# 初始化模型并调用
model = ChatOpenAI(
model_name="qwen-plus",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
api_key="YOUR_API_KEY",
temperature=0.7
)
response = model.invoke(messages)
print(response.content)
6.3 合规客服系统
适用于需要严格遵守规范的客服场景：
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
# 初始化模型
model = ChatOpenAI(
model_name="qwen-plus",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
api_key="YOUR_API_KEY",
temperature=0.7
)
# 创建合规客服模板
compliance_template = ChatPromptTemplate.from_messages([
("system", """您是{company}客服助手，必须遵守以下规则:
1. 不透露内部系统名称或技术细节
2. 不提供医疗/金融/法律专业建议
3. 遇到{transfer_cond}相关问题立即建议转人工客服
4. 保持礼貌专业的语气，优先解决客户问题"""),
("human", "[{user_level}用户]: {query}")
])
# 格式化消息
messages = compliance_template.format_messages(
company="健康生活医疗咨询",
transfer_cond="具体病情诊断、处方药推荐、医疗费用",
user_level="VIP",
query="感冒应该吃什么药？"
)
# 调用模型
response = model.invoke(messages)
print(response.content)
总结与展望
提示词工程是AI时代的关键技能，它让我们能够有效地与大语言模型沟通，充分发挥其潜力。本文从基础概念到实战案例，系统介绍了提示词工程的核心要素、设计原则和实现技术。
核心收获
- 提示词四要素：角色设定、任务描述、格式规范和约束条件构成了高效提示词的基础框架
- 案例优化思路：通过对比分析，掌握了不同场景下提示词优化的关键点
- 技术实现方法：学习了使用LangChain框架实现结构化、可复用的提示模板
- 聊天模型特性：理解了聊天模型的独特优势及多轮对话的管理技巧
扫一扫
949
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
