本文从 大模型应用开发技术路线清单 中拆分，聚焦“一、Prompt Engineering”部分。不改模型、不加数据，只靠“说话方式”把效果拉到最好。
为什么 Prompt Engineering 是第一优先级？
Prompt Engineering 是大模型应用开发的地基。无论你后面用 RAG、Agent 还是微调，最终都要通过 Prompt 跟模型沟通。Prompt 写得好坏，直接决定应用效果。
核心原则：Prompt 就是给模型写一份“工作说明书”——越清晰、越具体、越有结构，模型输出越好。
一、Prompt 基础技巧
1.1 Zero-shot 与 Few-shot
Zero-shot：直接提问，不给示例。
prompt = """
将以下文本分类为 [正面/负面/中性]：
"这家餐厅的菜味道不错，但等了40分钟才上菜。"
"""
# 模型可能输出：中性Few-shot：给出几个示例，引导模型理解任务和输出格式。
prompt = """
将以下文本分类为 [正面/负面/中性]。
示例1：输入："服务态度超好，下次还来！" → 正面
示例2：输入："味道一般，价格偏贵。" → 负面
示例3：输入："位置在市中心，方便停车。" → 中性
现在分类：输入："这家餐厅的菜味道不错，但等了40分钟才上菜。" →
"""
# 模型输出更稳定：中性什么时候用 Few-shot？
- 需要特定输出格式
- 任务定义模糊，示例比描述更清晰
- Zero-shot 效果不好时
1.2 Chain-of-Thought（思维链）
CoT 是最重要的 Prompt 技巧之一。核心思想：让模型“一步步想”，而不是直接给答案。
# 没有 CoT —— 容易出错
prompt = """
小明有15个苹果，给了小红5个，又买了8个，吃了3个，还剩几个？
"""
# 模型可能直接猜答案，容易算错
# 使用 CoT —— 准确率大幅提升
prompt = """
小明有15个苹果，给了小红5个，又买了8个，吃了3个，还剩几个？
请一步步思考：
1. 初始数量：15个
2. 给了小红5个：15 - 5 = 10个
3. 又买了8个：10 + 8 = 18个
4. 吃了3个：18 - 3 = 15个
所以最终答案是：15个
"""触发 CoT 的几种方式：
# 方式1：直接要求
prompt = "请一步步思考，然后给出答案。"
# 方式2：使用特定标记
prompt = "让我们一步步来分析这个问题。"
# 方式3：在 Few-shot 示例中展示推理过程
prompt = """
问题：商店有20个橙子，上午卖了8个，下午进了15个，晚上卖了6个。
思考过程：20 - 8 + 15 - 6 = 21
答案：21个
问题：图书馆有50本书，借出23本，归还7本，新购入12本。
"""1.3 System Prompt 设计
System Prompt 是所有应用的起点，定义模型的“人设”和约束。
# 基础 System Prompt
system_prompt = "你是一个专业的 Python 代码助手。"
# 详细的 System Prompt（推荐）
system_prompt = """
# 角色
你是一个专业的 Python 代码助手，擅长后端开发、API 设计和性能优化。
# 能力范围
- 编写 Python 代码（FastAPI、Django、Flask）
- 代码审查和优化建议
- 调试和错误排查
- 架构设计讨论
# 输出规范
- 代码必须附带注释
- 优先使用 Python 3.10+ 特性
- 复杂逻辑分步骤解释
- 给出代码的时间/空间复杂度
# 约束
- 不回答与编程无关的问题
- 不提供任何系统的 root 密码
- 遇到不确定的问题，明确说明而不是猜测
"""
messages = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": "写一个 FastAPI 的 JWT 认证中间件"},
]System Prompt 设计清单：
| 要素 | 说明 | 示例 |
|---|---|---|
| 角色定义 | 模型是谁 | “你是 X 领域专家” |
| 能力范围 | 能做什么 | “你可以做 A、B、C” |
| 输出格式 | 怎么回答 | “用 Markdown 格式，代码附注释” |
| 约束条件 | 不能做什么 | “不回答政治话题” |
| 语气风格 | 怎么说话 | “用口语化表达，简洁明了” |
1.4 结构化输出（JSON Mode）
让模型输出 JSON，方便程序解析，是 RAG、Agent 等应用的基础能力。
prompt = """
从以下文本中提取实体信息，输出 JSON 格式：
文本："张三在北京大学计算机系读博士，导师是李四教授，研究方向是自然语言处理。"
输出格式：
{
"person": [{"name": "...", "role": "..."}],
"organization": [{"name": "...", "type": "..."}],
"location": ["..."],
"research_topic": ["..."]
