介绍
本篇内容介绍基本的Prompt提示词技巧，参考主要来源是吴恩达的提示词教程，以此作为提示词注入的前篇，本篇内容暂不涉及提示词注入相关内容，关于注入，请参考后续文章。
清晰且具体的指令
和大模型交互时，指令清晰且具体是提示词最基本的要求，清晰不代表提示词要简短，反而越详细越长提供更多的上下文会让模型回答更加精准。而实现该原则，这里提供了4个技巧：
1、使用分隔符
提示词中通常会包含指令以及要处理的数据，模型容易混淆，此时可以使用分隔符将指令和数据分开，方便模型进行识别和处理，示例如下：
请总结由三个反引号分隔的文本，用一句话概括其核心观点：```这里是需要被总结的文本内容。```
分隔符除了反引号外，还有很多符号，只要能进行区分就可以，比如三个单引号（'''）、三个双引号（"""）、三个减号(---)、尖括号(<>)、自定义的标签符合（</test）等等。
2、使用结构化输出
如果模型输出的内容还需要进行后续的步骤处理，例如需要给到其它脚本或程序处理执行，此时往往需要特殊的格式，或者是希望结果看起来一目了然，此时就需要指定输出格式，常见的有JSON、Markdown、HTML等。示例如下：
请生成3个虚构的书名、作者、类型。以JSON格式提供，包含以下键：bookid、booktitle、author、type。
3、检查是否满足条件
如果一个任务只有在特定条件下才能完成，则可以让AI先做逻辑检查，避免它一本正经的胡说八道，比如下面这个指令，很明显提供的内容不足，不能按分步格式来整理：
你将获得由三个双引号包裹的文本，请按照以下格式重写它们：第一步：...第二步：...第三步：..."""我爱学习"""
但我们可以给它加一个逻辑检查
你将获得由三个双引号包裹的文本，如果文本包含了一系列的步骤，请按照以下格式重写它们：第一步：...第二步：...第三步：...如果文本不包含相关步骤，请回答未发现步骤。"""我爱学习"""
4、少样本提示
可以在提示词中给几个案例让模型去参考，该方法可以调整AI输出的语气和风格，以及一些复杂的格式转换等，例如有下面这样一条日志：
2025-08-08，A平台遭受XSS攻击，经研判未攻击成功。
我想把它转为20250808:A:XSS:FAIL，那后续的大量日志需要转换时，我只需要给个示例即可：
输入：2025-08-08，A平台遭受XSS攻击，经研判未攻击成功。输出：20250808:A:XSS:FAIL请将以下三个双引号包裹的内容按以上示例进行输出："""2025-06-06，B平台遭受XXE攻击，经研判未攻击成功。2025-07-11，C平台遭受SSRF攻击，经研判未攻击成功。2025-08-22，D平台遭受RCE攻击，经研判攻击成功。"""
在上面4条原则中，生活中也会经常用到，分隔符就相当于学习时的画重点，做工作时的告诉你素材去哪里找，开会时的工作纪要等，格式化内容输出就相当于填表时给的一个模板，检查条件就相当于事前检查，例如飞机飞行前的检查，或者外卖某个商品没货了，给你打电话进行通知，少量样本提示就相当于给参考一下之前的优秀范例。所以提示词的很多思想和本质，是和日常生活和工作息息相关的。
给模型思考时间
大模型生成内容时现在本质上还是通过概率来预测下一个词，如果问题太复杂，那么模型的回答可能会不是特别精准，甚至出现幻觉，或者是一个任务，你想让模型根据你的思路要进行，此时可以在提示词中引导模型进行相关推理，例如我想让大模型帮我写一个如何减肥的文章，它会根据预测来生成一篇内容，大概率内容会比较宽泛，此时我们可以引导模型推理，加入步骤，让它按我们的逻辑来生成内容，比如：
帮我写一篇关于如何减肥的文章，请按如下步骤进行：1、先调研下全世界肥胖的人数比例是多少，男比例是多少，女比例是多少。2、然后说明为什么需要减肥。3、再说如何减肥，分布从生活习惯、运动建议等方面展开。4、最后说一段祝福语，祝愿大家加油努力减肥成功。
另一个技巧是让模型给出结论前先思考，类似于生活中比如老师要批改学生的作业前先自己做一遍题，为什么需要这个技巧，因为现在的大模型会有顺从性，比如你问模型我觉得这个如何如何，你觉得呢，模型通常回答就是你说的很不错，确实是如何如何，它会根据你的思路走，从而忽略细微的错误，解决办法就是先让它生成一个标准答案，然后拿标准答案和目标去对比。
比如下面这个提示词，看似很简单的一个数学题，但很多模型都会答错：
