[提示词工程] Prompt 工程 : 如何编写高质量的 Prompt ?

0 序

没有完美的 Prompt，只有不断迭代的 Agent / Prompt。

1 概述 : Prompt 工程 : 如何编写高质量的 Prompt ?

Prompt 大纲

这是一套基于实际项目经验总结的系统化Prompt设计方法论。

• 通用 Prompt

一个万能且好用的 Prompt 框架，应当考虑以下几点：

• Role（角色）：给 AI 定义一个最匹配任务的角色，比如：“你是一位软件工程师”、“你是一位小学老师”、“你是一位销售”。
• Context（背景/上下文）：告诉 Agent 与任务相关的其它背景信息，以便更好地理解问题。在多轮交互中，背景指对话历史；在涉及专业知识时，背景可来自 RAG 提供的数据。
• Goal/Task（目标/任务）：明确告诉 Agent 我们希望它做什么，例如生成特定类型的文本、回答问题、完成对话等。
• Audience（受众）：说明用户与 Agent 的关系或用户特征，例如“这个问题是给 10 岁小朋友听的”、“你是用户的朋友”等。
• Style（风格）：指定答案的语言风格，如正式、口语化、幽默、严谨等。同时注意 Prompt 自身的表述风格也应与模型训练数据一致。
• Constraint（指令约束）：明确禁止模型执行的行为，强化关键限制。
• Response Format（响应格式）：规定期望的回复格式，如列表、JSON 等。
• Example（示例）：提供任务样例，利用模型的短期学习能力提升输出质量。

⚠️ 注意：并非所有要素都必须使用，应根据具体任务灵活裁剪。

• Agent Prompt

核心思想：将大模型（LLM）视为一个可独立执行任务的Agent，并为其提供一套清晰的标准作业流程（SOP）。
Prompt = 角色(Role) + 上下文(Context) + SOP(Workflow) + 边界(Boundary) + 回答约束(Constraints) + 示例(Examples)

Agent Prompt 设计的6大核心原则

• 单一职责：一个Agent只做一件事，做好一件事。
• 职责分离：LLM擅长创造性生成，不擅长确定性决策。
• 显式优于隐式：状态、规则、示例都显示，明确告知优于期待模型推断。
• 结构化优于自然语言：使用表格、列表、代码块展示规则、要求、示例。
• 示例优于说明：边界case、输出格式都要有示例而非说明。
• 测试驱动优化：建立测试用例集、准确率baseline，根据错误case分析优化。

Role/指定模型所扮演的角色

通过设定角色，引导模型调整内容与风格。

• 明确专业领域：如意图识别专家、问题分类专员

• 单一职责原则：一个Agent只做一件事，复杂流程通过多个Agent协作完成

• 避免角色冲突：不要让同一个Agent同时扮演客服和销售等冲突角色

• 示例对比：

  Bad：请帮我写一份能够吸引大量粉丝点赞的青岛旅游攻略。
  Good：你是一位小红书爆款文案写作大师，请帮我写一份青岛旅游攻略。

  Bad：请帮我画一幅装着光的水晶瓶，要求图像清晰、华丽、有质感。
  Good：你是一位专业的游戏原画大师，请帮我画一幅装着光的水晶瓶。

Context/上下文(背景)

• 状态显式传递：明确告知当前流程节点、循环次数、用户资格等关键状态
• 分层加载：只加载当前节点相关的上下文，避免Prompt过长导致注意力分散
• 结构化呈现：使用表格、列表等结构化方式组织上下文信息

Constraint/指令约束

• 在描述完期望行为后，可添加限制条件，明确“不希望模型做什么”。
• 使用【强语气词】（如“必须”、“严禁”）增强约束力。
• 每条【约束】应与【任务】高度相关，避免冗余。
• 若约束较多，建议用【列表形式】分点列出，保持逻辑清晰、上下文连贯。
• 过于复杂的 Prompt 可能导致模型忽略部分指令，因此应力求精炼。

Response Format/响应格式

规定期望的回复格式，如列表、JSON 等。

• 格式刚性约束：严格定义XML/JSON结构，强调必填字段和可选字段
• 字段语义化：使用中文描述（问题类型A）而非编号（类型1）

Style/模仿模型训练语言风格

• 语言风格统一：明确称呼、语气、句式细节

• 使用官方、书面、礼貌、友善的语言撰写 Prompt。

• 语句应流畅、意图清晰、表达精简。

• 避免：

  • 语法复杂、语义模糊、逻辑混乱；
  • 歧义、语病、拼写或标点错误；
  • 否定句（优先使用正面描述）。

• Prompt 风格: 应尽量贴近大模型的高质量训练数据（通常为正式、严谨、简洁）。

• 例外：对于文生图模型，使用 tag 序列（如“赛博朋克, 高对比度, 4k高清”）效果优于自然语言，因其训练数据多为标签拼接。

Example/给出示例

提供完整示例：给出多个完整示例，覆盖各种场景

• 大多数优秀 Prompt 都包含任务示例，利用模型的短期学习能力（in-context learning）实现举一反三。
• 对于抽象任务或复杂任务，示例尤为重要。
• 即使简单任务可能无需示例，但在高精度要求场景下，示例能显著提升输出一致性与准确性。
• 双轨制示例：固定示例（人工编写典型case）+ 动态示例（向量检索相似问题）
• 覆盖边界case：重点提供容易混淆的场景
• 完整的输入输出：不只给输入，还要给完整的输出格式示例
• 多轮对话示例：展示历史对话如何影响当前判断

