一文吃透 Prompt：定义、设计与调优全指南

一文吃透 Prompt：定义、设计与调优全指南（附流程图+实战代码）

想让大模型输出高质量结果，Prompt 才是真正的“隐藏技能”。本文从零讲起，涵盖 Prompt 的核心要素、设计原则、调优方法，并给出可直接复用的代码与模板。

1. 什么是 Prompt？

Prompt（提示词）是用户输入给大语言模型（LLM）的自然语言指令，用于引导模型生成特定格式、风格和内容的回答。

简单理解：Prompt 就是你与大模型沟通的语言——你问得越清晰、越有结构，模型回答就越精准。

1.1 Prompt 的组成要素

一个完整的 Prompt 通常包含以下几个部分（可灵活组合）：

1.2 Prompt 的作用

• 控制输出质量：好的 Prompt 大幅降低幻觉，提升准确性。
• 塑造风格与角色：让模型扮演“老师”、“律师”、“幽默的朋友”。
• 实现复杂任务：链式推理（CoT）、代码生成、数据提取等。

2. Prompt 设计：从“能跑”到“优秀”的 6 条黄金法则

2.1 设计流程概览

2.2 六大设计原则

① 指令清晰、避免歧义

• ❌ “写一段关于AI的文字” → 太宽泛。
• ✅ “用 50 字解释什么是监督学习，面向初中生读者，举一个猫分类的例子。”

② 使用分隔符明确边界

建议使用###、"""、<tag>等将指令、上下文、输入隔开。

### 指令 ### 将下面的英文翻译成中文，并保持专业术语准确。 ### 输入 ### The prompt design is crucial for large language models. ### 输出 ###

③ 提供示例（Few-shot）提升稳定性

示例能让模型学会“输出格式”和“推理方式”。

请仿照以下示例，将问题分类为【技术】/【产品】/【其他】。 示例1： 问题：OpenAI GPT-4 有多少参数？ 分类：技术 示例2： 问题：ChatGPT Plus 每月费用多少？ 分类：产品 真实问题： 问题：DALL·E 3 和 Midjourney 哪个更擅长画人像？ 分类：

④ 指定输出格式

直接要求 JSON、Markdown、列表、代码块等。

请列出三个提高睡眠质量的建议。以JSON数组格式输出，每个元素包含“title”和“description”。

⑤ 引导模型“思考” – 思维链（Chain-of-Thought, CoT）

对于复杂推理，强制模型输出中间步骤。

问题：小明有 5 个苹果，给了小红 2 个，然后又买了 3 倍于现在数量的苹果。请问他现在有多少个苹果？ 请一步一步推理，最后输出答案。

⑥ 处理不确定性 – 设置“拒绝回答”机制

防止幻觉。

如果下面提供的信息不足以回答问题，请直接回复“根据现有信息无法回答”。不要编造任何内容。

3. Prompt 调优：如何系统性地提升效果？

调优是一个实验→评估→修正的闭环过程。

3.1 调优的核心维度

3.2 实战技巧：从差到好的例子对比

场景：从简历中提取技能列表（输出 JSON）

差 Prompt：

提取技能。

中等 Prompt：

从下面的简历文本中提取所有技能，用 JSON 数组输出。

优秀 Prompt：

### 角色 ### 你是一名资深的 HR 助理。 ### 任务 ### 从简历中提取【专业技能】和【软技能】两类。 ### 输出格式 ### {"hard_skills": [...], "soft_skills": [...]} ### 约束 ### - 每个技能用 2-4 个字的短语 - 不重复提取 - 如果没有某类技能，输出空数组 ### 简历文本 ### {resume_content}

3.3 自动调优工具推荐

• LangSmith：追踪 Prompt 版本，对比输出。
• PromptPerfect：自动优化 Prompt 文本。
• DSPy：用编程方式声明 Prompt 并自动调优。
• 简单的本地脚本：保留测试集，批量运行，计算准确率。

3.4 评估指标

4. 代码实战：使用 OpenAI API 对比不同 Prompt 的效果

importopenai openai.api_key="your-key"defask(prompt,temperature=0.0):response=openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"user","content":prompt}],temperature=temperature)returnresponse.choices[0].message.content# 测试 Prompt 1：简单指令prompt_bad="介绍一下 Python 中的装饰器。"print("【简单Prompt输出】\n",ask(prompt_bad))# 测试 Prompt 2：结构化 + 格式约束prompt_good=""" ### 角色 ### 你是一位 Python 高级讲师。 ### 任务 ### 用三个要点解释“装饰器”，并给出一段示例代码。要求： 1. 每个要点不超过 30 字。 2. 代码需要包含 `@` 语法的实际示例。 3. 最后用一句话说明装饰器的常见应用场景。 ### 输出格式 ### **要点：** 1. ... 2. ... 3. ... **代码：** ... **应用场景：** ... """print("\n【结构化Prompt输出】\n",ask(prompt_good))

💡 实际运行你会发现：结构化 Prompt 输出更一致、更易解析，且不产生冗余内容。

5. 常见误区与避坑指南

6. 总结与思维导图

核心要点回顾

• Prompt = 控制 LLM 的“编程语言”，好坏直接决定输出质量。
• 设计阶段：明确指令 → 提供示例 → 约束格式 → 拒绝幻觉。
• 调优阶段：建立测试集 → 对比实验 → 调整指令/参数 → 评估迭代。
• 终极心法：没有“万能 Prompt”，只有“最适合你的任务 + 模型版本”的 Prompt。

附：Prompt 设计决策流程图（可直接用于自己的项目）