提示词提高AI工作效率的干货知识！

要掌握 Prompt 工程，首先需要清晰认识其核心的分类体系。在 AI 对话交互中，存在三种基本的提示类型，它们相互配合，共同构成了完整的人机沟通框架。

核心 - 基于角色的分类

用户提示（User Prompt）是用户直接向 AI 传递的需求信息，比如 “帮我生成数据库面试题的答案”，这类提示的核心作用是明确告诉 AI “要做什么”，是人机交互的起点。

系统提示（System Prompt）则像是隐藏在幕后的 “导演”，它为 AI 设定了角色定位和行为规则，例如 “你是一位经验丰富的后端大厂面试官，擅长分析候选人的技术问题并提供建设性指导。请以专业客观的语气回答，必要时主动追问细节以便深入评估”，这样的设定直接决定了 AI 的专业领域、沟通风格和能力边界，是让 AI 能够在特定场景下发挥专业作用的关键。

而助手提示（Assistant Prompt）是 AI 模型的响应内容，在多轮对话中，这些响应会成为上下文的一部分，持续影响后续的交互走向。比如在技术面试场景中，AI 面试官先问 “请谈谈你在微服务架构中的实践经验”，当用户回答后，AI 接着追问 “跨服务调用时如何处理分布式事务”，这样的连续响应会引导对话不断深入，从而更全面地挖掘信息。

从功能角度划分，Prompt 可以分为多种类型，以适应不同的任务需求。

基于功能的分类

指令型提示直接下达具体任务，例如 “翻译以下文字为英文：什么是提示词”，这类提示的特点是目标明确，指令清晰。

对话型提示则模拟自然的交流场景，如 “你认为人工智能会在未来取代人类工作吗？”，通过问答形式实现信息的交换和观点的探讨。

创意型提示旨在激发 AI 的创造潜能，比如 “写一个发生在未来太空殖民地的短篇科幻故事，主角是一位机器人工程师，故事中要包含机器人与人类的情感冲突”，这类提示需要为 AI 提供足够的想象空间和创作线索。

角色扮演型提示通过为 AI 设定特定身份来约束回答视角，例如 “假设你是爱因斯坦，如何用简单的语言向中学生解释相对论”，让 AI 能够从特定角色的知识储备和表达习惯出发进行回应。

少样本学习型提示则通过提供示例来引导 AI 理解任务模式，比如先给出 “这家餐厅的服务太差了，等了一个小时才上菜” 对应 “负面” 评价的例子，再让 AI 分析 “新买的手机屏幕清晰，电池也很耐用” 的情感倾向，通过示例让 AI 快速掌握任务的核心要求。

此外，根据复杂度不同，Prompt 还可分为简单提示、复合提示、链式提示和模板提示。

其中，模板提示因包含可替换变量，在大规模应用中能有效保证输出的规范性和一致性， 例如 “你是一位专业的 {领域} 专家，请回答以下关于 {主题} 的问题：{具体问题}。

回答应包含 {要点数量} 个关键点，并使用 {风格} 的语言风格”，通过变量替换，能够快速适配不同的领域和任务需求。

Token

在实际应用 Prompt 工程时，Token 的管理是不可忽视的重要环节。Token 是大模型处理文本的基本单位，它可以是一个单词、一个汉字、一个标点符号，甚至是一个表情符号的部分编码。模型的输入和输出都会以 Token 为单位进行计算，而 Token 数量的多少直接关系到成本和效率 —— 通常情况下，Token 数量越多，所需的费用就越高，模型的响应速度也会越慢。