买了 2 个 10 元的苹果，3 个 5 元的梨。总价 = 20 + 15 = 45 元。帮我看看这个学生的计算过程对不对？
答案明明是35，但45的答案模型会说完全正确，针对这个问题，我们就可以使用模型给结论前先思考的技巧：
买了 2 个 10 元的苹果，3 个 5 元的梨。总价 = 20 + 15 = 45 元。帮我看看这个学生的计算过程对不对？请先不要看学生的答案，请你：1、先根据自己的理解和描述回答本题。2、并详细输出你的计算过程。3、将你的结果和学生的结果进行对比。4、最后再判断学生的计算过程是否正确。
提示词的迭代
没有完美的提示词，只有不断优化的提示词，提示词的优化过程需要形成一个闭环，即先尝试一个初版提示词，然后分析输出内容是否符合预期，随后修改指令进行优化，最后循环上面过程直至达到理想效果。
这个好理解，这里就不再举例了，再进行迭代优化时，很多个方面都可以考虑，比如说字数、阅读的受众、输出的格式、逻辑修改、新增要求、添加引导步骤等等。
身份设定
身份设定相当于赋予一个角色，在提示词最开始，可以指定一个身份，比如你是XXX专家，这么做的用处在于可缩小模型回答的概率空间，即先给模型回答的概率范围画个圈，可以让回答更专业更符合自己的要求，比如我说：
如何做红烧肉
模型的回答会比较宽泛，会围绕如何取材，具体怎么做等步骤展开，但是如果我给它设定一个身份：
你是一位五星级酒店的大厨，请告诉我如何做红烧肉
它的回答就会更专业，因为输出内容时预测后续词汇时，会在这个五星级大厨的范围内去输出，比如会增加更加详细的做法，增加如何摆盘，如何兼具色香味等等。
另外一个作用是身份设定可以指定语气风格和回答的侧重点，比如我直接问什么是通货膨胀，那模型可能就是正常的泛泛的回答，而我给它指定一个身份，例如：
你是一位幼儿园老师，请告诉我什么是通货膨胀
它就会以故事和游戏的方式来进行回答，当然我们也可以指定输出要求，比如让它回答通俗易懂，以温柔的语气，举几个小朋友都能听懂的案例等等，但这种要求会比较繁琐，只需要指定幼儿园老师的角色，它就可以包含这些要求。
边界设定
边界设定相当于一个负向约束，相当于反向提示词，即给模型回答设置红线，在平时很多问题回答中，模型会比较友好，回答的内容废话会比较多，比如说请帮我写一篇离职信，它可能上来会先感谢领导感谢公司，最后再祝福领导祝福公司等等，此时如果不想要这些客套话，就可以加入负向约束，例如：
帮我写一篇离职信，避免说一些客套话
这种属于语气约束，我们也可以进行内容约束，比如：
帮我推荐一些北京旅游的地方，不要那些需要门票的地方，不要那些人很多网红打卡地的地方
或者进行字数约束：
从该文章中总结3个核心知识点，每个知识点的概括不要超过30字
反向提问
这个技巧适用于我们想完成一些任务，但是不确定完成该任务都需要提供哪些信息，此时就可以先让AI来问自己，比如：
我想让你帮我写一份年度健身计划。为了让计划最适合我，请在开始写之前，向我提出5个你需要了解的关键问题
此时AI就会问一些比如目标是什么、身体状况如何、每周有多少时间、偏向于哪些运动方式、饮食等情况，从而更好的给自己制定计划。
总结
总体思路就是先指定一个身份，以此来缩小后续的概率词汇范围，之后表述清楚要求，尽量提供详细的上下文信息，之后指定输出要求，比如格式要求、负向提示要求等，最后根据回答情况不断的更新迭代。
最后来看下一个整体的提示词示例，主要是围绕策划一家人西安3日游来展开：
[角色设定]你是一位拥有 10 年经验的资深私人旅行顾问，擅长挖掘城市深度人文景观，并能根据不同家庭成员的需求平衡行程。[详细上下文]我计划下周带全家（共 4 人：我、爱人、6 岁的孩子、65 岁的老人）去西安旅游 3 天。我们住在钟楼附近。我们喜欢历史建筑和地道小吃，但不希望行程太赶，因为要照顾老人和孩子的体力。[输出要求]请为我生成一份详细的行程单，使用 Markdown 表格展示，包含：时间段、景点/活动、交通方式、避坑指南。[负向要求]不要推荐那种只有游客才会去的“网红美食街”（如回民街主干道），请推荐当地人真正会去的地方。行程中不要安排清晨 7 点前的出发时间。不要包含需要长时间排队的网红打卡点。特别说明： 每一天请预留出 2 小时的午休时间。[迭代引导]请先给出初步方案，我会根据我的预算情况让你进一步调整酒店推荐。
以上就是本篇关于提示词技巧的相关内容，感谢阅读。
