模块1（上）：Prompt Engineering——4个技巧让大模型听你的话
上一篇文章预告了模块1：Prompt Engineering实战，手把手教你写出能让模型稳定返回JSON的prompt。今天来交作业。
我被模型气笑了的那些时刻
先说个真事。
上个月我写了个代码审查助手，让AI帮我review Java代码。Prompt是这么写的：
"请审查以下代码，指出潜在问题"
结果模型洋洋洒洒给我写了一篇800字的散文，从"这段代码体现了程序员的逻辑思维能力"讲到"变量命名反映了程序员的职业素养"。
我当时的表情就是 😤。
后来我才搞明白：不是模型蠢，是我写prompt的方式蠢。
我以为prompt是"许愿"，写几个关键词让模型猜我的意思。实际上prompt是"下单"，你得把规格写清楚，模型才能给你准确的结果。
所以prompt工程不是玄学，是规格说明书。
Prompt到底由什么构成
别急，先搞清楚prompt的"配料表"。
一个完整prompt通常包含四个部分：
plaintext
System Prompt（系统指令）：你是谁，你的角色是什么
User Prompt（用户输入）：具体的问题或任务
Few-shot Examples（示例）：给模型看标准答案
Context（上下文）：额外的信息补充
举个子：
plaintext
System: 你是一个Java代码审查专家，擅长发现性能问题和安全隐患。
User: 请审查这段代码，找出所有可能引发NPE的地方。
Context: 这段代码运行在JDK17环境，使用Spring Boot 3.x
这四部分不是都要写，根据场景灵活组合。但新手最常犯的错是：只写User Prompt，其他全靠模型脑补。
实战技巧一：先定角色
这是最简单、效果最明显的技巧。
你告诉模型"你是谁"，它就会按照那个角色的方式回答。
❌ 之前我写的：
text
请审查以下代码
✅ 改成：
text
你是一个资深Java开发工程师，10年经验，擅长代码重构和性能优化。请审查以下代码，找出：
- 空指针风险
- 资源泄漏
- 线程安全问题
为什么有效？因为大模型训练时，不同角色的回答风格差异很大。你让它扮演"资深工程师"，它输出的严谨程度和专业术语完全不一样。
所以：角色约束不是玄学，是锚定模型的回答质量。
实战技巧二：控制输出格式
想让模型返回JSON做后端处理，结果它给你来一段自然语言？
我踩过这个坑。
早期我用GPT-4处理用户评价，想让模型返回结构化的情感分类结果。Prompt写的是"请以JSON格式返回"，结果模型返回的是：
plaintext
根据我的分析，这段文本的情感是积极的...
后来我找到解法：用模型原生的结构化输出能力。
Java代码（Spring AI）
java
@RestController
@RequestMapping("/api/ai")
public class PromptEngineeringController {
private final ChatModel chatModel;
public PromptEngineeringController(ChatModel chatModel) {
this.chatModel = chatModel;
}
// 技巧2：使用responseFormat控制输出格式
@GetMapping("/sentiment")
public Map<String, Object> analyzeSentiment(@RequestParam String text) {
String prompt = """
分析以下用户评价的情感，返回JSON格式：
{"sentiment": "positive|negative|neutral", "score": 0-100, "keywords": ["关键词1", "关键词2"]}
用户评价：%s
""".formatted(text);
// 使用结构化输出，强制返回JSON
var request = OpenAiChatOptions.builder()
.withModel("gpt-4o")
.withResponseFormat(new ResponseFormat("json_object"))
.build();
ChatResponse response = chatModel.call(
new Prompt(prompt, request)
);
String content = response.getResult().getOutput().getText();
return Map.of(
"raw", content,
"status", "success"
);
}
}
关键就在这行：
java
.withResponseFormat(new ResponseFormat("json_object"))
这是告诉模型："你必须给我一个合法的JSON对象，不许解释，不许废话。"
所以：想让模型听话，得用它的原生能力，而不是"请"它。
实战技巧三：Few-shot，给模型看标准答案
有时候说一百遍不如给个例子。
Few-shot就是你在prompt里放1-3个示例，让模型"照着这个格式来"。
❌ 之前我写的：
text
请提取文本中的人名和职位
✅ 改成：
text
请从文本中提取人名和职位，格式如下：
示例：
输入：张三在华为担任技术总监
输出：{"name": "张三", "title": "技术总监"}
输入：李四是阿里巴巴的高级算法工程师
输出：
模型看到示例后，会自动模仿格式输出。这就是Few-shot的威力。
Java代码
java
public String extractWithFewShot(String text) {
String prompt = """
从以下文本中提取人名和职位，返回JSON格式：
示例1：
输入：马云是阿里巴巴的创始人
输出：{"name": "马云", "title": "创始人"}
示例2：
输入：王坚在微软担任首席工程师多年
输出：{"name": "王坚", "title": "首席工程师"}
现在提取：
输入：%s
输出：
""".formatted(text);
// 使用低温获得确定性输出
var request = OpenAiChatOptions.builder()
.withModel("gpt-4o")
.withTemperature(0.1) // 低温保证格式稳定
.withResponseFormat(new ResponseFormat("json_object"))
.build();
return chatModel.call(new Prompt(prompt, request))
.getResult().getOutput().getText();
}
所以：Few-shot就是"手把手教"，比抽象指令有效十倍。
实战技巧四：思维链，让模型"想清楚再说"
你有没有遇到过这种情况：模型回答得很流畅，但逻辑是错的？
这是因为模型跳过了推理过程，直接给了答案。
CoT（Chain of Thought，思维链）就是逼模型把思考过程说出来。
❌ 直接要答案：
text
问：一个商店有20个苹果，卖出12个，又进货8个，现在有多少苹果？
答：
✅ 加上"Think step by step"：
text
问：一个商店有20个苹果，卖出12个，又进货8个，现在有多少苹果？
答：让我们一步步思考...
加上"think step by step"之后，模型的准确率能提升30%以上。
Java代码：带思维链的代码审查
java
public String reviewCodeWithCoT(String code) {
String prompt = """
你是一个Java代码审查专家。请审查以下代码，先用思维链分析问题，再给出结论。
思维链格式：
1. 首先分析...（这步做了什么）
2. 然后检查...（有没有风险）
3. 最后总结...（整体评价）
代码：
%s
请按以下JSON格式输出：
{"analysis": ["步骤1", "步骤2", "步骤3"], "issues": ["问题1", "问题2"], "score": 0-100}
""".formatted(code);
var request = OpenAiChatOptions.builder()
.withModel("gpt-4o")
.withTemperature(0.3) // 稍高温度，因为推理过程可以有变化
.withResponseFormat(new ResponseFormat("json_object"))
.build();
return chatModel.call(new Prompt(prompt, request))
.getResult().getOutput().getText();
}
所以：逼模型说出推理过程，不是浪费时间，是提高准确率。
这四个技巧——角色约束、格式控制、Few-shot、思维链——每一个都能单独提显著提升效果。
下一篇我们用一个完整实战把四个技巧串起来，再聊聊温度参数怎么选、以及我踩过的4个坑。
往期文章：
Java转AI，我整理了8个模块的学习路线图
如果对你有帮助，点个赞再走~