不同的大模型对 Token 的划分规则略有差异，根据 OpenAI 的文档说明，英文文本中，1 个 Token 大约相当于 4 个字符或 0.75 个英文单词；中文文本中，1 个汉字通常会被编码为 1-2 个 Token；空格、标点符号以及特殊符号和表情符号，也都会计入 Token 数量。简单估算的话，100 个英文单词约等于 75-150 个 Token，而 100 个中文字符约等于 100-200 个 Token。在实际操作中，我们可以借助 OpenAI Tokenizer 等工具来准确估算 Prompt 的 Token 数量。

tiktoken.aigc2d.com/ OpenAi Tokens在线计算器

为了优化 Token 成本，在实践中可以采用多种策略。精简系统提示是有效的方法之一，去掉冗余的表述，保留核心指令，比如将 “你是一个非常专业、经验丰富且非常有耐心的编程导师，擅长用简单易懂的语言讲解复杂概念” 简化为 “你是编程导师，擅长用通俗语言讲解复杂概念”，在不影响 AI 角色定位的前提下减少 Token 消耗。

定期清理对话历史也很重要，在长对话中，随着交互的推进，上下文会不断累积 Token，此时可以定期请求 AI 总结之前的对话内容，用简洁的总结替代详细的历史记录，从而控制上下文的 Token 数量。对于需要处理大量参考文档的场景，不要直接将整个文档作为 Prompt 输入，而是采用向量数据库和检索技术（RAG），从文档中提取与当前任务相关的段落进行输入，既能保证 AI 获得必要的信息，又能大幅减少 Token 消耗。此外，用列表、表格等结构化格式替代长段落描述，也能有效降低 Token 数量，比如将回锅肉制作材料的描述从大段文字改为：

• 主料：精选五花肉

• 调料：豆瓣酱、料酒、葱、姜

• 配料：蒜苗、青椒等

这种结构化的呈现方式，不仅更清晰易读，还能显著减少 Token 消耗。

Prompt 优化技巧

掌握 Prompt 的优化技巧，是提升 AI 输出质量的核心。在基础层面，明确指定任务和角色至关重要，要为 AI 提供清晰的背景信息和期望结果。

例如 “你是一位经验丰富的 Python 教师，擅长向初学者解释编程概念。请解释 Python 中的列表推导式，包括基本语法、2-3 个实用示例以及与普通 for 循环相比的优势”，这样的提示既明确了 AI 的角色，又详细说明了任务内容和输出要求，能让 AI 更精准地把握需求。

提供详细说明和具体示例也能有效提升输出质量，比如在要求生成社交媒体营销计划时，明确列出 “目标受众描述（年龄 18-30 岁，学生群体，关注潮流时尚）、三个内容主题（产品设计理念、用户使用场景、限时优惠活动）、各平台内容类型建议（抖音以短视频为主，小红书以图文笔记为主）、发布频率建议（每周 3-4 次）”，并给出示例格式，能让 AI 的输出更贴合实际需求。

同时，明确输出格式要求，如 “撰写一篇关于气候变化的科普文章，要求使用通俗易懂的语言，适合高中生阅读，包含 5 个小标题，每个标题下 2-3 段文字，总字数控制在 800 字左右，结尾提供 3 个可行的个人行动建议”，通过对格式、风格、字数等的约束，让 AI 的输出更符合预期。

进阶的 Prompt 优化技巧

进阶的 Prompt 优化技巧则能帮助我们应对更复杂的任务需求。思维链提示法（Chain-of-Thought）通过引导模型展示推理过程，提高复杂问题的准确性。

例如在解决 “购买 7 件 15 元的 T 恤，5 件以上享 8 折优惠，需支付多少钱” 这个问题时，让 AI 按 “第一步计算 7 件 T 恤的原价，第二步判断是否符合折扣条件，第三步计算折扣后的价格，第四步得出最终支付金额” 的步骤逐步推导，通过清晰的推理链条，减少计算错误的可能性。

少样本学习法则通过提供输入 - 输出对示例，帮助 AI 快速理解任务模式，比如在进行情感分析时，先给出 “这家餐厅的服务太差了，等了一个小时才上菜 —— 负面，因为描述了长时间等待和差评服务”“新买的手机屏幕清晰，电池也很耐用 —— 正面，因为赞扬了产品的多个方面” 这样的示例，再让 AI 分析 “这本书内容还行，但是价格有点贵” 的情感倾向，通过示例让 AI 掌握判断标准。

