这篇文章不探讨prompt技巧，只探讨prompt技术本身的一些相关概念以及prompt工程，当然也会略微的提及一些prompt技巧。

需要说明的是，里面涉及的很多观点没有经过严格的考证，大多是自己这些年学习AI相关技术的一些浅薄见解。

Prompt Engineering

在 AGI 时代，不会使用 Prompt，就像不会使用操作系统一样——你无法真正驾驭智能系统。
Prompt 不是技巧，而是一种新的“人机接口语言”。

• Prompt = AGI时代的编程语言

• Prompt工程 = AGI时代的软件工程

• 提示工程师 = AGI时代的程序员

Prompt 门槛低 天花板高

专门的提示工程师并不会长久，它会逐渐的称为通用能力，因为以后的每个人都会提示词工程，并且随着AI技术的发展，提示词工程会越来越简单。

人人都会，我们可以提升的优势是什么？

---

• ①懂模型原理 就能知道什么样的指令有效，什么样的无效；为什么同样的指令有时有效，有时无效；怎么提升指令有效的概率。（最重要 只有懂才能明白大模型为什么给出这样的答案）
• ②懂工程落地 就能把 Prompt 写成代码、嵌入系统、对接业务。
• ③懂调优逻辑 能稳定复现好结果，而不是靠运气。

人人都会说话，但不是人人都能当导演、编剧、产品经理。Prompt 也是一样。

一） Prompt

1.1 使用prompt的两个目的

• 获取具体问题的答案 （这类就是我们常用的，通过对话直接得到具体的答案）
• 固化一套Prompt到程序当中，使其成为系统功能的一部份，比如AI客服系统（通过Prompt打造智能客服）

第一种方式主要是通过 Chatgpt 等 AI 的网页界面就可以进行操作，后者的实现就需要通过代码来实现了，后者也是我们程序员独具优势的地方。

1.2 prompt 调优

Prompt 本质上是一种软约束编程，传统代码是强约束（必须执行），而Prompt 是概率约束（引导模型进入某个分布），所以Prompt 本质上也是在控制模型输出的概率分布。

对于找到一个好的 prompt 是一个持续迭代优化的过程，需要不断的调优。如果我们知道训练数据是怎么样的，参考训练数据来构造prompt是最好的。但是其实一般我们不会知道训练数据是什么的，除非是自己训练的模型。

• OpenAI的GPT系列更喜欢Markdown格式的数据
• Claude对XML格式更好

其他就只能自己一个一个尝试了，有时候多一个字和少一个字，对生成结果好坏都会产生影响

但高质量的 prompt 的核心要点：

•  具体
•  丰富
•  少歧义

 如果底层大模型换了，prompt 要不要重新调优？

---

• 同一家公司的模型升级（GPT3.5→4o）：大多不用大改
• 换模型厂商（GPT ↔ Claude ↔ 文心 ↔ 通义）：必须重新调优
• 格式偏好不同：GPT 爱 Markdown，Claude 爱 XML，国产模型大多兼容自然语言

Prompt 不是一劳永逸，是随模型迭代的轻量级代码。

二）Prompt 的构成

•  角色
•  指示
•  上下文
•  例子 （one-shot learning few-shot learning）
•  输入
•  输出

万能 Prompt 公式

• 你是：【角色】
• 请完成：【任务/指示】
• 背景/限制是：【上下文】
• 参考以下示例：【例子】
• 输入：【用户内容】
• 输出：【格式要求】

2.1 角色定义为什么有效

角色定义之所以有效，并不是因为模型理解身份，而是因为训练数据中大量存在角色式指令表达。模型会匹配到大量相似语境，从而更稳定地进入某种风格模式。模型训练者并没想到过会这样，完全是大家「把 AI 当人看」玩出的一个用法，因为实在传得太广，导致现在的大模型训练数据里充满了角色定义，所以更有效了，更有相关论文证实了这一现象，进一步说明为啥「你是一个 xxx」能够有效，同时发现大模型对prompt开头和结尾更敏感。

参考文献：https://arxiv.org/abs/2307.03172

三）Prompt 工程

一直没弄懂过，Prompt就Prompt，为什么后面要加上工程二字。总结来看最大的疑惑就是为什么叫「工程」，不叫「提示词技巧」？

工程的本质是：可控、可复现、可规模化、可维护。

而由于大模型本身就存在随机性不确定性。对不同的问题，我们在使用大模型去解决的时候，其实就是通过不同的prompt来实现，但是如果只是强调提示词技巧而非工程化，实际项目很难落地，只有通过Prompt 工程把「随机碰运气」变为「稳定出结果」，从「单次对话」→「固化成功能」，从「手工调」→「体系化调优」；我们才能AI能力可控，高效，可维护的嵌入系统。

随机聊天	Prompt 工程
靠感觉	有结构
靠运气	可复现
一次性	可固化
不稳定	可上线

所以总的来说，Prompt 工程是在大模型时代，用自然语言作为新的编程语言，通过结构化设计、稳定化调优、系统化落地，让 AI 输出可控、可复用、可规模化的一套工程方法论。

3.1 例子

一个例子看 Prompt 工程：

Prompt 工程 = 把大模型从 “随机聊天机器人”，变成 “稳定、可靠、能上线赚钱的系统功能”。

① 定目标 = 需求工程

不是让AI 帮我写点东西，或者回答问题，而是工程化定义任务：

• 做什么功能？（客服？总结？代码？质检？）
• 输出什么格式？（JSON？表格？纯文本？）
• 不能出现什么？（幻觉、错误、违规）
• 给谁用？（内部工具？用户产品？）

② 搭骨架 写一个 “能稳定工作” 的 Prompt

不是随便写一句话，而是结构化设计（根据prompt的构成部分分别写，并保持清晰 准确 无歧义）：

• 给角色
• 给任务
• 给规则
• 给例子
• 给输入输出格式

目标是让 AI 每次输出都差不多，而不是看心情。这一步其实是在干架构和编码。

③ 调优 把 “能用” 变成 “好用、稳定”

真正的「工程」就在这里：

• 试不同写法
• 试不同格式（XML / Markdown / JSON）
• 试少字、多字、换语序
• 试不同模型
• 测坏例子、边界 case

不断迭代，直到输入任何合法内容，输出都可控、不翻车。这一步其实是在测试 + 调试 + 迭代。

④ 固化 把 Prompt 嵌进系统，变成产品

这是普通用户和工程师的最大区别：

• 把 Prompt 写成模板
• 放进代码 / 配置文件
• 对接接口、数据库、业务逻辑
• 做成：AI 客服、AI 写作、AI 审核、AI 插件…

Prompt 不再是聊天，而是系统的一部分。这一步就是在干集成开发和上线。

⑤ 运维 模型变了（升级），Prompt 也要跟着变

大模型会更新、会换、会升级：

• GPT 更新换代 → Prompt 可能飘，或者之前的提示词不适合，得重走Prompt工程。
• 换 Claude / 文心 / 通义 → 几乎要重调。
• 业务变了 → 规则要改，重走Prompt工程。

所以 Prompt 工程还要定期监控效果，定期评估大模型的版本，并进行相应的管理。这一步其实就是运维与迭代。

四）结语

Prompt 工程从头到尾只做一件事，通过结构化设计、反复调优、系统集成和持续维护，让大模型的输出从不可控的随机生成，变成可预期、可复现、可商用的系统能力。