本文来源于数据从业者全栈知识库，更多体系化内容请访问知识库。
核心理念Prompt工程就像”与外国人沟通”——你说得越清楚、给的背景越充分、表达方式越对方能理解，沟通效果就越好。AI很聪明，但它不会读心术。
为什么Prompt Engineering如此重要？
同一个 大语言模型，不同的提示词可能带来天壤之别的效果：
提示词的力量糟糕的提示词：“帮我写个方案” → AI：输出一份泛泛而谈的通用方案
优秀的提示词：“你是一位有10年经验的数据架构师，请为一家年营收5亿的电商公司撰写数据中台建设方案，读者是CEO，要求突出ROI和落地路径，2000字以内” → AI：输出一份针对性强、有理有据的专业方案
掌握Prompt工程，你可以：
- 将AI的效果提升 3-10倍
- 完成之前”AI做不好”的任务
- 显著减少来回修改的次数
- 建立可复用的”提示词资产库”
一、提示词的基本结构
1.1 优秀提示词的六要素
graph TD
A[完整的提示词] --> B[角色设定]
A --> C[任务描述]
A --> D[背景信息]
A --> E[输出要求]
A --> F[示例参考]
A --> G[约束条件]
B --> B1["你是一位..."]
C --> C1["请帮我..."]
D --> D1["背景是..."]
E --> E1["输出格式为..."]
F --> F1["例如..."]
G --> G1["注意不要..."]
| 要素 | 作用 | 示例 |
|---|---|---|
| 角色（Role） | 设定AI的专业背景和视角 | ”你是一位资深Python工程师” |
| 任务（Task） | 明确要完成什么 | ”请帮我优化这段代码的性能” |
| 背景（Context） | 提供必要的上下文 | ”这段代码运行在高并发环境中” |
| 格式（Format） | 指定输出的形式 | ”请用表格对比优化前后” |
| 示例（Example） | 展示期望的输出风格 | ”类似这样的格式：…” |
| 约束（Constraint） | 说明限制条件 | ”不要使用第三方库” |
1.2 提示词模板
通用提示词模板角色设定 你是一位 [专业背景] 的 [角色名称]，擅长 [技能特长]。
任务描述 请帮我 [具体任务]。
背景信息
- 场景：[使用场景]
- 目标受众：[谁会看这个输出]
- 现状：[当前情况]
输出要求
- 格式：[表格/列表/段落等]
- 长度：[字数/条数]
- 风格：[正式/轻松/专业等]
示例（可选） 期望的输出类似：[提供一个示例]
约束条件
- 请避免：[不要做什么]
- 必须包含：[必要元素]
二、核心提示技巧
2.1 角色扮演（Role Prompting）
核心原理让AI”进入角色”，它会调用与该角色相关的知识和表达方式。
效果对比：
| 无角色 | 有角色 |
|---|---|
| ”解释什么是数据仓库" | "你是一位给非技术背景CEO讲解的数据架构师，请用通俗的比喻解释什么是数据仓库” |
| 输出：技术定义 | 输出：生动比喻 + 商业价值 |
常用角色设定：
| 类别 | 角色示例 |
|---|---|
| 技术类 | ”你是一位有15年经验的高级Java架构师" |
| "你是Google的资深数据工程师” | |
| 商业类 | ”你是麦肯锡的战略咨询顾问" |
| "你是一位成功创业者和商业分析师” | |
| 教育类 | ”你是一位擅长用比喻讲解复杂概念的老师" |
| "你是面向10岁孩子讲解的科普作家” | |
| 写作类 | ”你是一位获奖的商业文案撰稿人" |
| "你是一位风趣幽默的科技博主” |
2.2 少样本学习（Few-shot Learning）
核心原理通过给出1-3个示例，让AI”看样学样”，快速理解你要的格式和风格。
Few-shot示例：产品文案改写请将以下产品描述改写为卖点文案。
示例1
- 输入：这款手机有5000mAh电池
- 输出：告别电量焦虑，5000mAh大电池，刷剧一整天不断电
示例2
- 输入：这款耳机支持主动降噪
- 输出：戴上瞬间，世界安静，ANC主动降噪，沉浸你的音乐世界
现在请处理
- 输入：这款笔记本重量只有1.2kg
- 输出：（AI将学习上面的风格来回答）
Few-shot的应用场景
- 格式转换：JSON转表格、日志转结构化数据
- 风格模仿：模仿特定作者的写作风格
- 分类任务：情感分析、意图识别
- 信息提取：从文本中提取特定字段
2.3 思维链（Chain of Thought）
核心原理让AI”一步一步思考”，而不是直接给答案。对复杂推理任务效果显著。
