提示词的基本结构与编写原则

掌握了 LLM 的工作原理后，现在让我们学习提示词的基本结构和编写原则。一个好的提示词就像一份好的需求规格书——清晰、完整、无歧义。

提示词的四大组成部分

一个结构完整的提示词通常包含以下四个核心部分：

组件详解

1. 指令（Instruction）— 必须有

指令告诉模型要完成什么任务。这是最核心的部分。

❌ 差的指令:
"邮件"
✅ 好的指令:
"请将以下客户投诉邮件翻译成英文，并保持正式的商务语气。"

2. 上下文（Context）— 推荐有

上下文提供背景信息，帮助模型理解任务的语境。

❌ 无上下文:
"写一份报告总结。"
✅ 有上下文:
"我们公司是一家SaaS初创企业，刚完成了Q4的客户满意度调查。
以下是调查的关键数据。请针对管理层撰写一份简洁的分析报告。"

3. 输入数据（Input Data）— 视任务而定

输入数据是需要模型处理的具体内容。

"以下是待分析的数据：
---
客户满意度: 4.2/5.0 (上季度 3.8)
NPS评分: +42 (上季度 +35)
客户流失率: 3.2% (上季度 4.1%)
主要投诉: 响应速度（占38%）、功能缺失（占25%）
---"

4. 输出要求（Output Format）— 强烈推荐

输出要求定义了结果的格式、结构和约束。

"请按照以下格式输出：
1. 执行摘要（不超过100字）
2. 关键指标变化（表格形式）
3. 主要发现（3-5个要点）
4. 改进建议（按优先级排序）"

完整示例

将四个部分组合起来：

prompt = """
【指令】
请分析以下客户满意度数据，生成一份面向管理层的季度报告。
【上下文】
我们是一家B2B SaaS公司，主要产品为项目管理工具。
目标市场是中小型科技团队（10-50人）。
本次数据来自Q4的客户调查，共收到 1,247 份有效回复。
【输入数据】
- 整体满意度: 4.2/5.0（Q3为3.8，环比提升10.5%）
- NPS评分: +42（Q3为+35，提升7个点）
- 客户续约率: 96.8%（Q3为95.9%）
- 主要投诉类别:
1. 客服响应速度 - 38%
2. 功能缺失 - 25%
3. 系统稳定性 - 18%
4. 定价问题 - 12%
5. 其他 - 7%
【输出要求】
请按以下结构输出，使用Markdown格式：
1. **执行摘要**：2-3句话总结（不超过100字）
2. **关键指标**：使用表格对比Q3和Q4数据
3. **主要发现**：3-5个核心洞察
4. **行动建议**：3个优先改进方向，每个包含具体措施
5. **风险提示**：需要关注的潜在问题
语言：中文
语气：专业、数据驱动、简洁
"""

