Prompt Summary
1. 什么是 Prompt
提示（Prompt）是您输入给大模型（LLM）的文本信息，用于明确地告诉模型您想要解决的问题或完成的任务，也是大语言模型理解用户需求并生成相关、准确回答或内容的基础。 三个关键要素：
- 结构化指令：Prompt不是随意的对话，而是经过精心设计的结构化输入
- 可解释性：指令必须能被AI模型正确理解和解析
- 目标导向：最终目的是引导模型产生符合预期的输出
2. Prompt 为什么很重要
根据2025年的行业调研数据，开发者平均花费62%的时间在Prompt调试上，而好的指令能让工作效率提升40%。 Prompt 是我们唯一可以和 LLM 打交道的方式，在应用技术层，无论我们做了多么炫酷的设计，最终都是为了传递适合的 Prompt 给 LLM。
3. Prompt的基本组成
一个完整的Prompt通常包括两部分：
-
System Prompt（系统提示）
- 定义全局规则、风格、限制条件。
- 告诉模型“你是什么角色”、“你该怎么回答”。
-
User Prompt（用户输入）
- 直接描述用户希望得到的内容或答案。
示例：
- System Prompt：请用通俗易懂的语言回答用户的问题，从三个角度分析，最后总结，回答不超过200字。
- User Prompt：中国2025年的国民生产总值是多少？
最终提交给模型的完整Prompt是二者的拼接。
4. Prompt 分类
4.1. 基于角色的分类
4.1.1. System Prompt（系统提示）
定义与作用：
System Prompt用于设定AI的角色、行为模式或整体任务，通常由AI应用内置，用户一般不能直接修改。
特点：
- 持久性：在整个对话会话中持续生效
- 权威性：优先级高于User Prompt
- 全局性：影响所有后续交互
应用场景：
- 定义AI的专业角色（如医生、律师、教师）
- 设定行为准则和道德边界
- 配置输出格式和风格要求
示例：
文本
编辑
你是一位资深的Python开发工程师，专注于编写高效、可维护的代码。你的回答应该包含详细的注释和最佳实践建议。输出格式必须是Markdown，代码部分使用代码块标记。4.1.1.1. User Prompt（用户提示）
定义与作用：
User Prompt是用户在聊天界面直接输入的对话内容或指令，用于触发具体的任务执行。
特点：
- 即时性：仅对当前请求生效
- 具体性：针对特定任务或问题
- 灵活性：用户可以自由调整
应用场景：
- 代码生成和调试
- 内容创作和编辑
- 问题解答和咨询
示例：
文本
编辑
请帮我写一个Python函数，实现快速排序算法，并添加详细的注释说明每个步骤的作用。4.1.2. 基于技术特点的分类
4.1.2.1. Zero-shot Prompt（零样本提示）
定义：不给任何示例，直接用自然语言描述任务要求让模型来完成。
适用场景：简单分类任务、常识问答
示例：
文本
编辑
将以下文本分类为正面或负面情绪：这家餐厅的服务很好，但食物一般。4.1.2.2. Few-shot Prompt（少样本提示）
定义：通过提供少量示例来引导模型理解任务要求。
适用场景：需要示例的任务、复杂模式识别
示例：
文本
编辑
示例1：输入：今天天气真好输出：正面
示例2：输入：服务太差了输出：负面
现在请分类：产品质量不错，但价格偏高4.1.2.3. Chain-of-Thought Prompt（思维链提示）
定义：引导模型展示推理过程，逐步解决问题。
适用场景：复杂推理任务、数学问题求解
示例：
文本
编辑
问题：小明有5个苹果，他给了小红2个，又买了3个，现在有多少个苹果？
请逐步推理：1. 小明最初有5个苹果2. 给了小红2个，剩下5-2=3个3. 又买了3个，现在有3+3=6个4. 所以小明现在有6个苹果4.1.2.4. Role-playing Prompt（角色扮演提示）
定义：让模型扮演特定角色来完成任务。
适用场景：专业咨询、创意写作
示例：
文本
编辑
你是一位经验丰富的项目经理，请为一个为期3个月的软件开发项目制定详细的项目计划，包括时间安排、资源分配和风险管理。4.1.3. 基于应用场景的分类
4.1.3.1. 代码生成Prompt