}
"""使用 OpenAI JSON Mode（更可靠）：
from openai import OpenAI
client = OpenAI()
response = client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "你是一个信息提取助手。请始终以 JSON 格式回复。"},
{"role": "user", "content": "提取以下文本的实体：张三在北京大学工作"},
],
response_format={"type": "json_object"},
)
import json
result = json.loads(response.choices[0].message.content)
print(result)
# {"person": [{"name": "张三", "role": "员工"}], "organization": [{"name": "北京大学", "type": "大学"}]}1.5 Prompt 模板引擎
在实际项目中，Prompt 通常需要动态填充变量，需要模板引擎。
LangChain 方式：
from langchain_core.prompts import ChatPromptTemplate
template = ChatPromptTemplate.from_messages([
("system", "你是{role}，擅长{skill}。"),
("human", "{question}"),
])
prompt = template.invoke({
"role": "数据分析师",
"skill": "SQL 查询和数据可视化",
"question": "帮我写一个查询本月销售 Top10 的 SQL",
})Spring AI 方式（Java）：
PromptTemplate template = new PromptTemplate("""
你是{role}，擅长{skill}。
用户问题：{question}
""");
Prompt prompt = template.create(Map.of(
"role", "数据分析师",
"skill", "SQL 查询",
"question", "查询本月销售Top10"
));1.6 思维链 + 结构化输出
CoT 和 JSON 输出结合，兼顾推理过程和可解析性：
prompt = """
分析以下用户投诉，输出分析结果。
投诉内容："我上周买的手机屏幕有划痕，联系客服说已经过了7天退换期，让我自己找售后维修。"
请先一步步分析问题（reasoning），然后给出结构化结果。
输出 JSON 格式：
{
"reasoning": "分析过程的每一步...",
"category": "产品问题",
"severity": "中",
"suggested_action": "建议方案",
"keywords": ["关键词1", "关键词2"]
}
"""二、高级 Prompt 技巧
2.1 Self-Consistency（自一致性）
核心思想：同一个问题让模型回答多次，取多数答案（投票）。
import collections
def self_consistency(prompt, n=5):
"""多次采样，取最多出现的答案"""
answers = []
for _ in range(n):
response = client.chat.completions.create(
model="gpt-4",
messages=[{"role": "user", "content": prompt}],
temperature=0.7, # 需要一定随机性
)
answers.append(response.choices[0].message.content.strip())
# 投票取多数
counter = collections.Counter(answers)
most_common = counter.most_common(1)[0]
return most_common[0], most_common[1] / n # 答案 + 置信度
answer, confidence = self_consistency("23 * 47 = ?", n=5)
print(f"答案: {answer}, 置信度: {confidence:.0%}")适用场景：数学计算、逻辑推理、事实性问答。不适合创意任务。
2.2 Tree-of-Thought（思维树）
核心思想：探索多条推理路径，选择最优路径。
prompt = """
我有一个 3x3 的数字华容道（滑块拼图），当前状态是：
2 8 3
1 6 4
7 _ 5
目标状态：
1 2 3
8 _ 4
7 6 5
请用思维树方法求解：
1. 列出当前所有可能的移动（分支）
2. 对每个分支评估距离目标的启发值
3. 选择最优分支继续探索
4. 重复直到找到解
"""实际使用建议：ToT 的效果取决于任务复杂度。简单任务用 CoT 就够了。
2.3 ReAct Prompting（推理 + 行动）
ReAct 是 Agent 的 Prompt 基础，让模型在推理和行动之间交替：
prompt = """
你可以使用以下工具：
- search(query): 搜索网页
- calculate(expression): 计算数学表达式
请按照以下格式回答：
Thought: 我需要思考下一步做什么
Action: 工具名称(参数)
Observation: 工具返回的结果
...（可以重复多次）
Thought: 我现在知道答案了
Final Answer: 最终回答
问题：2024年巴黎奥运会中国代表团获得了多少枚金牌？
"""模型输出：
Thought: 我需要搜索2024年巴黎奥运会中国代表团的金牌数。
Action: search("2024年巴黎奥运会中国代表团金牌数")
Observation: 中国代表团在2024年巴黎奥运会获得40枚金牌...
Thought: 搜索结果显示中国获得了40枚金牌。
Final Answer: 2024年巴黎奥运会中国代表团获得了40枚金牌。2.4 Role Playing（角色扮演）
让模型扮演特定角色，提升特定领域表现：
prompt = """
你现在是一位有20年经验的资深架构师，评审以下系统设计方案。
设计方案：[设计方案内容]
请从以下维度评审：
1. 可扩展性
2. 可用性
3. 性能瓶颈
4. 安全风险
5. 成本优化
每个维度给出1-10分和具体建议。
"""2.5 Constraint Prompting（约束提示）
明确约束条件，减少幻觉：
prompt = """
基于以下参考资料回答问题。注意：
1. 只能使用参考资料中的信息回答
2. 如果参考资料中没有相关信息，回复"根据现有资料无法回答"
3. 引用原文时标注来源段落编号
参考资料：
[段落1] Spring Boot 3.0 要求 Java 17 或更高版本...