分步骤指导将复杂任务拆解为多个可管理的环节，如创建网站落地页设计方案时，按 “分析目标受众（年龄、职业、需求等）、确定页面核心信息（主标题、副标题、价值主张）、设计页面结构（至少包含导航栏、Banner 区、产品介绍区、用户评价区、联系表单区）、制定视觉引导策略（主色调选用蓝色以体现专业感，搭配白色背景保证清晰可读）、设计行动召唤（CTA）按钮和文案（按钮文字为‘立即咨询’，采用橙色突出显示）” 的步骤依次完成，让复杂任务变得有序可控。此外，让模型自我评估和修正、引导其检索并引用信息来源、从多视角分析问题等技巧，都能从不同维度提升输出的质量和可靠性。

值得注意的是，Prompt 工程往往需要通过迭代优化来不断完善，好的提示词很少能一步到位。可以先通过初始提示获取 AI 的输出，分析其中的不足，再逐步细化指令。比如最初的提示是 “谈谈人工智能的影响”，得到的回答可能比较笼统，此时可以将提示优化为 “分析人工智能对医疗行业的三大积极影响（如诊断效率提升、个性化治疗方案制定等）和两大潜在风险（如数据隐私泄露、过度依赖技术导致医生能力退化等），并提供具体的应用案例”，通过不断聚焦和细化，让 AI 的输出越来越精准。同时，构建标准化的提示词模板，能在大规模应用中保证输出的一致性，模板示例如下：

【专家角色】: {领域} 专家

【任务描述】: {任务详细说明，包括背景信息、核心需求等}

【所需内容】:

-   {要点 1}

<!---->

-   {要点 2}

<!---->

-   {要点 3}

【输出格式】: {格式要求，如分点论述、表格呈现等}

【语言风格】: {风格要求，如专业严谨、通俗易懂等}

【限制条件】: {字数、时间或其他限制，如字数控制在 500 字以内}

例如：

【专家角色】: 营养学专家

【任务描述】: 为一位想减重的上班族设计一周健康饮食计划，该上班族每天工作繁忙，午餐多在公司附近解决，晚餐在家简单烹饪

【所需内容】:

-   七天的三餐安排

<!---->

-   每餐的大致卡路里

<!---->

-   准备建议和购物清单

【输出格式】: 按日分段，每餐列出具体食物及分量

【语言风格】: 专业但友好，用词简洁明了

【限制条件】: 考虑准备时间短，预算有限，避免需要复杂烹饪技巧的食谱

当发现 AI 的输出存在错误时，针对性地优化提示词能有效提升后续输出的质量。比如在代码生成场景中，发现之前生成的 Python 代码 “没有正确处理文件不存在的情况、数据处理逻辑中存在边界条件错误、代码注释不够详细”，此时可以修改提示为 “请重新生成代码 特别注意：

1. 添加完整的异常处理（包括文件不存在、权限不足等情况）；

2. 测试并确保所有边界条件（如空文件、数据格式错误等）都能正确处理；

3. 为每个主要函数和复杂逻辑添加详细注释；

4. 遵循 PEP 8 编码规范”，通过明确指出问题和改进方向，让 AI 能够针对性地修正错误。

总之，Prompt 工程的核心原则可以总结为：任务越复杂，就越要在 Prompt 中补充更多细节。我们可以把 AI 想象成一个需要明确指令的合作者，如果问题模糊不清，得到的答案往往也会不尽如人意。随着 AI 技术的不断发展，Prompt 工程的重要性将愈发凸显，掌握这一技术不仅能提高工作效率，更能帮助我们解锁 AI 在各个领域的深层潜力，成为连接人类智慧与机器能力的关键桥梁，在 AI 时代占据主动地位。

欢迎关注 ❤

我们搞了一个免费的AI交流面经共享群，互通有无，一起刷题进步。

没准能让你能刷到自己意向公司的最新面试题呢。

感兴趣的朋友们可以加我微信：wangzhongyang1993，备注：AI交流群。