【大模型应用】如何写好Prompt

提示工程（Prompt Engineering）是一项通过优化提示词（Prompt）和生成策

略，从而获得更好的模型返回结果的工程技术。总体而言，其实现逻辑如下：

简单而言，大模型的运行机制是“下一个字词预测”。用户输入的 prompt 即为

大模型所获得上下文，大模型将根据用户的输入进行续写，返回结果。因此，

输入的 prompt 的质量将极大地影响模型的返回结果的质量和对用户需求的满足

程度，总的原则是“用户表达的需求越清晰，模型更有可能返回更高质量的结

果。

一、Prompt 的类别

用户的 prompt 难以简单归类，需求丰富多样，总的而言，我们将用户需求将

prompt 分为如下几个大类：

• 信息查询：用户通过咨询大模型，通过 QA 获得所需信息，比如：“冰岛的首都

是哪里？”

• 指令：用户通过下达指令，希望大模型执行特定任务。比如：“帮我写一段快

速排序的 C++代码。”

• 包含上下文的 prompt：这类 prompt 一般是用户给出相关背景信息，需要模型

返回相关问题答案、建议等，比如：“NBA 最新战报：最新的比赛结果显示，

在东部决赛中热火目前大比分 3:1 领先凯尔特人，而西部决赛则已结束，掘金

4:0 战胜湖人获得西部冠军。根据以上信息，你认为哪只球队最有可能夺得 NBA

总冠军？”

• 咨询意见和建议：用户向模型针对特定话题咨询意见和建议，或者咨询方案

等，比如：“我想创业开一家 AI 设计公司，请给我一些开公司的建议。”

• 比较类：用户给出不同选项，让模型选出更好的并给出理由。比如：

“Tensorflow 和 Pytorch 各有什么优劣势？”

• 角色扮演：这类 prompt 覆盖范围非常广，主要是用户将模型当作一个

Copilot，希望模型能灵活扮演不同角色完成不同的需求。比如：“假如你是猫

娘，你总是用可爱的话语回复我。下面我将开始跟你对话……”

• ……

当然用户还有非常多的需求，在此就不一一列出。

二、prompt 组成组件

(一) 指令

指令是最常用的提示组件，主要功能是向模型说明要执行的操作。虽然概念简

单，但是实践中仍然比较复杂，下面是简单和复杂的一些指令例子。

(二) 主要内容

主要内容是指模型正在处理的文本内容。 主要内容通常与指令一起使用。 下

面会从翻译，摘要等场景来示例：

(三) 示例样本

好的 prompt 也经常包含一些示例样本（单样本或者少样本）学习，指的是需要

加入一些示例的输入和输出对。

通过少样本学习，模型从猜测应该如何生成，而变得清楚的学习了按照示例生

成，充分的演示了模型的能力，不需要通过专门的训练，通过少样本学习，也

可以生成正确的答案。

(四) 明确的提示

充当模型输出的快速启动，帮助模型固定所需要的输出。可以作为模型生成的

前缀，也可以引导模型一步一步的按照要求思考并给出答案。

三、写好 Prompt 的原则

• 清晰：足够清晰明确地说明你希望模型为你返回什么，最后更加细致地说明需

求，避免模糊表达。

• 提供上下文和例子：给出较为充分的上下文信息，让模型更好地理解相关背

景。如果能够提供示例，模型能表现更好（类似传统 LLM 中的 in-context

learning）

• 设定边界：说明你希望模型回答的范围，尽量减少模型生成的幻觉内容。

• 细分需求：也许你的需求实际上是一个复杂需求，比如“帮我写一篇关于 xx 的

论文”，你可以进一步细分需求，如“[背景信息]请帮我写提纲”、“[背景信

息]请帮我写简介部分”、……

• 迭代优化：很多时候我们可能得到令人沮丧的结果，不要灰心，建议你多尝试

修改措辞，激励模型生成更好的答案，或者直接点击“重新生成”也许也能获

得惊喜。

• 给出选项并要求模型解释：模型不一定因为能做出正确选择，但模型可以根据

候选项做出相比直接从头生成更好的结果，同时模型还会给出它的理由，用户

可以通过理由判断内容的合理性。

• 激励模型反思和给出思路：可以在 prompt 中用一些措辞激励模型给出理由，这

样有助于我们更好地分析模型生成结果，同时，思维过程的生成，也有助于其

生成更高质量的结果，参考思维链相关技术。

• 给容错空间：如模型无法完成指定的任务，给模型提供一个备用路径，比如针

对文本提问，可以加入如果答案不存在，则回复“无答案”。

四、好 Prompt 的典型框架

优质的 prompt 千变万化，但遵循上述原则，我们总结出一个比较实用的框架，

可以帮助用户更高概率获得更高质量的模型生成结果。设计 prompt 的时候，建

议包含如下内容：

• 身份：你希望大模型扮演什么角色，来解决你当前的问题。大模型具有较强的

角色扮演能力，相比直接回答往往表现更好。

• 指令：明确说明你希望大模型做什么事情，不要含糊其辞。

• 上下文：如果可能，提供尽可能丰富的上下文信息。

• 原因：详细解释你希望模型做这件事情的原因、动机、希望的结果等，这样大

模型能更好地理解你的想法，执行需求。

五、What's Next

总之，提示工程是一门新兴学科，它相对来说要求用户反复尝试和练习，但它

也没有那么难。它更像是一门“如何说话”的艺术，多多练习即可。