提示词工程（Prompt Engineering）是通过设计高质量输入来引导 LLM 产生期望输出的技术和实践。掌握提示工程技术可以用相同的模型成本获得数倍的效果提升。

一、提示词核心组件

# 零样本提示（Zero-shot）
zero_shot_prompt = '''请将以下中文句子翻译成英文。句子：我今天非常开心，因为学会了提示词工程。'''
少样本提示（Few-shot）
few_shot_prompt = '''请判断以下评论的情感（正面/负面/中性），只输出一个词。
示例：
输入：这家餐厅的菜品非常美味，服务也很周到。
输出：正面
输入：等了整整两个小时，菜才上齐，太失望了。
输出：负面
输入：明天可能会下雨，记得带伞。
输出：中性
输入：这本书的纸张质量一般，但内容很有价值。
输出：'''
链式思维提示（CoT）
cot_prompt = '''问题：一个商店有 15 个苹果，卖掉了 8 个，又进货 12 个，现在有多少个？
请逐步推理，最后给出答案。
推理过程：
1. 商店原有 15 个苹果。
2. 卖掉了 8 个，剩下 7 个。
3. 又进货 12 个，7 + 12 = 19 个。
4. 现在有 19 个苹果。
答案：19'''

二、进阶提示技术

import openai
client = openai.OpenAI()

question = '如果所有的猫都喜欢鱼，小明有一只猫，请问这只猫喜欢鱼吗？'
responses = []
for _ in range(5):
    resp = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=[{'role': 'user', 'content': question}],
        temperature=0.8,
    )
    responses.append(resp.choices[0].message.content)
from collections import Counter
most_common = Counter(responses).most_common(1)[0]
print(f'最一致的答案: {most_common[0]}\n出现次数: {most_common[1]}/5')
step1_prompt = '''从以下用户需求中提取关键实体和信息：
需求：我想去日本旅游，预算 15000 元，7 天时间，喜欢美食和自然风光。
提取：目的地、预算、天数、偏好（用 JSON 格式输出）'''
step2_prompt = f'''根据以下信息生成日本 7 天旅行计划：
{step1_prompt}
要求：每天的景点、餐厅、住宿建议，用 Markdown 格式输出。'''

三、提示词优化实践

# 提示词优化 checklist
结构清晰：System / Few-shot / Query / Output Format 分区

具体明确：避免歧义，明确说做什么而非不要做什么

角色设定：'你是一个有 10 年经验的 Python 工程师'

格式约束：用 JSON 格式 / 用 Markdown 表格 / 只输出一个词

边界说明：如果不知道，请明确说不知道，不要编造

避免：一次要求太多任务，分步执行效果更好</code></pre><h2>四、常见问题</h2><p><strong>Q1：Few-shot 示例是不是越多越好？</strong><br/>不是。示例过多会增加 context 长度和成本，且可能稀释核心指令。一般 2~5 个示例足够，优先选择覆盖不同边缘情况的代表性示例。</p><p><strong>Q2：模型在 CoT 推理时跳过中间步骤直接给答案怎么办？</strong><br/>在 Prompt 中明确要求先写出推理步骤，再给出答案，或者在 Prompt 末尾加上Let's think step by step.</p><p><strong>Q3：不同模型对提示词技巧的敏感度有差异吗？</strong><br/>有。GPT-4、Claude 等顶级模型对零样本指令就能理解得很好；开源小模型（如 7B 参数）更依赖 Few-shot 示例和详细的任务分解。</p><h2>五、延伸阅读</h2><ul><li>OpenAI Prompt Engineering 指南：<a href="https://platform.openai.com/docs/guides/prompt-engineering">https://platform.openai.com/docs/guides/prompt-engineering</a></li><li>Anthropic Claude 提示词技巧：<a href="https://docs.anthropic.com/claude/docs/intro-to-prompting">https://docs.anthropic.com/claude/docs/intro-to-prompting</a></li><li>Prompt Engineering Guide：<a href="https://www.promptingguide.ai/zh">https://www.promptingguide.ai/zh</a></li><li>论文：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（Wei et al., 2022）</li></ul>