提示词工程（Prompt Engineering）是一套规范化设计、调试、优化输入文本，用来精准控制大模型输出格式、逻辑、风格、能力边界的方法论，核心目标：降低模型幻觉、稳定输出、复用模板、挖掘模型极限能力。

整体分为基础理论、核心编写技巧、高阶范式、工程落地、调优运维、行业落地六大板块。

一、核心概念

1. 核心名词

1. prompt(提示词): 用户输入给大模型的全部文本，包含指令、上下文、示例、约束、角色等；
2. Completion: 模型返回的回答结果；
3. 上下文窗口: 模型单次可读取的输入 + 输出总字数上限，长文本提示词设计首要约束；
4. 幻觉: 模型编造虚假事实，提示词工程最重要的优化目标;
5. 温度: 随机性参数, 0 = 严谨复刻、1 = 自由创作，提示词常配套参数控制。
6. Top-K：大模型文本生成阶段的采样截断策略，属于模型生成参数，常和 Top-P、Temperature 配合使用，用来约束词语选词范围，控制输出随机性、发散程度。模型预测下一个字词时，会计算词表里所有候选 token 的概率，Top-K 即只保留概率最高的前 K 个 token，仅在这 K 个候选里随机采样生成下一个字，剩余低概率 token 直接丢弃。K=1：贪心采样，永远选概率最高的词，输出极度固定、死板、重复，逻辑严谨无脑洞，适合文案复刻、公式编写、精密代码、标准化报表；K=5~20：日常通用区间，兼顾流畅度与灵活度，问答、文案、分析首选；K＞50：候选词范围大幅拓宽，内容天马行空，容易出现逻辑断裂、幻觉，多用于创意写作、脑洞剧本、艺术创作；K=0：关闭 Top-K 限制，全词库自由采样，一般不单独使用。
7. Top-P: 不断从最高概率开始累加，当累积概率 ≥ 设定阈值 P，就停止收录，只在这一小批动态候选 Token 中随机采样生成文本，其余低概率字词直接舍弃。候选词数量不固定，会随上下文语义自动增减；P=0.1~0.3: 候选池极小，选词极度保守、刻板，语句重复率偏高，几乎没有发散。适用：公式编写、精密代码、标准化报表、法律条文、严谨数理推演。P=0.6~0.8（通用首选）:平衡流畅度与灵活度，文本自然通顺，不会僵化，也不会胡乱编造。适用：日常问答、文章撰写、文案策划、知识科普。P=0.9~0.99: 候选池大幅扩容，随机性显著提高，想象力强，容易出现脑洞、轻微逻辑混乱、幻觉。适用：小说创作、剧本、脑洞创意、艺术文案。P=1: 无限制，全词库开放采样，一般不单独使用。

2. 提示词基础五要素（万能基础结构）

一套合格提示词必须包含 5 部分，简称RCITE 结构：

1. Role 角色：定义模型身份（专家、程序员、HR、医生、分析师）；
2. Context 上下文：背景资料、已知信息、历史对话、参考文档；
3. Instruction 指令：明确要完成的任务（总结、改写、推理、代码、策划）；
4. Input 输入素材：待处理原文、题目、数据、需求文本；
5. Expectation 输出约束：格式、长度、语气、禁止内容、评判标准。

二、基础常用提示词技巧（入门必学）

1. 零样本提示 Zero-shot

不给案例，仅凭自然语言直接下达指令。

示例：总结下面文章，精简到 100 字以内。

2. 少样本提示 Few-shot

给2~5 个标准示例，让模型模仿格式、逻辑、文风，稳定性大幅提升，最日常实用。

结构：示例 1→示例 2→当前任务。

3. 思维链提示 CoT（Chain-of-Thought）

强制模型分步推理，解决数学、逻辑、计算题，大幅降低推理错误。

常用话术：一步步思考，写出推导过程，最后给出答案。

4. 自问自答 Self-Ask

让模型主动提问、补全缺失条件，适合信息残缺、模糊的复杂问题。

5. 格式限定

固定输出结构：Markdown、JSON、表格、列表、思维导图、代码块，对接自动化程序必备。

示例：最终结果严格输出 JSON 格式，仅返回 JSON，无多余解释。

6. 负面约束（禁语）

明确禁止行为：禁止编造数据、禁止啰嗦、禁止口语化、禁止发散闲聊、禁止提前收尾。

三、高阶主流范式（工业级专业方案）

1. 思维树 ToT（Tree of Thought）

把推理拆成多条分支路径，择优选择答案，适合决策、方案设计、博弈类难题。

2. 思维图 GoT（Graph of Thought）

在 ToT 基础上增加分支关联、回溯修正，复杂科研、商业分析使用。

3. 工具使用提示 ReAct

推理 + 行动结合，引导模型调用搜索、计算器、代码执行等外部工具，解决实时信息、复杂运算。

逻辑：思考→判断是否调用工具→工具返回结果→整合答案。

4. 自动提示优化 APE

让 AI 自动迭代改写自身提示词，批量优化模板，适合大批量标准化任务。

5. 角色深度设定：人格锚定

细化身份、阅历、性格、说话习惯、专业壁垒，比如：10 年量化交易分析师，只讲客观数据，不做主观预测。

6. 结构化提示框架

1. CRISPE：角色 - 背景 - 指令 - 输出格式 - 补充约束；
2. APE：目标 - 过程 - 预期结果；
3. LEAP：限制 - 预期 - 行动 - 产出。

7. 拆解法：复杂任务拆分

长任务拆成多步骤子任务，分步执行，避免模型一次过载：

例：写调研报告 → 1 整理数据→2 分析问题→3 提炼结论→4 撰写文稿。

四、长文本提示词工程

针对长文档、书籍、海量资料场景：

1. 滑动窗口分段：超长文本切割分批输入，汇总最终结果；
2. 摘要递进压缩：先分段摘要，再汇总全文摘要；
3. 检索增强 RAG 提示词：绑定知识库，优先参考给定资料回答，杜绝幻觉；
4. 上下文压缩：精简冗余对话，节省窗口空间。

五、Agent 智能体提示词（前沿核心）

用于搭建自主执行 AI 助手，是当下提示词工程重点：

1. 状态定义 State：记录任务进度、历史行为、目标清单；
2. 工具描述 Docstring：清晰定义每个工具用途、入参、返回格式；
3. 决策阈值：设定什么时候调用工具、什么时候结束任务；
4. 记忆管理：短期上下文记忆、长期知识库记忆、反思复盘；
5. 输出 Schema 强制约束：固定结构化输出，方便程序解析调度。

六、提示词调优、测试与运维

1. 调优流程

需求初稿 → 小样本测试 → 错误定位（幻觉 / 逻辑乱 / 格式错）→ 增加约束 / 示例 → 批量灰度测试 → 定稿固化模板。

2. 常见问题优化方案

• 幻觉：增加 “仅使用给定资料作答，未知内容标注不清楚”；
• 答非所问：强化指令，删减冗余内容；
• 输出不稳定：增加 Few-shot 示例、固定格式；
• 啰嗦冗长：明确字数、短句要求。

3. 批量工程化

• 模板化：制作可复用 Prompt 模板，变量替换快速使用；
• 版本管理：记录不同版本提示词效果，迭代存档；
• 评测集：搭建标准化题库，量化打分，对比优劣。

七、安全提示词工程

1. 对齐约束：价值观、法律法规、内容合规约束；
2. 防注入：防御 Prompt 注入攻击，防止用户篡改角色与指令；
3. 隐私保护：禁止泄露敏感信息、编造个人隐私；
4. 脱敏话术：对敏感内容模糊处理。