LLM Prompt 工程实战：让 AI 更懂你的意图

AI 技术博客

November 21, 2025

🎯 什么是 Prompt 工程？

Prompt Engineering（提示词工程）是设计和优化输入文本的技术，目的是引导大语言模型（LLM）生成更准确、更有用的输出。

简单来说：好的 Prompt = 好的结果

📊 为什么需要 Prompt 工程？

同样的问题，不同的提问方式会得到截然不同的答案：

❌ 差的 Prompt

写一段代码

问题：太模糊，AI 不知道要写什么语言、实现什么功能

✅ 好的 Prompt

用 Python 编写一个函数，实现以下功能：
- 输入：包含整数的列表
- 输出：列表中的最大值和最小值
- 要求：处理空列表的情况
- 风格：添加类型注解和文档字符串

效果：清晰、具体、有约束条件

🛠️ 核心技巧

1. 角色设定（Role Prompting）

为 AI 赋予特定角色，引导其从专业视角回答。

1
2
3
4
5
6
7
8
# 示例
你是一位资深的 Python 后端工程师，擅长高性能 API 设计。
请帮我设计一个用户认证系统的 RESTful API。

要求：
- 支持 JWT 认证
- 包含注册、登录、刷新 token 接口
- 考虑安全性和性能

效果对比：

无角色	有角色
提供通用方案	提供专业、深入的技术方案
可能忽略安全细节	主动考虑安全最佳实践

2. 分步思考（Chain of Thought）

引导 AI 展示推理过程，提高复杂任务的准确性。

1
2
3
4
5
6
7
8
9
# 示例
问题：一个批次有 100 张图片，每张图片处理需要 2 秒，
使用 4 个并行进程可以同时处理。请计算总耗时。

请按以下步骤思考：
1. 分析并行处理的原理
2. 计算每个进程分配的任务量
3. 计算总耗时
4. 给出最终答案

3. 少样本学习（Few-Shot Learning）

提供示例，让 AI 理解期望的输出格式。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
# 示例
将以下产品描述转换为结构化 JSON：

示例1:
输入: "苹果 iPhone 15 Pro，256GB，蓝色钛金属，售价 7999 元"
输出: {
  "brand": "苹果",
  "model": "iPhone 15 Pro",
  "storage": "256GB",
  "color": "蓝色钛金属",
  "price": 7999
}

示例2:
输入: "三星 Galaxy S24，128GB，幻影黑，售价 5999 元"
输出: {
  "brand": "三星",
  "model": "Galaxy S24",
  "storage": "128GB",
  "color": "幻影黑",
  "price": 5999
}

现在请转换:
输入: "小米 14 Pro，512GB，陶瓷白，售价 4999 元"

4. 约束条件（Constraints）

明确输出格式、长度、风格等限制。

1
2
3
4
5
6
7
# 示例
请用 3 句话总结《三体》的核心情节。

约束：
- 每句话不超过 30 字
- 不包含剧透结局
- 语言风格：科普向

通过多轮对话逐步优化结果。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
# 第一轮
请设计一个博客系统的数据库表结构

# 第二轮（根据回复调整）
在上述设计的基础上，增加以下功能：
- 文章标签系统
- 用户评论
- 阅读量统计

请更新数据库表结构

# 第三轮
考虑到高并发场景，请优化阅读量统计的实现方案

💡 实战案例

案例 1：代码审查 Prompt

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
你是一位代码审查专家，请审查以下 Go 代码：

```go
func GetUser(id int) *User {
    db := connectDB()
    user := &User{}
    db.QueryRow("SELECT * FROM users WHERE id = " +
        strconv.Itoa(id)).Scan(&user)
    return user
}

审查要点：

安全性问题（SQL 注入、错误处理等）
性能问题（数据库连接管理等）
代码规范（命名、注释等）

请给出：

问题列表
改进建议
修改后的代码


### 案例 2：技术文档生成 Prompt

