很多刚接触大模型（LLM）的开发者都会抱怨：“其实 AI 并没有那么神，它经常胡说八道或者答非所问啊。” 但大多数时候，并不是模型不行，而是我们的**“施法口诀（Prompt）”**没念对。
对于研发人员来说，我们不能再用“请帮我写篇小红书爆款短文”这种口语化的方式去和 API 交互了。我们需要更加工程化、结构化的方法来榨取大模型的最大潜力。这就是 Prompt Engineering（提示词工程）。
今天分享三种能在工程项目中立竿见影的提示词技巧。
1. 结构化提示词 (Structured Prompt)
传统的 Prompt 是一大段揉在一起的文字，这就像丢给员工一份杂乱无章的备忘录。而结构化提示词就是通过 Markdown 标签或者明确的分组，把上下文、要求、输出格式区分开来。
示例模板：
# 角色
你是一个资深的 Python 后端工程师。
# 任务
帮我审查以下代码，找出潜在的内存泄漏风险。
# 约束
1. 语言必须严厉。
2. 必须且仅输出 JSON 格式。包含 {"bugs": [...]}
# 上下文/代码
[输入代码]
2. Few-shot 小样本学习
大语言模型有一个极强的隐式学习能力——“照猫画虎”。如果你难以用语言去描述复杂的格式或者逻辑，最好的办法就是给它几个例子。
Bad Case (Zero-shot)：
判断这句话的情感是正向还是负向：这家店真的非常一般。
Good Case (Few-shot)：
文本: 菜很难吃 情感: 负向 文本: 感觉物超所值 情感: 正向 文本: 这家店真的非常一般 情感:
在上面的例子中，我们虽然什么原理都没解释，但 AI 看完两个例子后，就能百分百严格按照你设计的格式输出结果。
3. 思维链 (CoT, Chain of Thought)
这是过去一年里让所有研究人员为之疯狂的一个技巧。核心原理就是：大语言模型是由左向右逐字生成的，它无法在脑子里打完草稿再输出。这意味着如果你问一个数学难题，要求它直接出答案，它必错无疑。
但只要你在 Prompt 里巧妙地加上一句：“请一步一步地思考（Let's think step by step）”。 模型就会在生成最终答案前，把推导过程也通过文字吐出来。这种一边说一边思考的方式，巧妙地利用了它自己的输出作为“草稿纸”，将复杂逻辑准确率提升了惊人的幅度。最新的深度推理模型 (比如 DeepSeek-R1 或者 OpenAI o1) 则是在模型的底层将其自动化并发扬光大了！
本文是个人学习大模型时的实战小记，希望对准备入门 AI 开发的大家有所启发。
感谢关注，我会持续更新，欢迎查看完整代码与学习记录：
github.com/start007-sm…
