Prompt Engineering实战：让大模型听懂你的话
Prompt Engineering实战：让大模型听懂你的话
什么是Prompt Engineering？
Prompt Engineering（提示工程）是指设计和优化输入给大语言模型的提示文本，以获得更好输出的技术和方法。说白了，就是教你怎么”说话”，让AI真正听懂你的需求，然后给你高质量的回答。
我接触大模型已经两年多了，从最初的GPT-3.5到现在的GPT-4o、Claude Sonnet 4、DeepSeek-V3，几乎每个主流模型我都深度使用过。最大的感悟就是：同一个模型，不同的Prompt写出来，结果天差地别。
举个例子，你问AI”帮我写篇文章”，它可能给你一篇泛泛而谈的废话，说了跟没说一样。但如果你说”你是一位科技博主，帮我写一篇两千字的深度测评文章，主题是二零二六年最值得购买的AI编程工具，要求有数据对比和个人使用体验”，出来的质量完全不是一个级别。前者可能三分钟就写完了，但你根本用不了；后者可能需要多花一分钟写Prompt，但出来的东西几乎可以直接发布。
很多人觉得Prompt Engineering就是”会说话”，其实远不止如此。它涉及到认知心理学、语言学、逻辑学等多个领域的知识。好的Prompt工程师，本质上是一个好的”需求分析师”——你需要把自己的需求精确地翻译成AI能理解的指令。
如果你也想系统学习如何使用ChatGPT，推荐看看我的另一篇文章ChatGPT使用指南，里面有更多实战案例和使用心得。
CRISPE框架：Prompt设计的黄金公式
经过大量实践和反复总结，我摸索出一个非常好用的Prompt框架，叫做CRISPE。每个字母代表一个关键要素，掌握了这六个要素，你就能写出结构清晰、效果出色的Prompt。
| 字母 | 含义 | 说明 | 示例 |
|---|---|---|---|
| C | Capacity（角色能力） | 定义AI扮演的角色和专业背景 | ”你是一位十年经验的数据分析师” |
| R | Role（任务角色） | 明确要完成的具体任务 | ”帮我分析这份销售数据的趋势” |
| I | Insight（背景信息） | 提供必要的上下文和背景 | ”这是一家电商公司，主要卖数码产品” |
| S | Statement（输出声明） | 设定输出的期望和标准 | ”给出三个关键发现和改进建议” |
| P | Personality（个性风格） | 指定输出的语气和风格 | ”用专业但通俗易懂的语言” |
| E | Experiment（实验探索） | 要求给出多种方案供选择 | ”请给出两个不同角度的分析” |
用一个完整的CRISPE Prompt示例来详细说明：
【C-角色能力】你是一位资深的Python后端开发专家，擅长FastAPI和数据库优化，
在大型互联网公司有过高并发系统的设计经验。
【R-任务角色】帮我审查以下代码的性能问题，并给出具体的优化方案。
【I-背景信息】这是一个日活十万的在线教育平台，数据库用的是PostgreSQL，
缓存用的Redis，部署在阿里云ECS上。当前接口响应时间超过两秒，
用户反馈很卡。
【S-输出声明】请列出前五个最严重的性能瓶颈，每个问题附上具体的优化代码
和预期的性能提升数据。
【P-个性风格】用技术文档的风格，简洁明了，代码注释用中文。
【E-实验探索】如果时间允许，也请给出一个长期的架构优化建议，
包括是否需要引入消息队列或者读写分离。你看，这样的Prompt是不是清晰多了？AI拿到之后就知道该干什么、怎么干、干到什么程度、用什么风格来输出。很多人写Prompt就像在餐厅说”随便来点”，然后对端上来的菜不满意——问题不在厨师，在于你没说清楚你要什么。
十个实用Prompt技巧详解
1. 明确角色定义
角色定义是Prompt的基础，也是很多人容易忽略的部分。不同的角色会带来完全不同的回答风格、深度和角度。
你是一位资深的Python开发专家，擅长Web开发和数据科学，有十年一线开发经验，
