提示词工程 (Prompt Engineering)
提示词工程是通过结构化设计输入文本来稳定驱动大模型输出的方法论，覆盖角色设定、任务拆解、少样本示例、思维链、输出格式约束等核心技巧，是所有 AI 应用效果的第一道杠杆。
关键词详情
定义
提示词工程（Prompt Engineering）是针对大语言模型设计和优化输入文本的系统性方法。核心手段包括：明确角色与目标、拆解任务步骤、提供少样本示例、引入思维链（Chain-of-Thought）推理、约束输出格式、迭代评估与回归测试。它不依赖模型改造，而是通过更好的输入让同一个模型产出显著更稳、更准的结果。
应用场景
- 内容创作：稳定生成指定风格、结构与字数的文案脚本
- 数据处理：让模型按固定 Schema 输出 JSON/表格，便于程序解析
- 智能体开发：编写系统提示词，约束 Agent 的工具调用与边界行为
- 电商运营：批量生成商品标题、卖点文案、多语言 Listing
- 代码生成：通过上下文与示例控制代码风格与依赖范围
常见问题
- 提示词写长好还是写短好？
- 长度不是目标，信息密度才是。任务背景、约束条件、输出格式必须说清；与目标无关的修饰语会稀释注意力。实践中推荐「结构化模板 + 少样本示例」，并把稳定有效的提示词沉淀为可复用资产。
- 思维链（CoT）什么时候有效？
- 在多步推理、数学计算、逻辑判断类任务上收益明显；对简单分类或改写任务收益有限，甚至可能让模型过度发散。让模型「先列步骤再给结论」，并配合示例演示推理过程效果更好。
- 如何评估提示词的好坏？
- 建立小型测试集（20~50 条真实输入），定义评分标准（准确性、格式合规率、风格一致度），每次改动跑全量对比。切忌凭单次输出的体感调优——大模型输出有随机性， temperature 大于 0 时同一段提示词每次结果都不同。
- 提示词需要版本管理吗？
- 需要。提示词是 AI 应用的「源代码」，应与代码一样进 Git、带版本号、写变更说明。线上提示词一旦改动，必须用测试集回归验证后再发布。
提示词工程 (Prompt Engineering)
定义
提示词工程是围绕大语言模型的输入设计方法论。同一个模型，输入质量不同，输出质量可以相差数倍——这正是提示词工程存在的意义。它包含三个层次：
1. 表达层：把需求讲清楚。角色、目标、约束、格式四要素齐全。 2. 结构层：把任务拆解。复杂任务拆成多步，每步只做一件事；用分隔符、编号、标题组织长提示词。 3. 系统层：把提示词当资产管理。版本化、测试化、组件化，形成团队可复用的提示词库。
核心技巧速查
| 技巧 | 适用场景 | 要点 | |------|----------|------| | 角色设定 | 几乎所有任务 | 给模型一个具体身份和专业背景，收敛输出风格 | | 少样本示例 | 格式敏感任务 | 提供 2~5 个输入/输出对照示例，比大段描述更有效 | | 思维链 | 推理计算任务 | 要求「先分步推理，再给最终答案」 | | 输出格式约束 | 程序解析场景 | 明确 JSON Schema 或 Markdown 结构，并给出反例 | | 负向约束 | 风格控制 | 说明「不要做什么」，如不要客套、不要重复题干 | | 分隔符组织 | 长上下文 | 用三引号、XML 标签、标题把指令与资料分开 |
学习路径
1. 先过一遍 Prompt Engineering Guide 的基础章节，理解 zero-shot / few-shot / CoT 的差别 2. 选一个自己的真实业务任务（如写商品文案），用「结构化模板」重写提示词并对比效果 3. 建立测试集与评分表，体验「凭感觉调」到「数据驱动调」的差异 4. 把验证有效的提示词沉淀为团队资产，参考本站工作流模板 [提示词工程 SOP](/workflows/prompt-engineering-sop)
相关工具
- Prompt Engineering Guide - 最系统的开源提示词工程教程（Dair-ai 维护）
- Anthropic 提示词工程文档 - 官方技巧与反例
- 本站教程 [AI 图像提示词写作指南](/learn/ai-image-prompt-writing-guide)、[AI 视频提示词写作指南](/learn/ai-video-prompt-writing-guide)
常见问题
Q: 为什么同一段提示词每次输出不一样？ A: 大模型采样带有随机性（temperature > 0）。需要稳定输出时，把 temperature 调到 0~0.3，并用「输出格式约束 + 示例」进一步锁定行为。
Q: 模型答非所问，是提示词的问题还是模型的问题？ A: 先检查四件事：任务是否一句话说清、关键约束是否被淹没、示例格式是否与期望一致、上下文是否超出窗口被截断。多数「模型不行」的案例，本质是提示词没把边界条件交代清楚。
常见问题
下载链接失效怎么办？
请优先切换其他网盘渠道，并反馈失效链接。
会员能下载所有资料吗？
页面标注为会员专享的资料支持会员下载，具体以当前页面显示为准。
相关资源
Agent Skill (智能体技能)
Agent Skill 是可复用、可组合、可分发的 AI 智能体能力单元。它封装了特定任务的提示词、工具调用链、数据处理逻辑、错误重试策略，支持在 Claude、Codex、Cursor 等环境中直接加载调用，实现「一次编写，多端复用」。
LoRA (Low-Rank Adaptation)
LoRA 是一种参数高效微调技术，通过冻结预训练模型权重、仅训练低秩分解矩阵，以极少参数量实现模型能力适配。广泛用于 Stable Diffusion 风格/角色微调、LLM 领域适配，支持多 LoRA 叠加、动态加载卸载。
AI 智能体 (AI Agent)
AI Agent 是能感知环境、自主规划、调用工具并迭代完成目标的大模型应用形态。区别于单轮问答，Agent 具备任务拆解、工具调用、记忆与反思能力，是当前 AI 应用落地最活跃的方向。
模型微调 (Fine-tuning)
微调是在预训练大模型基础上用领域数据继续训练，让模型稳定掌握特定风格、格式与知识的技术。借助 LoRA/QLoRA 等参数高效方法，消费级显卡也能完成以前需要机房级算力的微调任务。
评论建议
欢迎反馈资料质量、链接状态或希望补充的内容，管理员会持续维护。