提示工程实战：让大模型输出高质量结果的 7 个核心技巧

很多人觉得写 Prompt 就是"把需求说清楚"，但实际用起来发现：同样一个任务，不同的写法能让输出质量天差地别。提示工程（Prompt Engineering）已经从玄学变成了有章可循的工程实践。

一、角色设定：先告诉模型"你是谁"

你是一位有 10 年经验的 Python 后端工程师，擅长 FastAPI 和数据库优化。
请审查以下代码，重点关注性能和安全性。

角色设定不是装饰，它直接影响模型的知识边界和表达风格。设定越具体，输出越聚焦。

二、Few-shot 示例：用样本代替描述

与其写一大段"请按这个格式输出"，不如直接给 2-3 个示例：

请按以下格式提取信息：

输入：张三，28岁，北京，工程师
输出：{"name": "张三", "age": 28, "city": "北京", "role": "工程师"}

输入：李四，35岁，上海，产品经理
输出：{"name": "李四", "age": 35, "city": "上海", "role": "产品经理"}

输入：王五，22岁，深圳，设计师
输出：

模型会自动学习示例中的模式，比任何文字描述都有效。

三、Chain-of-Thought：引导逐步推理

对于复杂任务，加上"让我们一步步思考"能显著提升准确率：

请一步步分析这个 SQL 查询的性能问题：

SELECT * FROM orders 
WHERE user_id IN (SELECT id FROM users WHERE status = 'active')
AND created_at > '2026-01-01'

让我们一步步思考：
1. 先看子查询的效率
2. 再看索引使用情况
3. 最后看整体执行计划

四、输出格式约束

明确告诉模型你想要什么格式：

请用以下 JSON 格式返回，不要添加任何额外文字：
{
  "summary": "一句话摘要",
  "key_points": ["要点1", "要点2", "要点3"],
  "confidence": 0.0-1.0
}

格式约束越严格，输出越可控。

五、负面指令：告诉模型不要做什么

有时候"不要做什么"比"要做什么"更重要：

请帮我重写这段代码。要求：
- 不要改变原有函数签名
- 不要引入新的依赖
- 不要添加注释
- 不要使用 try-except 吞掉异常

六、分步拆解复杂任务

一个 Prompt 解决不了的问题，拆成多步：

  • **第一步**：分析需求，列出功能点
  • **第二步**：为每个功能点生成代码
  • **第三步**：整合并优化
  • **第四步**：写测试用例

每一步都用独立的 Prompt，比一步到位效果好得多。

七、温度参数的工程化使用

  • `temperature=0`：适合代码生成、数据提取等需要确定性的任务
  • `temperature=0.7`：适合文案撰写、创意生成等需要多样性的任务
  • `temperature=1.0+`：适合头脑风暴、探索性任务

生产环境中，同一个系统里不同环节应该用不同的温度设置。

总结

提示工程的核心不是"会说话"，而是把模糊的需求转化为模型能执行的精确指令。掌握这 7 个技巧，你能让同一个模型的输出质量提升一个档次。