在Google和字节跳动工作过，带过二十人的技术团队。
请用你的实战经验来回答我的问题，多举一些你在工作中遇到的真实案例。角色越具体，AI的回答就越专业、越有针对性。不要只说”你是专家”，要说清楚是什么领域的专家、有什么经验背景、在什么公司工作过。这就好比你去找医生看病，肯定更愿意找”从业二十年、专攻心脏外科、做过上千台手术”的医生，而不是一个”医生”。
2. 提供上下文信息
上下文是AI理解你意图的关键。没有上下文的Prompt就像没头没尾的对话，AI只能靠猜。
背景：我正在开发一个电商网站的推荐系统。
技术栈：Python + FastAPI + PostgreSQL + Redis
当前问题：推荐算法的冷启动问题严重，新用户看不到个性化推荐，
导致新用户转化率只有百分之三，远低于行业平均的百分之八。
用户规模：日活五万，其中百分之三十是新用户。
团队情况：三个后端开发，没有专门的算法工程师。上下文越充分，AI给出的建议就越贴合你的实际情况。别指望AI会读心术，你脑子里想的东西，要白纸黑字写出来。
3. 指定输出格式
AI默认的输出格式可能不是你想要的。明确告诉它你要什么格式，能省去大量后处理工作。
请以Markdown表格的形式输出对比结果，包含以下列：
- 工具名称
- 月付价格和年付价格
- 核心功能（不超过三个）
- 适用场景
- 推荐指数（一到五星）
- 个人点评（一句话）除了表格，你还可以要求输出为JSON格式、列表、代码块、大纲、思维导图格式等等。格式越明确，AI输出的结构化程度就越高。
4. 使用Few-shot示例
Few-shot（少样本学习）是提升AI理解力的利器。给几个例子，AI就能快速理解你想要的模式和风格。
任务：将产品名称智能分类到对应类目
输入：苹果15 Pro Max → 输出：手机/数码/智能手机
输入：戴森V15吸尘器 → 输出：家电/清洁/吸尘器
输入：雅诗兰黛小棕瓶 → 输出：美妆/护肤/精华液
输入：索尼WH-1000XM5 → 输出：？Few-shot的精髓在于：例子要典型、要覆盖不同情况、数量两到五个为宜。太少AI学不到规律，太多浪费Token。
5. 分步骤思考（Chain of Thought）
让AI展示推理过程，不仅结果更准确，你也能检查它的思路对不对。这个技巧在处理数学问题、逻辑推理和复杂决策时特别有效。
请一步一步思考这个问题：
第一步：分析问题的核心要素和已知条件
第二步：列出所有可能的解决方案
第三步：对每个方案进行优缺点评估
第四步：综合考虑成本、时间、可行性等因素
第五步：给出最终推荐并详细说明理由6. 设定约束条件
约束条件可以防止AI跑偏、输出过长过短、或者使用你不想要的风格。
请在两百字以内回答，使用通俗易懂的语言，不要使用专业术语。
如果必须用专业术语，请在括号内附上简短的解释。
不要用"首先、其次、最后"这种八股文结构。
多用比喻和类比来帮助理解。7. 要求自我检查
让AI检查自己的输出，可以显著提高准确率和完整性。这个技巧很多人不知道，但效果非常好。
完成答案后，请进行以下自查：
1. 所有数据引用是否准确？有没有编造数据？
2. 逻辑是否自洽？有没有前后矛盾？
3. 是否遗漏了重要的角度或信息？
4. 语言表达是否清晰？有没有歧义？
如果有问题请自行修正，并在最后附上一段简短的检查报告。8. 使用XML标签分隔内容
当Prompt比较复杂、包含多个部分时，用XML标签可以帮助AI更好地区分不同部分的内容。这个技巧在Claude系列模型上效果特别好（详见Claude Sonnet 4），在GPT-4o上也有帮助。
<context>
这是一家B2B SaaS公司，产品是项目管理工具，目标客户是中小企业，
目前有一千多个付费客户，月增长率百分之五。
</context>
<task>
帮我写一封冷启动邮件，用于获取潜在客户的试用注册。
</task>
<requirements>
- 邮件长度：一百五十字以内