[段落2] Spring AI 提供了统一的 AI 模型调用接口...
问题：Spring AI 支持哪些向量数据库？
"""2.6 Output Format Control（输出格式控制）
精确控制输出格式：
# 要求 Markdown 表格
prompt = "对比 Python 和 Java 在 AI 开发中的优劣，用 Markdown 表格输出。"
# 要求特定列表格式
prompt = """
列出 3 个 Python Web 框架，格式如下：
1. **框架名** - 一句话描述
2. **框架名** - 一句话描述
3. **框架名** - 一句话描述
"""
# 要求 XML 标签格式（某些场景更可靠）
prompt = """
分析以下代码的潜在问题。
<analysis>
<issue>
<severity>high/medium/low</severity>
<description>问题描述</description>
<suggestion>修复建议</suggestion>
</issue>
</analysis>
"""三、Prompt 工程最佳实践
3.1 Prompt 调试清单
| 检查项 | 说明 |
|---|---|
| 任务描述是否清晰？ | 模型是否知道要做什么 |
| 输出格式是否指定？ | JSON/Markdown/表格 |
| 约束条件是否明确？ | 不能做什么 |
| Few-shot 示例是否覆盖边界？ | 特殊情况的处理 |
| 是否有歧义？ | 一个指令可能有多种理解 |
3.2 常见陷阱
陷阱1：Prompt 太长太复杂
# ❌ 一次给太多指令，模型容易遗漏
prompt = "做A、做B、做C、做D、做E、做F..."
# ✅ 分步骤或使用分隔符
prompt = """
## 任务1：做A
## 任务2：做B
## 任务3：做C
请按顺序完成以上任务。
"""陷阱2：假设模型理解隐含信息
# ❌ 模型不知道"上次"是什么
prompt = "修改上次的代码"
# ✅ 提供完整上下文
prompt = "修改以下代码，将 timeout 从 30 改为 60：\n```python\n...\n```"陷阱3：期望模型做不可能的事
# ❌ 模型不知道实时信息
prompt = "现在北京的天气怎么样？"
# ✅ 使用工具
prompt = "请调用天气 API 查询北京当前天气。"3.3 Prompt 性能优化
| 技巧 | 说明 | 节省比例 |
|---|---|---|
| 缩短 System Prompt | 只保留必要约束 | 10-30% |
| 压缩 Few-shot 示例 | 精选代表性示例 | 20-40% |
| 使用缩写和符号 | “e.g.” 替代 “for example” | 5-10% |
| 避免重复指令 | 合并相似要求 | 10-20% |
四、Java 生态的 Prompt 实践（Spring AI）
// Spring AI PromptTemplate 示例
@Component
public class CustomerServiceAgent {
private final ChatModel chatModel;
private static final String SYSTEM_PROMPT = """
你是客服助手，负责回答用户关于产品的问题。
规则：
1. 只回答产品相关问题
2. 不确定时引导用户联系人工客服
3. 用简洁友好的语气
""";
public String answer(String question, ProductContext context) {
PromptTemplate template = new PromptTemplate("""
产品信息：{productInfo}
用户问题：{question}
请基于产品信息回答，如果信息不足请说明。
""");
Prompt prompt = template.create(Map.of(
"productInfo", context.toMarkdown(),
"question", question
));
// 注入 System Prompt
List<Message> messages = List.of(
new SystemMessage(SYSTEM_PROMPT),
prompt.getInstructions().get(0)
);
return chatModel.call(new Prompt(messages))
.getResult()
.getOutput()
.getContent();
}
}五、学习建议
动手练习路径
Week 1: 基础
├── 用 Zero-shot 完成 5 个不同任务
├── 用 Few-shot 引导输出格式
└── 为你的项目写一个 System Prompt
Week 2: 进阶
├── 用 CoT 解决数学/逻辑推理题
├── 实现结构化 JSON 输出
└── 尝试 Self-Consistency
Week 3: Agent 基础
├── 学习 ReAct 范式
├── 设计工具集和 Prompt
└── 做一个简单的 Agent推荐资源
- OpenAI Prompt Engineering Guide
- Anthropic Prompt Engineering Guide
- DeepLearning.AI “ChatGPT Prompt Engineering for Developers”
上一篇：零、大模型基础理论 下一篇：二、RAG 检索增强生成 返回导航：大模型应用开发技术路线清单