提示词基础与最佳实践

课程简介

编写清晰指令、提供参考文本、分解复杂任务等核心原则。

🎬 本课程视频：Prompt Engineering — 提示词工程

---

提示词基础与最佳实践

一、什么是提示工程？

提示工程（Prompt Engineering）是设计和优化输入提示词，以引导大语言模型生成期望输出的技术。它不是简单地「写提示」，而是一套系统的工程方法。

Andrew Ng 在课程中强调：提示词是与大语言模型交互的核心接口。模型能力再强，如果输入提示词质量差，输出质量也高不到哪里去。

1.1 提示工程的演进

从最简单的单轮问答，到包含上下文、示例和约束的复杂提示词，提示工程已经发展出一套成熟的方法论：

第一代：简单指令 → 「翻译这句话」
第二代：带上下文 → 「作为一位专业翻译，翻译这句话：I love you」
第三代：带示例 → 「如下是翻译示例：Hello → 你好。请翻译：I love you」
第四代：结构化提示 → 「角色+任务+格式+约束+示例」的组合

二、核心原则一：清晰明确

2.1 模糊 vs 清晰的指令

模糊的指令是提示词效果差的首要原因。

❌ 模糊：「写一段关于机器学习的文字」
✅ 清晰：「写一段 200 字的介绍，向没有编程背景的读者解释什么是监督学习。要求：包含一个生活中的例子，避免使用专业术语，适合初中文化程度的读者。」

2.2 清晰指令的要素

1. 任务动词明确：用「写」「翻译」「总结」「分类」「生成代码」等具体动词
2. 输出格式明确：指定格式（JSON、Markdown、表格）和长度（字数、段落数）
3. 目标受众明确：说明回答给谁看（专家、管理者、小白用户）
4. 约束条件明确：主题范围、禁止使用的术语、必须包含的元素

2.3 实用技巧

多步指令分开写：

❌ 「阅读这篇文章，总结要点，然后将其翻译成英文，最后用 JSON 格式输出」

✅ 分三步：

Step 1: 阅读以下文章，列出 3-5 个核心要点。
Step 2: 将上述要点翻译成英文。
Step 3: 将英文要点按以下 JSON 格式输出。

三、核心原则二：提供参考

3.1 为什么提供参考有效？

大语言模型本质上是一个模式匹配和生成的系统。给定示例后，模型能够快速理解期望的输出格式、风格、复杂度和结构，不需要从零开始「猜测」你的需求。

3.2 示例选择

• 2-3 个覆盖不同场景的示例比 10 个同类型示例更有效
• 示例应该覆盖输入的典型变化（正常场景、边界场景）
• 示例质量要高——模型的输出会模仿示例的质量水平

3.3 示例设计

任务：将中文产品名翻译为英文，并生成英文产品描述。

示例 1：
输入：智能温控水杯 Pro Max
输出：
- English Name: Smart TempControl Mug Pro Max
- Description: A premium insulated mug with intelligent temperature control,
  keeping your beverages at the perfect temperature for hours.

示例 2：
输入：超薄无线充电器 Air
输出：
- English Name: UltraSlim Wireless Charger Air
- Description: A sleek, ultra-thin wireless charging pad that delivers
  fast charging while complementing your desk setup.

你的输入：便携式空气净化器 Mini
输出：

3.4 零样本 vs 少样本

• 零样本（Zero-shot）：直接给出指令，不提供示例。适合模型已经熟悉的任务
• 少样本（Few-shot）：提供 2-5 个示例。适合格式特定的输出或复杂任务
• 如果零样本模型表现良好，不需要引入少样本

四、核心原则三：分解任务

4.1 为什么需要分解？

复杂任务往往涉及多个子目标，直接要求模型一次性完成会导致以下问题：
- 输出质量不稳定：模型可能只回答了问题的某一个方面
- 中间过程不可控：无法在关键步骤进行干预和修正
- Token 浪费：大段输出中可能只有一小部分真正有用

4.2 任务分解的策略

策略一：顺序分解

原始任务：分析产品评论，找出改进点，并提出实施方案
分解：
1. 阅读所有评论，列出被提及最多的 5 个问题
2. 对每个问题，分析其根本原因
3. 针对每个根本原因，提出具体改进方案

策略二：并行分解

原始任务：制定一份 Go 语言学习计划
分解（并行）：
A. 列举 Go 语言的核心概念和知识点
B. 评估初学者的常见困难
C. 设计按周划分的学习路径
最终：将 A、B、C 的结果整合为一份完整的学习计划