专注于编程任务的Prompt，通常包含语言规范、代码风格要求等。
4.1.3.2. 内容创作Prompt
用于文本生成、创意写作等任务，强调风格、语气和内容质量。
4.1.3.3. 数据分析Prompt
用于数据处理、统计分析和可视化任务。
4.1.3.4. 专业咨询Prompt
针对特定领域的专业咨询，如医疗、法律、金融等。
5. Prompt 框架
为了系统化地向 LLM 提供明确背景和目的，这里推荐您使用 Prompt 框架规范化您的 Prompt。该框架用于帮助您方便、快速地设计 Prompt 结构。该模板充分考虑了会影响 LLM 输出有效性和相关性的各个方面，能显著提升模型表现。
其内容组成为：
-
背景：介绍与任务紧密相关的背景信息。这一环节有助于LLM深入理解讨论的具体环境，从而保证其生成内容与话题高度相关。
-
目的：明确指出您期望LLM完成的具体任务。通过设定清晰、精确的目标指令，可引导LLM聚焦于实现既定任务，提升输出的有效性。
-
风格：指定您希望 LLM 输出的写作风格，可以是某个具体名人、具体流派或者某类专家的写作风格。
-
语气：定义输出内容应有的语气，比如正式、诙谐、温馨、关怀等，以便适应不同的使用场景和使用目的。
-
受众：明确指出内容面向的读者群体，无论是专业人士、入门学习者还是儿童等，这样LLM就能调整语言和内容深度，使之更加贴合受众需求。
-
输出：规定输出内容的具体形式，确保LLM提供的成果能直接满足后续应用的需求，比如列表、JSON数据格式、专业分析报告等形式。 身份设定、背景设定、参考资料、样例、指令、限制条件等
模型在没有或仅有少量示例的情况下执行任务的能力，是衡量大模型的重要指标 1. Zero-Shot（零样本）
- 模型在没有任何示例的情况下完成任务。
- 用户仅提供任务指令，模型依靠其预训练知识进行推理。
- 示例：
- 提示：“将以下英文句子翻译成中文：‘Hello, how are you?’”
- 模型直接输出：“你好，你好吗？” 2. Few-Shot（少样本）
- 模型在少量（通常2~5个）示例的引导下完成任务。
- 通过多个示例更清晰地传达任务模式，提升模型表现。
- 示例：
- 提示：
输入：猫 → 输出：哺乳动物输入：鹰 → 输出：鸟类输入：鲸鱼 → 输出：- 模型输出：“哺乳动物”
6. 提示词工程（Prompt Engineering）
6.1.1.1. 1️⃣思维链（Chain-of-Thought, CoT）
让模型自我解释。
示例：
“请列出解决问题的每个步骤，并分析每步原因。”
好处：
-
提高逻辑任务正确率
-
避免模型跳步回答
6.1.1.2. 2️⃣ 自一致性（Self-Consistency）
让模型输出多个推理路径，再选择最合理答案。
“请提供三种不同的解决思路，并说明哪种最合理。”
用于复杂推理、编程调试效果很好。
6.1.1.3. 3️⃣ 检索增强提示（RAG Prompt）
结合外部文档内容。
“以下是知识库内容，请基于其中的信息回答问题。”
RAG 本质是Prompt + 检索信息拼接，让模型“先读再答”。
6.1.1.4. 4️⃣ 模板化提示（Prompt Template）
对提示进行参数化，以便程序批量调用。
示例：
template = "请总结以下内容的主要观点：{text}"prompt = template.format(text="输入文本内容")适用于：
-
自动化批量任务
-
AI 助手开发
-
LangChain、Flowise、Qwen-Agent 系统
6.1.1.5. 5️⃣ 反思提示（Reflexive Prompt）
要求模型自我检查与改进输出。
“请检查你的回答是否完整、准确，并给出改进后的版本。”
这种提示能让输出更加可靠。
7. Prompt 模板及优化方法
7.1. ICIO
表示介绍（Intruction）、背景（Context）、输入数据（Input Data）和输出指标（Output Indicator），为AI系统提供了清晰的指导。这种结构化的沟通方式不仅提高了AI的工作效率，还确保了输出内容的质量，使其更符合用户的期望。
- 指令(Instruction)：告诉模型需要完成什么任务。示例：“请写一篇关于可持续能源的博客文章，长度大约为1000字，适合中级读者。”
