不会写提示词？难怪你的AI总在胡说八道！

星浩AI
89 阅读9分钟

不会写提示词？难怪你的AI总在胡说八道！

你有没有过这样的经历？满怀期待地问大模型一个问题，结果它一本正经地胡说八道，编造数据、张冠李戴，甚至“自信满满”地给出错误答案。明明是智能AI，怎么一用就“智障”？其实，问题往往不在模型，而在于我们没学会和它“好好说话”——这正是提示词工程要解决的核心问题。

img_1.jpg

一、Prompt原理

  • 输入编码

    当你输入一段提示（Prompt）时，大模型首先将其分词为一系列token（可以是字、词或子词单元），并将每个 token 转换为带有位置信息的向量表示。这一步让模型既能理解语义，也能感知词语在句子中的顺序。

  • 自回归生成

    随后，模型以自回归方式逐个生成回答中的 token：在每一步，它都会综合考虑原始 Prompt和此前已生成的所有内容，预测下一个最可能的 token。

  • 生成终止

    这一过程持续进行，直到模型输出终止信号（如结束符<|endoftext|>）。

为什么需要有效的Prompt？

  • 让 AI 给出更准确、有用的回答

  • 少问几次就能得到想要的结果

  • 避免 AI 理解错误或答非所问

二、提示词策略差异

  • 通用模型
    • 需要显式引导推理步骤（如CoT提示），否则易忽略关键逻辑
    • 通过提示词补偿能力短板（如分步骤思考、few-shot示例）
  • 推理模型
    • 提示语更简洁，聚焦任务目标和需求
    • 无需逐步指导，模型自动生成结构化推理过程；过度拆解反而可能降低推理能力

三、提示词关键原则

  • 模型选择

    • 按任务类型选择模型，不盲从“热门”
    • 创意生成、开放对话优先用通用模型；数学、编程等强逻辑任务选专用推理模型
    • 专业领域任务需考虑领域适配模型

  • 提示词设计

    • 通用模型：结构化、补偿性引导（如背景、格式、示例、约束）
    • 推理模型：简洁指令、聚焦目标，信任其内化能力

  • 避免误区

    • 不对通用模型过度信任，复杂推理需拆解步骤
    • 不对推理模型用模糊启发式提问，避免跑偏
    • 强推理模型也可能犯错，需多轮交互、交叉验证

四、Prompt编写四大原则

  1. 明确目标：清晰定义任务，便于模型理解
  2. 具体指导：给予明确的指令和约束
  3. 简洁明了：表达简练，避免冗余
  4. 适当引导：用示例或边界条件辅助模型
  5. 迭代优化：根据输出持续调整Prompt

img_2.jpg

1）具体指导：给予模型明确的指导和约束。

示例1：文本摘要生成任务目标，生成新闻文章的摘要。

  • 不明确的指导：请为这篇新闻文章生成摘要。
  • 具体指导：请将以下新闻文章总结为3-4句话，包含主要事件、人物和时间地点。

示例2：客户服务对话任务目标，回答客户关于订单状态的问题

  • 不明确的指导：请回答客户关于订单状态的问题。
  • 具体指导：请使用礼貌的语言回答客户关于订单状态的问题，提供具体的订单信息和预计到达时间。如果订单有任何问题，请提供解决方案或进一步的联系信息。

2）简洁明了：表达简练，避免冗余

示例1：文章续写任务目标，根据给定开头续写一段故事。

  • 冗长：请基于下面的故事开头续写一段文字。续写时请保持与原文风格一致，注意故事的连贯性和合理性。希望续写部分引人入胜，并且能够自然地衔接上文。如果有任何疑问，请尽量参照原文的风格进行。
  • 简洁：根据以下开头续写故事：

3）适当引导

  • 无引导：请写一封请假邮件。

  • 有引导：请写一封请假邮件，内容包括请假原因、请假时间及工作安排。

    示例：

主题：请假申请

尊敬的[经理姓名]，    
    我因个人原因需请假两天，从6月20日至6月21日。请假期间，我会将工作交接给[同事姓名]，如有紧急情况可随时联系我。感谢您的理解和批准。
    
        此致
        
   敬礼[您的姓名]

4）迭代优化

  • 要求： 帮我写一个a+b的Python函数
  • 初版：

    def add(a, b): return a + b
  • 优化：增加类型检查，处理非数值情况

    def add(a, b):
        if not isinstance(a, (int, float)) or not isinstance(b, (int, float)):
            raise TypeError("Both a and b must be numbers (int or float)")
        return a + b

五、Prompt的六大组成部分

  1. 任务（Task）：以动词开头，明确目标

  2. 上下文（Context）：补充背景信息

  3. 示例（Exemplars）：提供具体例子

  4. 角色（Persona）：指定AI扮演的身份

  5. 格式（Format）：要求输出格式（如表格、列表）

  6. 语气（Tone）：指定输出语气（如正式、幽默等）

    重要性排序：任务 > 上下文 > 示例 > 角色 > 格式 > 语气

    如对模型回答不满意，依次检查Prompt内容并调整。

image.png

六、Prompt编写常用技巧

在了解Prompt编写原则的基础上，还有一些Prompt编写技巧：

  1. 限制输出格式 要求AI输出JSON、表格等结构化数据，方便后续处理。

    {
        "公司名称":"伊利股份",
        "股票代码":"600887",
        "营收":"325亿元",
        "净利润":"59.23亿元"
    }