使用方法：
| 方法 | 触发语句 |
|---|---|
| 简单触发 | ”请一步一步思考，然后给出答案。“ |
| 显式要求 | ”请按以下步骤思考：1.分析问题 2.列出方案 3.比较优缺点 4.给出推荐” |
| 自动思维链 | ”让我们逐步分析这个问题…” |
思维链的威力问题：公司销售额下降了20%，可能的原因是什么？
不使用思维链： “可能是市场竞争、产品问题、经济环境…”（泛泛而谈）
使用思维链： “让我们一步步分析：
- 首先确认下降的时间段…
- 然后看是所有产品线还是特定产品…
- 对比同期市场整体情况…
- 分析内部因素（价格、渠道、营销）…
- 分析外部因素（竞争、政策、季节性）…
基于以上分析，最可能的原因是…”（结构化、有逻辑）
2.4 结构化输出控制
核心原理明确告诉AI输出的格式，减少后处理工作量。
常用格式指令：
| 格式类型 | 指令示例 |
|---|---|
| 表格输出 | ”请用Markdown表格格式输出，包含以下列：名称、优点、缺点、适用场景” |
| JSON输出 | ”请用JSON格式输出，包含summary、key_points数组、recommendation字段” |
| 分点输出 | ”请分两部分输出：主要观点（用-列出）和支撑论据（用数字列出）“ |
| 控制长度 | ”用一句话总结” / “控制在200字以内” / “给出3-5个要点” |
2.5 零样本思维链（Zero-shot CoT）
最简单但非常有效的技巧：
魔法咒语在任何问题后面加上一句：“请一步一步思考” 或 “Let’s think step by step”
就这么简单，但效果显著！
为什么有效？这个简单的指令会激活模型的”慢思考”模式，让它不急于给答案，而是先展开推理过程。
三、高级提示技巧
3.1 自我一致性（Self-Consistency）
核心思想让AI多次回答同一问题，取最一致的答案，提高准确性。
自我一致性提示词“请对以下问题给出3种不同的分析思路，然后选择最合理的一个作为最终答案：[问题]“
3.2 反思与修正（Reflection）
核心思想让AI检查自己的输出，发现并修正问题。
反思修正提示词第一步：“请回答：[问题]”
第二步：“请检查你的回答：1.有没有事实错误？2.逻辑是否完整？3.有没有遗漏重要方面？如果发现问题，请给出修正后的答案。“
3.3 分解任务（Task Decomposition）
核心思想复杂任务拆解成小步骤，逐一完成。
任务分解示例第一轮对话：“我需要完成一份市场分析报告，请先列出需要分析的5个关键维度”
第二轮对话：“针对第一个维度，深入分析”
第三轮对话：“继续分析第二个维度…”（依此类推）
3.4 假设性提问（Hypothetical Scenarios）
假设性提问示例“假设你是一位刚入职的数据分析师，第一天收到领导的需求：‘分析一下上个月的销售数据’。
请问：
- 你会问领导哪些澄清问题？
- 你会从哪些维度进行分析？
- 最终交付物应该是什么形式？“
3.5 对比分析框架
对比分析提示词“请对比分析 [选项A] 和 [选项B]，从性能、成本、易用性、可扩展性四个维度，用表格形式呈现，最后给出你的推荐及理由。“
四、常见场景的提示词模板
4.1 代码相关
代码编写模板“请用 [语言] 实现以下功能：
功能描述：[详细描述]
要求：代码规范[PEP8等]、错误处理[需要/不需要]、注释[详细/简洁]
输入输出示例：输入[示例] → 输出[示例]”
代码审查模板“请审查以下代码，从这些角度给出建议：
- 代码质量（可读性、命名）
- 潜在Bug（边界条件、异常）
- 性能问题（复杂度、资源）
- 安全问题（输入验证）
- 最佳实践
代码：[粘贴代码]“
4.2 数据分析
数据探索模板“你是一位资深数据分析师。我有一份[数据类型]数据，字段包括：[列出字段及含义]
请帮我：1.设计数据探索框架 2.列出关键分析问题 3.建议统计方法 4.提醒数据质量问题”
分析报告模板“基于以下数据发现：[列出关键发现]
请撰写分析报告，要求：读者[技术/业务/高管]、结构[执行摘要→详细分析→建议行动]、风格[数据驱动/故事化]、长度[字数]“
4.3 写作与沟通
商业邮件模板“请帮我写一封[目的]的邮件：
发件人：[你的角色]、收件人：[对方角色]、背景：[简述]、核心诉求：[要达成什么]、语气：[正式/友好/紧急]
要求：主题行吸引注意、正文简洁、有明确下一步行动”
文档改写模板“请改写以下内容：[粘贴原文]