4.3 中间结果检查

分解任务的一个重要优势是可以在每一步检查中间结果。如果某一步的输出质量不达标，可以即时修正，避免错误传导到后续步骤。

五、核心原则四：设定边界

5.1 设定边界的重要性

大语言模型默认会尽力回答任何问题。但在很多场景下，需要明确告诉模型「什么可以做、什么不可以做」。

5.2 常见的边界设定

知识边界：

如果你不知道答案，请直接说「我不知道」，不要编造信息。
请基于提供给你的文档回答，不要使用训练数据中的知识。

行为边界：

你的角色是一个客服助手。不要做以下事情：
- 不要询问用户的私人信息
- 不要提供医疗或法律建议
- 不要执行数学计算（使用计算器工具）

输出边界：

只输出 JSON 格式，不要输出任何其他内容。
回答限制在 3 句话以内。

六、完整的提示词模板

6.1 结构化提示词模板

# 角色
你是一位 [角色定义]

# 任务
请完成以下任务：[任务描述]

# 输出格式
- 格式：[JSON / Markdown / 纯文本]
- 长度：[字数 / 段落数 / 项目数]
- 结构：[结构要求]

# 约束
- [约束 1]
- [约束 2]
- [约束 3]

# 示例
输入：[示例输入]
输出：[示例输出]

# 上下文
[背景信息或额外上下文]

# 我的输入
[输入内容]

七、实践案例

7.1 文档总结提示词

# 角色
你是一位专业的文档分析师，擅长从长文档中提取核心信息。

# 任务
阅读以下文档，输出：
1. 一句话总结（30 字以内）
2. 三个核心要点（每个要点一句话）
3. 一个行动建议（需要做什么）

# 格式
Markdown 格式，每个部分用 ### 标题分隔

# 约束
- 只基于文档内容，不添加外部知识
- 不要使用模糊词汇如「可能」「或许」
- 如果有量化数据，必须保留具体数字

# 文档
[文档内容]

八、总结

提示词工程的四大核心原则——清晰指令、提供参考、分解任务、设定边界——是高效使用大语言模型的基础。每一条原则都针对 LLM 使用中的特定痛点：模糊性、理解偏差、复杂度、过度回答。在实践中坚持使用这四条原则，可以大幅提升与 LLM 交互的效率和质量。

六、第二条原则：提供参考文本

6.1 为什么需要参考文本？

LLM 虽然训练数据量巨大，但不可能精确记住所有细节。对于需要精确回答的任务，提供参考文本可以显著提升准确性。参考文本（Reference Text）就像给模型一个“开卷考试”的参考资料。

6.2 参考文本的使用方式

请根据以下参考资料回答问题。如果参考资料中没有相关信息，请明确告知无法回答。

参考资料：
[插入相关文档、文章或数据]

问题：[用户的问题]

这种方式特别适合：
- 公司内部文档问答
- 法律条款查询
- 产品说明书问答
- 学术论文摘要

七、第三条原则：分解复杂任务

7.1 复杂任务的挑战

当任务复杂度超过一定阈值时，LLM 的表现会显著下降。例如：
- 同时完成多个不相关的步骤
- 处理大量输入信息
- 需要多步骤推理

7.2 任务分解策略

将复杂任务分解为子任务：

1. 逐步指导：将任务拆解为多个简单步骤
2. 先规划后执行：先让 LLM 制定计划，再逐步执行
3. 链式调用：将不同任务分配给不同的 LLM 调用

八、总结与最佳实践

关键要点回顾：
- 清晰指令：使用分隔符、结构化输出、示例
- 提供参考：减少幻觉，提升准确性
- 分解任务：降低单次调用的复杂度
- 迭代优化：根据输出持续改进提示词

六、第二条原则：提供参考文本

6.1 为什么需要参考文本？

LLM 虽然训练数据量巨大，但不可能精确记住所有细节。对于需要精确回答的任务，提供参考文本可以显著提升准确性。参考文本（Reference Text）就像给模型一个“开卷考试”的参考资料。

6.2 参考文本的使用方式

请根据以下参考资料回答问题。如果参考资料中没有相关信息，请明确告知无法回答。

参考资料：
[插入相关文档、文章或数据]

问题：[用户的问题]

这种方式特别适合：
- 公司内部文档问答
- 法律条款查询
- 产品说明书问答
- 学术论文摘要

七、第三条原则：分解复杂任务

7.1 复杂任务的挑战

当任务复杂度超过一定阈值时，LLM 的表现会显著下降。例如：
- 同时完成多个不相关的步骤
- 处理大量输入信息
- 需要多步骤推理

7.2 任务分解策略

将复杂任务分解为子任务：

1. 逐步指导：将任务拆解为多个简单步骤
2. 先规划后执行：先让 LLM 制定计划，再逐步执行
3. 链式调用：将不同任务分配给不同的 LLM 调用

八、总结与最佳实践

关键要点回顾：
- 清晰指令：使用分隔符、结构化输出、示例
- 提供参考：减少幻觉，提升准确性
- 分解任务：降低单次调用的复杂度
- 迭代优化：根据输出持续改进提示词