六大编写原则

原则1：明确具体（Be Specific）

这是最重要的原则。模糊的指令导致模糊的输出。

实践对比：

原则2：提供充分上下文（Provide Context）

LLM 不知道你的背景、偏好和具体情况。你认为"显而易见"的信息，对模型来说可能完全未知。

# ❌ 缺乏上下文
prompt_bad = "帮我改进这个函数的性能"
# ✅ 提供充分上下文
prompt_good = """
帮我改进以下Python函数的性能。
背景信息：
- 这个函数每秒被调用约10,000次
- 输入列表通常包含100-10,000个元素
- 运行环境: Python 3.12, Linux服务器, 16GB内存
- 目前该函数是性能瓶颈，需要降低50%以上的执行时间
当前代码：
```python
def find_duplicates(items: list[str]) -> list[str]:
duplicates = []
for i in range(len(items)):
for j in range(i + 1, len(items)):
if items[i] == items[j] and items[i] not in duplicates:
duplicates.append(items[i])
return duplicates

请提供优化后的代码，并解释优化原理和预期性能提升。 """

### 原则3：使用分隔符（Use Delimiters）
分隔符帮助模型区分提示词的不同部分，特别是区分"指令"和"待处理数据"。
常用分隔符：
~~~
--- 三横线
""" 三引号
### 三井号
=== 三等号
<<< >>> 尖括号
``` 代码围栏
【】 中文方括号
~~~
**实战示例**：
```python
prompt = """
请将以下用户评论分类为"正面"、"负面"或"中性"，并给出置信度。
输出格式：JSON
---
评论1: "这个产品太棒了，完全超出预期！客服也很有耐心。"
评论2: "还行吧，中规中矩，没什么特别的。"
评论3: "等了两周才收到货，而且包装破损，太差了。"
评论4: "功能不错但界面需要优化，期待下个版本。"
---
"""

原则4：指定输出格式（Specify Output Format）

明确告诉模型你想要什么格式的输出，可以极大提高结果的可用性。

# ❌ 不指定格式——输出不可预测
prompt_bad = "分析这些销售数据"
# ✅ 指定JSON格式——输出可以直接被程序解析
prompt_good = """
分析以下销售数据并以JSON格式返回分析结果。
JSON结构要求：
{
"summary": "一句话总结",
"total_revenue": 数字,
"top_product": "产品名",
"growth_rate": "百分比字符串",
"insights": ["洞察1", "洞察2", "洞察3"],
"recommendations": [
{
"action": "行动建议",
"priority": "high/medium/low",
"expected_impact": "预期效果"
}
]
}
注意：只返回JSON，不要包含其他文字。
"""

原则5：给出正面指令（Tell What To Do）

告诉模型应该做什么，而不是列出一长串不要做什么。

为什么正面指令更好？

1. 减少歧义 — "不要太长"到底是多长？"控制在200字"没有歧义
2. 减少认知负担 — 模型不需要推理"不做X那应该做什么"
3. 提供明确方向 — 正面指令给出了清晰的执行路径

原则6：迭代优化（Iterate and Refine）

没有人能一次写出完美的提示词。提示工程是一个"编写→测试→分析→改进"的循环过程。

迭代示例：

# 版本1：过于简单
v1 = "翻译成英文：今天天气不错"
# 版本2：添加语气要求
v2 = "将以下中文翻译成英文，使用口语化的表达：今天天气不错"
# 版本3：添加输出约束
v3 = """将以下中文翻译成英文。
要求：
- 口语化表达
- 提供2个不同的翻译版本
- 每个版本标注适用场景
原文：今天天气不错"""
# 版本4：添加示例（Golden版本）
v4 = """将以下中文翻译成英文。
要求：
- 口语化表达
- 提供2个不同的翻译版本
- 每个版本标注适用场景
示例：
原文：很高兴认识你
翻译1：Nice to meet you!（正式场合、初次见面）
翻译2：Great to meet you!（轻松场合、热情表达）
原文：今天天气不错"""

常见提示词模式

模式1：角色+任务模式

你是一位 [角色]。
请 [具体任务]。
要求：[约束条件]
---
[输入数据]

模式2：任务+格式+示例模式

任务：[具体任务描述]
输出格式：[期望格式]
示例：
输入：[示例输入]
输出：[示例输出]
---
输入：[实际输入]

模式3：背景+目标+约束模式

背景：[背景信息]
目标：[要达成的目标]
约束：
- [约束1]
- [约束2]
- [约束3]
请开始执行。

模式选择指南

动手练习

练习1：改进提示词

将以下模糊提示词改写为结构化、明确的提示词：

原始提示词："帮我写一封辞职信"

改写要求： - 添加角色、上下文、格式和约束 - 考虑语气、长度、结构等因素

参考答案（尝试自己写后再看）：

你是一位职业规划顾问，擅长撰写专业的商务信函。
请帮我撰写一封辞职信。
背景信息：
- 我在当前公司（一家互联网公司）工作了3年，职位是产品经理
- 辞职原因是获得了更好的发展机会
- 我希望与公司保持良好关系
要求：
- 语气：专业、感恩、正面
- 长度：300-400字
- 结构：开头说明辞职意向 → 感谢与回顾 → 交接意愿 → 祝福结尾
- 提供离职日期：一个月后
- 不要提及新公司的具体信息

练习2：格式化输出

设计一个提示词，让模型分析一段产品评论并以结构化JSON输出。自行设计JSON结构。

本章要点

• ✅ 完整的提示词包含四部分：指令、上下文、输入数据、输出要求
• ✅ 六大原则：明确具体、提供上下文、使用分隔符、指定格式、正面指令、迭代优化
• ✅ 分隔符能有效区分提示词的不同逻辑区域
• ✅ 告诉模型"做什么"比"不做什么"更有效
• ✅ 提示工程是迭代过程，没有一步到位的完美提示词
• ✅ 三种常用模式适用于不同复杂度的任务

下一步：Zero-shot 与 Few-shot 学习 🚀