改写目标：目标读者[从技术改为业务]、风格调整[从严肃改为轻松]、长度要求[精简一半]、保留要点[必须保留的信息]“
4.4 学习与解释
概念解释模板“请用[目标受众]能理解的方式解释[概念]：
- 先用一个生活中的比喻
- 然后给出正式定义
- 列出3个实际应用场景
- 指出常见的误解
我的背景：[你的知识水平]”
知识梳理模板“请帮我梳理[主题]的知识体系：
要求：1.给出知识地图（层级结构）2.标注难度（入门/进阶/高级）3.建议学习顺序 4.推荐学习资源”
五、避坑指南
5.1 常见错误与修正
| 错误 | 问题 | 修正 |
|---|---|---|
| 过于模糊 | ”帮我写点东西” | 明确写什么、给谁看、什么风格 |
| 缺少背景 | ”这段代码有问题吗” | 提供代码用途、运行环境、报错信息 |
| 要求矛盾 | ”简短但全面” | 明确优先级，或分步完成 |
| 期望过高 | ”帮我写一本书” | 拆分成章节，逐步完成 |
| 格式不明 | 不说明输出格式 | 明确指定表格/列表/JSON等 |
5.2 调试提示词的方法
graph TD
A[输出不满意] --> B{问题类型}
B -->|格式不对| C[添加格式示例]
B -->|内容太浅| D[要求深入分析]
B -->|跑题了| E[明确边界]
B -->|太啰嗦| F[限制长度]
B -->|有错误| G[要求引用来源]
B -->|风格不对| H[提供风格示例]
5.3 提示词优化流程
| 步骤 | 行动 | 要点 |
|---|---|---|
| 1 | 写出初版提示词 | 包含六要素 |
| 2 | 测试并记录输出 | 保存结果 |
| 3 | 分析差距 | 缺什么→补充、多什么→约束、错什么→明确 |
| 4 | 修改提示词 | 针对性调整 |
| 5 | 重复测试 | 直到满意 |
| 6 | 保存为模板 | 记录适用场景 |
六、建立你的提示词资产库
6.1 分类管理
建议的提示词库目录结构
分类 包含模板 📁 代码开发 代码编写、代码审查、Debug辅助 📁 数据分析 数据探索、报告撰写、SQL生成 📁 写作沟通 邮件模板、文档改写、会议纪要 📁 学习研究 概念解释、知识梳理
6.2 模板记录格式
| 字段 | 内容 |
|---|---|
| 模板名称 | [名称] |
| 适用场景 | [什么情况下使用] |
| 提示词模板 | [具体提示词] |
| 使用示例 | [实际使用案例] |
| 注意事项 | [使用时需要注意的点] |
| 效果评估 | 成功率[高/中/低]、最佳模型[GPT-4/Claude等]、最后更新[日期] |
七、与其他技术的结合
7.1 Prompt + RAG
在 RAG系统 中，Prompt设计至关重要：
RAG系统Prompt要点核心结构：角色设定 + 检索文档{context} + 用户问题{question} + 回答要求
关键要求：
- 仅基于检索文档回答
- 无相关信息时明确告知
- 回答简洁准确
- 标注信息来源
7.2 Prompt + Agent
在 AI Agent 中，Prompt定义Agent的行为：
Agent系统Prompt要点核心结构：
- 角色定义：你是一个[什么类型的]助手
- 可用工具：列出工具名称和功能说明
- 工作流程：理解需求→制定计划→调用工具→整合结果
- 注意事项：确认意图、敏感操作需确认、记录步骤
八、本章小结
核心要点回顾
- 六要素：角色、任务、背景、格式、示例、约束
- 核心技巧：角色扮演、Few-shot、思维链、结构化输出
- 高级技巧：自我一致性、反思修正、任务分解
- 实践原则：明确具体、提供上下文、迭代优化
- 资产管理：建立分类的提示词模板库
金句“Prompt工程不是’让AI听话’，而是’让AI理解你真正想要什么’。好的提示词是双向沟通的艺术。“
实践建议
如何快速提升？
- 每天练习：把日常工作中的任务用AI完成，不断优化提示词
- 收集好模板：看到好的提示词就保存下来
- 对比测试：同一任务尝试不同写法，记录效果差异
- 阅读最新研究：关注Prompt Engineering的最新论文和实践
- 建立反馈循环：记录什么有效、什么无效
延伸阅读
- 大语言模型 - 理解Prompt为什么有效
- RAG技术 - Prompt在知识库应用中的使用
- AI Agent - 更复杂的Prompt应用场景
- 向量数据库 - 理解语义搜索与Prompt的关系
本文节选自数据从业者全栈知识库。知识库包含 2300+ 篇体系化技术文档，覆盖数据分析、数据工程、数据治理、AI 等全栈领域。了解更多 →