- 语气：专业但不生硬，像一个友好的同行推荐
- 必须包含一个明确的行动号召（CTA）
- 突出一个核心卖点
</requirements>9. 迭代优化策略
不要期望一次就得到完美结果。我通常会用三轮迭代策略来打磨输出质量：
第一轮：给一个基本Prompt，看看AI的输出方向对不对，整体框架如何。 第二轮：根据输出结果，补充细节、调整约束、修正方向。 第三轮：微调和打磨，让输出达到满意的水平。
你刚才的回答整体方向是对的，但有以下问题需要调整：
1. 第二段的论据不够充分，请补充具体的数据和案例
2. 结论部分太笼统了，请给出可以立即执行的行动步骤
3. 语气再口语化一些，想象你在和朋友喝咖啡时聊天的感觉
4. 开头的hook不够吸引人，能不能用一个反常识的观点来开头？10. 系统提示词（System Prompt）
系统提示词是给AI设定一个持久的角色和行为规范，在整个对话过程中持续生效。这对于需要多轮对话的场景特别有用。
System: 你是蹄小璐的AI写作助手。你的写作风格是：
- 第一人称视角，像在和读者面对面聊天
- 口语化但有深度，不浮于表面
- 善用比喻和类比来解释复杂概念
- 喜欢用表格和数据来支撑观点
- 每篇文章都有一个实用的核心要点
- 适当加入个人经历和感受
用户会给你主题，你需要严格按照以上风格来写作。不同模型的Prompt差异对比
我在日常工作中经常切换不同的大模型，发现它们在Prompt响应上确实有明显差异。这里整理了一个详细的对比表格（更多工具对比请看我的AI工具合集）：
| 特性 | ChatGPT (GPT-4o) | Claude Sonnet 4 | DeepSeek-V3 |
|---|---|---|---|
| 角色定义 | 非常听话，角色代入感强 | 会保持自身判断力，不完全”演” | 中规中矩，偶尔跳出角色 |
| 长文本处理 | 支持128K，但中间容易丢信息 | 200K上下文，长文本表现最好 | 128K上下文，中文长文本优秀 |
| XML标签 | 支持但非必需 | 强烈推荐，效果提升明显 | 支持但效果一般 |
| Few-shot | 效果好，一到三个示例就够 | 效果极好，善于学习模式 | 需要更多示例（三到五个） |
| 中文理解 | 良好，偶有翻译腔 | 优秀，表达自然流畅 | 极好，最懂中文语境 |
| 代码能力 | 强，支持多种编程语言 | 极强，擅长代码重构和审查 | 强，Python和Go突出 |
| 系统提示词 | 支持，效果好 | 支持，会严格遵守 | 支持，有时不够稳定 |
| 推理能力 | 强，数学和逻辑好 | 强，代码推理出色 | 很强，数学推理突出 |
我的实际使用策略：
- 日常写作和内容创作：首选Claude Sonnet 4，中文表达最自然，没有翻译腔
- 代码开发和技术问题：ChatGPT和Claude都很好，DeepSeek性价比最高（参考DeepSeek使用教程）
- 复杂推理和数学问题：GPT-4o和DeepSeek-V3表现突出
- 长文档处理和分析：Claude Sonnet 4的200K上下文无人能敌
高级技巧深度解析
Chain-of-Thought（思维链）进阶用法
基础的CoT就是让AI”一步步想”。进阶玩法是结构化思维链，给AI一个明确的思考框架：
请按照以下框架来分析这个问题：
1. 【问题拆解】将复杂问题分解为三到五个独立的子问题
2. 【信息收集】每个子问题需要哪些信息和数据来回答？
3. 【逻辑推理】基于已知信息对每个子问题进行推理
4. 【交叉验证】用不同的角度和方法验证推理结果
5. 【综合结论】整合所有子问题的分析，给出最终答案Few-shot进阶：对比示例法
不仅给正面示例，还给反面示例，让AI知道什么是好的、什么是不好的。这种对比学习的效果比单纯给正面示例要好很多。
✅ 好的产品介绍：
"这款耳机采用四十毫米钕磁铁驱动单元，频响范围二十赫兹到四十千赫兹，
主动降噪深度达到三十五分贝，续航长达三十小时。