2.使用分隔符

用如'''等符号区分不同输入部分，提高组织性。

3.提供样例

针对含糊或复杂任务，给出示例让模型学习。

请帮我对用户的评价进行分类，直接输出：正面/负面，并给出理由

示例1：

用户评价：这次开户真是太满意了，都一周了，客服还没有回复我

输出：负面，客户并不是真的满意，客服一周未回复，造成了不满。

示例2：

用户评价：

工商银行的开户过程非常顺利，客服态度亲切。

输出：正面，开户过程顺利，客服态度好。

请回答如下问题：

用户评价：开户流程简洁明了，不需要繁琐的纸质材料，所有步骤都可以在线完成。

4.CoT思维链工具

CoT（Chain of Thought，思维链）通过将复杂任务分解为多个简单的步骤，帮助模型系统地思考并解决问题。作用：

  • 系统化问题解决：将复杂问题分解为多个简单步骤，使解决过程更加有序和清晰。
  • 提高透明度，减少错误：帮助理解和追踪每个决策点，减少整体错误发生的概率。
  • 提升模型推理能力：帮助模型学习如何系统地分解和解决此类问题，提高在类似任务中的表现。

你是一个数学助手，请根据以下步骤计算用户输入的金额。请将每个金额首先加上1000元，接着减去500元，然后乘以1.2输出计算结果，以','作为分隔符进行返回。你可以参考以下计算过程来帮助解决：


计算过程如下：首先分别对输入的2000, 3000, 4000加上1000，得到：3000, 4000, 5000

然后将3000, 4000, 5000分别减去500，得到：2500, 3500, 4500

然后将2500, 3500, 4500分别乘以1.2，得到：3000, 4200, 5400 

答案是：3000, 4200, 5400

输入：1500, 2500, 3500

5.面向不同角色讲解

把我当做五岁小朋友一样，向我介绍人工智能。

七、Prompt实战案例

1. 使用提示词完成任务

电信的客服人员，如何识别用户的手机流量套餐的需求？

    import dashscope
    import os
    # 从环境变量中获取 API Key
    dashscope.api_key = os.getenv('DASHSCOPE_API_KEY')
    # 基于 prompt 生成文本
    # 使用 deepseek-v3 模型
    def get_completion(prompt, model="deepseek-v3"):
        messages = [{"role": "user", "content": prompt}]    # 将 prompt 作为用户输入
        response = dashscope.Generation.call(
            model=model,
            messages=messages,
            result_format='message',  # 将输出设置为message形式
            temperature=0,  # 模型输出的随机性，0 表示随机性最小
        )
        return response.output.choices[0].message.content  # 返回模型生成的文本


    instruction = """
    你的任务是识别用户对手机流量套餐产品的选择条件。
    每种流量套餐产品包含：名称，月费价格，月流量。
    根据用户输入，识别需求。
    """
    input_text = """
    办个100G的套餐。
    """
    prompt = f"""
    # 目标
    {instruction}
    # 用户输入
    {input_text}
    """
    response = get_completion(prompt)
    print(response)

输入：办个100G的套餐输出：

  • 月流量：100G（明确）
  • 名称、月费价格：未提及

2. 要求AI返回JSON格式

如何让AI返回JSON格式，更方便后续的识别和使用？

    output_format = """
    以 JSON 格式输出
    """
    prompt = f"""
    # 目标
    {instruction}
    # 输出格式
    {output_format}
    # 用户输入
    {input_text}
    """
    response = get_completion(prompt)
    print(response)



    {
        "月流量":"100G"
    }

3. 使用CoT分步骤推理

如何审核客服的回答是否符合规范要求？

    instruction = """
    判断客服回答是否规范：
    - 必须有礼貌
    - 用官方口吻
    - 准确提及产品名称、月费、月流量
    - 不可终结对话
    """
    context = """
    用户：你们有什么流量大的套餐
    客服：亲，我们现在正在推广无限套餐，每月300元就可以享受1000G流量，您感兴趣吗？
    """
    output_format = """
    符合规范输出：Y，不符合输出：N
    """
    prompt = f"""
    # 目标
    {instruction}
    # 输出格式
    {output_format}
    # 对话上下文
    {context}
    """
    response = get_completion(prompt)
    print(response)

4. 用Prompt优化Prompt

如何使用Prompt优化Prompt？

    user_prompt = """
    做一个手机流量套餐的客服代表，叫小瓜。可以帮助用户选择最合适的流量套餐产品。……
    """
    instruction = """
    你是一名专业的提示词创作者。你的目标是帮助我根据需求打造更好的提示词。
    你将生成以下部分：
    提示词：{更优提示词}
    优化建议：{改进建议}
    问题示例：{最多3个交流问题}
    """
    prompt = f"""
    # 目标
    {instruction}
    # 用户提示词
    {user_prompt}
    """
    response = get_completion(prompt)
    print(response)

image.png

八、练习

结合你的业务场景，尝试编写一个Prompt驱动大模型完成任务：

  1. 使用提示词完成任务
  2. 返回JSON格式，提取精确内容
  3. 使用CoT分步骤推理
  4. 用Prompt调优Prompt
avatar
文章
阅读
粉丝