```markdown
请为以下 API 接口编写技术文档：

接口：POST /api/tasks/create
功能：创建图像处理任务

请求参数：
- workflow_id (string, 必填)：工作流 ID
- input_image (string, 必填)：输入图片文件名
- scale (int, 可选, 默认 2)：放大倍数

响应示例：
{
  "code": 200,
  "data": {
    "task_id": "task-123456"
  }
}

文档格式要求：
- 使用 Markdown
- 包含：接口描述、请求示例（curl）、响应说明、错误码
- 风格：开发者友好

案例 3：数据分析 Prompt

1
2
3
4
5
6
7
8
以下是用户任务完成情况的数据：

```json
{
  "2025-01": {"total": 120, "success": 115, "failed": 5},
  "2025-02": {"total": 150, "success": 140, "failed": 10},
  "2025-03": {"total": 180, "success": 165, "failed": 15}
}

请分析：

成功率趋势
是否存在异常
可能的原因假设
改进建议

输出格式：Markdown，包含计算过程


## 📈 进阶技巧

### 1. 元提示（Meta Prompting）

让 AI 帮你优化 Prompt。

```markdown
我想让 AI 帮我生成产品文案。
我目前的 Prompt 是："写一段手机的广告文案"

请帮我优化这个 Prompt，使其：
1. 更具体
2. 包含明确的风格要求
3. 有示例参考

2. 负面约束（Negative Prompting）

明确告诉 AI 不要做什么。

1
2
3
4
5
6
请解释什么是区块链。

要求：
- 用通俗语言，适合小学生理解
- 不要使用：哈希、分布式账本、共识机制等专业术语
- 不要举比特币的例子（太复杂）

3. 温度控制（Temperature Tuning）

虽然不是 Prompt 技巧，但配合使用效果更好。

1
2
3
4
5
# 创意类任务（Temperature = 0.8-1.0）
请为科幻小说设计一个独特的外星文明

# 事实类任务（Temperature = 0.0-0.3）
请总结 Python 3.11 的新特性

⚠️ 常见误区

误区 1：Prompt 越长越好

错误示例：写 500 字的背景描述，但核心要求模糊

正确做法：简洁但清晰，重点突出核心需求

误区 2：期望一次成功

错误做法：对初次结果不满意就放弃

正确做法：迭代优化，通过追问引导 AI

误区 3：忽略输出格式

错误示例：

请列出 Python 的数据类型

AI 可能用段落、列表、表格等不同格式回答。

正确示例：

请用 Markdown 表格列出 Python 的基本数据类型，
包含：类型名称、示例、常用方法

🔧 Prompt 模板库

代码生成模板

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
**角色**: 你是一位 [编程语言] 专家

**任务**: 实现 [功能描述]

**输入**: [输入格式/类型]
**输出**: [输出格式/类型]

**要求**:
- 代码风格: [PEP8/Google Style/等]
- 错误处理: [是否需要]
- 测试用例: [是否需要]
- 注释: [详细/简洁]

**示例** (可选):
输入: ...
输出: ...

技术方案设计模板

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
**背景**: [项目背景和现状]

**目标**: [要解决的问题]

**约束条件**:
- 性能: [QPS/延迟/等]
- 成本: [预算限制]
- 技术栈: [必须使用的技术]

**请提供**:
1. 方案设计（包含架构图的文字描述）
2. 技术选型理由
3. 潜在风险
4. 实施步骤

📚 学习资源

🎓 总结

优秀的 Prompt 具备以下特点：

✅ 清晰具体：明确任务目标
✅ 结构化：使用标题、列表、示例
✅ 有约束：限定输出格式和风格
✅ 可迭代：支持多轮优化

记住：Prompt 工程是一门实践的艺术，多试多改才能掌握！

💬 互动

你在使用 LLM 时有哪些独特的 Prompt 技巧？欢迎分享！

相关文章推荐：