适合通勤和办公场景使用，佩戴舒适度在同类产品中排名前百分之十。"
❌ 不好的产品介绍：
"这个耳机超级好用，音质特别棒，电池很耐用，买买买！"
请参考好的示例风格，为以下产品写介绍：[产品信息]Role-Playing进阶：多角色辩论法
让AI同时扮演多个角色来讨论问题，可以获得更全面的视角，避免单一视角的偏见：
请同时扮演以下三个角色，就"人工智能是否会取代程序员"展开辩论：
角色A（乐观派技术总监）：认为AI是生产力工具，会让程序员更强大，
就像IDE没有取代程序员反而让他们更高效一样。
角色B（担忧派初级开发者）：担心AI会导致大量初级程序员被裁员，
因为AI已经能完成大部分基础编码工作。
角色C（理性派行业分析师）：用具体的数据和行业趋势来客观分析，
不偏向任何一方。
每个角色发言三轮，最后请给出一个综合性的结论和建议。常见错误和解决方案汇总
| 错误类型 | 具体表现 | 解决方案 |
|---|---|---|
| 提示过于模糊 | ”帮我写个东西” | 明确写什么、给谁看、多长、什么风格 |
| 缺少上下文 | 直接问技术问题不说背景 | 先描述项目背景、技术栈、当前问题 |
| 没有指定格式 | 输出一大坨没有结构的文字 | 明确要求表格、列表、Markdown等格式 |
| 期望读心术 | 以为AI知道你脑子里的想法 | 把所有隐含的假设和期望都写出来 |
| 一次塞太多 | 一个Prompt包含十个不同任务 | 拆分成多个小任务，分步骤完成 |
| 不做验证 | 完全信任AI的输出不做检查 | 要求AI自查，自己也验证关键数据 |
| 不给反馈 | 不满意就重新发一遍同样的Prompt | 明确告诉AI哪里不好、怎么改 |
| 忽略模型差异 | 用同样的Prompt给所有模型 | 根据模型特点调整Prompt策略 |
我的Prompt模板库分享
经过两年的积累，我总结了一些高频场景的Prompt模板，直接套用就能出不错的结果：
写文章模板：
你是一位[领域]的资深博主，写作风格[风格描述]。
请写一篇关于[主题]的深度文章。
要求：
- 字数：[X]字左右
- 结构：开头引人入胜 → 核心观点（三到五个）→ 实用建议 → 总结
- 语气：[正式/口语/幽默/严肃]
- 必须包含：[具体要求]
- 禁止：[不要做的事情]
- 目标读者：[描述你的读者画像]代码审查模板：
你是一位有十年经验的高级工程师，曾经在一线互联网公司工作。
请审查以下代码：
[粘贴代码]
请从以下维度进行审查：
1. 代码可读性和命名规范
2. 潜在的Bug和边界情况处理
3. 性能优化建议（附预期提升数据）
4. 安全性问题（SQL注入、XSS等）
5. 最佳实践和设计模式建议
对每个问题，请给出严重等级（高/中/低）和具体的修改代码。结语
Prompt Engineering是一项需要不断练习的技能。刚开始的时候，你可能会觉得写一个好的Prompt比直接做事还费劲。但相信我，一旦你掌握了这些技巧，你会发现AI的输出质量会有质的飞跃，整体效率反而大大提高。
记住CRISPE框架，多用Few-shot和Chain-of-Thought，根据不同的模型调整你的策略。最重要的是——多练多试多迭代。好的Prompt不是一次写出来的，是在实践中不断打磨出来的。
掌握了Prompt Engineering，你就能充分发挥大模型的潜力，让AI真正成为你的超级助手，而不是一个只会聊天的玩具。
关注蹄小璐的知识花园，获取更多AI实战技巧！
深度扩展阅读
本文涵盖的内容是AI领域持续发展的方向之一。如果想进一步了解相关知识,可以参考以下推荐阅读:
推荐阅读
- AI破局：2026年AI破局指南：我是如何靠Prompt Engineering实现效率狂飙的？
- RAG检索增强生成入门：RAG检索增强生成入门：让大模型拥有你的私有知识库
- 开源大模型微调入门：开源大模型微调入门：LoRA/QLoRA实战
- 文心一言使用：文心一言使用教程：百度AI大模型2026完整评测与实战指南