- 背景信息(Context)：提供任务的背景信息，帮助AI理解任务的上下文和环境。示例：“当前全球正面临能源危机，人们对环境友好型能源解决方案的兴趣日益增加。文章应该涵盖可持续能源的基本概念、主要类型以及它们如何帮助减少碳足迹。
- 补充数据(Input Data)：提供任务的背景信息，帮助AI理解任务的上下文和环境。示例：“当前全球正面临能源危机，人们对环境友好型能源解决方案的兴趣日益增加。文章应该涵盖可持续能源的基本概念、主要类型以及它们如何帮助减少碳足迹。
- 输出格式(Output Indicator)：定义期望的输出结果，包括格式、内容和质量标准。示例：“文章应该结构清晰，包含引言、主体和结论。使用易于理解的语言，避免过多的技术术语。确保文章包含事实性数据和引用，以增强说服力。
7.2. CRISPE
Capacity and Role（角色）：明确AI在交互中应扮演的角色，如教育者、翻译者或顾问。 Insight（背景）：提供角色扮演的背景信息，帮助AI理解其在特定情境下的作用。 Statement（任务）：直接说明AI需要执行的任务，确保其理解并执行用户的请求。Personality（格式）：设定AI回复的风格和格式，使其更符合用户的期望和场景需求。 Experiment（实验）：如果需要，可以要求AI提供多个示例，以供用户选择最佳回复。
- 角色与能力(Capacity and Role)：明确AI在交互中应扮演的角色，如教育者、翻译者或顾问。示例：“你是一位专业的谈判顾问，帮助公司在不超出预算的情况下吸引候选人。
- 背景信息(Insight)：提供角色扮演的背景信息，帮助AI理解其在特定情境下的作用。示例： “候选人目前有其他工作机会，他们期望获得更高的薪资。然而，我们公司有固定的薪资预算，但可以提供其他福利，如灵活的工作时间、股票期权和职业发展机会。
- 指令(Statement)：直接说明AI需要执行的任务，确保其理解并执行用户的请求。示例：“你需要模拟一次谈判对话，候选人试图争取更高的薪资，而你则需要展示公司提供的其他福利来吸引他们。
- 输出风格(Personality)：设定AI回复的风格和格式，使其更符合用户的期望和场景需求。示例：“在谈判中，你应该表现出专业和坚定的态度，同时也要展现出理解和体贴，以便更好地与候选人沟通。
- 输出范围(Experiment)：如果需要，可以要求AI提供多个示例，以供用户选择最佳回复。示例：“生成两种不同版本的谈判对话，一种是更注重理性分析和数据支持的版本，另一种则是更注重情感联系和个人发展的版本。
7.3. RASCEF
Role（角色）：定义AI在交互中所扮演的角色，如电子邮件营销人员、项目经理等。 Action（行动）：明确AI需要执行的具体行动，如编写项目计划或回答客户咨询。 Script（步骤）：提供AI完成任务时应遵循的步骤，确保任务的有序进行。 Content（上下文）：提供背景信息或情境，帮助AI理解任务的背景和环境。 Example（示例）：通过具体实例展示期望的语气和风格，帮助AI更好地模仿和理解。 Format（格式）：设定AI输出的格式，如段落、列表或对话，以适应不同的沟通需求。
- 角色(Role)：定义AI在交互中所扮演的角色， 示例：“你是一位市场战略家，负责制定全面的上市计划。
- 行动(Action)：明确AI需要执行的具体行动，如编写项目计划或回答客户咨询。示例：“你需要开发一个包括市场分析、目标人群和促销活动的策略。
- 步骤(Script)：提供AI完成任务时应遵循的步骤，确保任务的有序进行。
- 上下文(Content)：提供背景信息或情境，帮助AI理解任务的背景和环境。示例：“产品是一款旨在提高家庭安全的技术创新产品。
- 示例(Example)：通过具体实例展示期望的语气和风格，帮助AI更好地模仿和理解。示例：“参考科技领域成功的上市案例以获得灵感。
- 格式(Format)：设定AI输出的格式，如段落、列表或对话，以适应不同的沟通需求。示例：“以结构化的文档形式呈现策略，每个关键领域都有相应的部分。
支持与分享
如果这篇文章对你有帮助，欢迎分享给更多人或赞助支持！
音乐
暂未播放