【核心技巧深入】我们来补充一个非常实用的提示词设计框架：Role-Context-Format-Task，简称 RCFT 框架。这个框架帮助你在编写提示词时确保不遗漏任何关键要素：

• Role（角色）：定义 AI 应该扮演的身份，如“你是一位资深 Python 开发工程师”
• Context（上下文）：提供背景信息和约束条件
• Format（格式）：指定输出格式，如 JSON、表格、列表
• Task（任务）：明确具体要完成的任务

使用 RCFT 框架的示例：

角色：你是一位专业的代码评审工程师
上下文：我们的项目使用 Python 3.11，遵循 PEP 8 规范，使用 pytest 进行测试
格式：请用 Markdown 表格输出，包含“代码片段”、“问题”、“建议”三列
任务：审查下方的代码，找出所有潜在问题

另一个重要技巧是“否定指令的正向表述”。与其告诉模型“不要做什么”，不如告诉它“要做什么”。例如，不说“不要编造事实”，而是说“如果不知道答案，请明确说不知道”。正向表述比否定指令更有效，因为 LLM 在遵循肯定性指令时表现更好。

六、第二条原则：提供参考文本

6.1 为什么需要参考文本？

LLM 虽然训练数据量巨大，但不可能精确记住所有细节。对于需要精确回答的任务，提供参考文本可以显著提升准确性。参考文本（Reference Text）就像给模型一个“开卷考试”的参考资料。

6.2 参考文本的使用方式

请根据以下参考资料回答问题。如果参考资料中没有相关信息，请明确告知无法回答。

参考资料：
[插入相关文档、文章或数据]

问题：[用户的问题]

这种方式特别适合：
- 公司内部文档问答
- 法律条款查询
- 产品说明书问答
- 学术论文摘要

七、第三条原则：分解复杂任务

7.1 复杂任务的挑战

当任务复杂度超过一定阈值时，LLM 的表现会显著下降。例如：
- 同时完成多个不相关的步骤
- 处理大量输入信息
- 需要多步骤推理

7.2 任务分解策略

将复杂任务分解为子任务：

1. 逐步指导：将任务拆解为多个简单步骤
2. 先规划后执行：先让 LLM 制定计划，再逐步执行
3. 链式调用：将不同任务分配给不同的 LLM 调用

八、总结与最佳实践

关键要点回顾：
- 清晰指令：使用分隔符、结构化输出、示例
- 提供参考：减少幻觉，提升准确性
- 分解任务：降低单次调用的复杂度
- 迭代优化：根据输出持续改进提示词

【核心技巧深入】我们来补充一个非常实用的提示词设计框架：Role-Context-Format-Task，简称 RCFT 框架。这个框架帮助你在编写提示词时确保不遗漏任何关键要素：

• Role（角色）：定义 AI 应该扮演的身份，如“你是一位资深 Python 开发工程师”
• Context（上下文）：提供背景信息和约束条件
• Format（格式）：指定输出格式，如 JSON、表格、列表
• Task（任务）：明确具体要完成的任务

使用 RCFT 框架的示例：

角色：你是一位专业的代码评审工程师
上下文：我们的项目使用 Python 3.11，遵循 PEP 8 规范，使用 pytest 进行测试
格式：请用 Markdown 表格输出，包含“代码片段”、“问题”、“建议”三列
任务：审查下方的代码，找出所有潜在问题

另一个重要技巧是“否定指令的正向表述”。与其告诉模型“不要做什么”，不如告诉它“要做什么”。例如，不说“不要编造事实”，而是说“如果不知道答案，请明确说不知道”。正向表述比否定指令更有效，因为 LLM 在遵循肯定性指令时表现更好。

最后补充一个实用场景建议。当你在写 prompt 时，如果发现模型输出不稳定，不妨从三个原则逐一检查：指令是不是有歧义？有没有提供足够的参考信息？任务是不是可以拆得更细？你会发现，大多数 prompt 问题都能通过这三个原则得到解决。这也是为什么 Andrew Ng 把这三条作为提示词工程的核心原则。

延伸阅读

• 📺 B 站播放列表：Prompt Engineering — 提示词工程
• 📚 更多学习资源，请访问 deeplearning.ai 官网