Boundary/边界

• 知识边界：明确知识来源，如"回答必须严格基于知识库"
• 职责边界：明确处理范围，如"只处理A，不回答B"
• 状态限制：基于用户状态限制可能的意图，如"新用户不可能是续费问题"
• 兜底策略：不确定时宁可返回不明确，也不要猜

SOP/标准工作流程与执行步骤

• CoT思考链：强制模型输出思考过程，按识别状态 → 理解输入 → 判断行动 → 生成输出 顺序执行
• 步骤编号：明确标注，让模型理解执行顺序
• 决策树结构：使用"如果...则..."的条件分支，覆盖所有可能路径
• 循环控制：根据循环次数动态调整策略

使用思维链（CoT）

• 将复杂任务拆解为多个子任务，引导模型逐步推理。

• 适用于逻辑推理、数学计算等场景。

• 示例对比：

  Bad：
  $ (1362 + 5145) \times 145 - (1517 \times 42 + 24) = ? $

  Good：
  请你帮我计算一下 $ (1362 + 5145) \times 145 - (1517 \times 42 + 24) = ? $ ，每一步运算过程都要展示出来，并确保计算的正确性。

• 中文语境下，“请一步步进行推理并得出结论”效果显著优于“请让我们一步步思考”。

• 模型规模越大，CoT 效果越明显。

• 可结合其他技术：

  • Zero-shot-CoT：通过修改提示后缀激发思维链；
  • Few-shot-CoT：提供带推理步骤的示例，引导模型模仿。

撰写模块化的 Prompt

• 当 Prompt 较长时，应划分为边界清晰的模块（任务描述、注意事项、示例、输入等），并用分隔符明确区分。

• 示例对比：

  Bad：

  请抽取出以下简历的关键信息，并以 json 格式返回结果：{input}你需要抽取的关键信息包括：姓名、电话、毕业院校、科研经历、项目经历、荣誉奖项

  Good：

  请抽取出以下简历的关键信息，并以 json 格式返回结果：
  简历：{input}
  你需要抽取的关键信息包括：

  1. 姓名
  2. 电话
  3. 毕业院校
  4. 科研经历
  5. 项目经历
  6. 荣誉奖项
  

• {input} 用于动态插入用户输入，适用于无 system/user 角色区分的模型（如 GPT-3）。

对于支持 system 角色的模型（如 ChatGPT），建议将规则置于 system prompt，用户输入置于 user prompt，结构更清晰。

2 Prompt 示例

智能客服

# 角色
作为一个智能客服，你的职责是回答平台问题反馈群中客户的各种问题。你可以通过交替进行的 "思考、搜索、观察" 三个步骤来解决问答任务。

# 技能
## 技能1: 思考
- 对当前情况进行推理，明确问题的核心。

## 技能2: 搜索
- 在提供的知识库上搜索确切的实体，并返回最相似的段落。
- 如果知识库中没有，则在插件中搜索是否有对应功能，若有则访问插件获取数据。

## 技能3: 观察
- 观察搜索结果并提取有用信息进行回答。

# 例子
====
问题: 用户平台的登录界面无法加载怎么办？

思考1: 我先确定了问题的主体是[用户平台的登录界面无法加载]。因此我会先检索一下知识库，以及提供的插件是否有问题相关的信息。

行动1: 去知识库中搜索[用户平台登录界面无法加载]，从文档中获取了数据[登录界面无法加载可能是由于网络连接问题、服务器问题或浏览器设置问题]。

观察1: 从搜索结果中，我找到了解决方法，就是[由于网络连接问题、服务器问题或浏览器设置问题]，我会根据答案组织语言，回答用户。
====

# 限制
- 回答必须严格遵循 "思考、搜索、观察" 的步骤；
- 仅使用提供的知识库或插件进行搜索；
- 不回答与用户平台无关的问题；
- 确保所有回答都基于准确信息，格式清晰；
- 如果未找到直接说明，请回答：“抱歉，这个问题我不知道，请联系客服人员。”

💡 此类 Prompt 适用于 AI Agent 编排平台 （如字节跳动的 Coze）。

聊天机器人

### 基本角色
你是用户的异性朋友，基本人设如下：一个风趣幽默的男生，会偶尔说说情话。

### 技能
每次回复，请使用以下三种技能，按以下形式回复：

1. （使用技能 1）xxx  
2. （使用技能 2）xxx  
3. （使用技能 3）xxx  

#### 技能 1: 自然交流
- 像真正的朋友一样自然交流，不使用敬语，适当使用口语词汇，简洁明了。
- 不要总是附和用户，给出真诚且有个性的回应。

#### 技能 2: 风趣表达
- 在交流中展现幽默感，使用夸张、反转等手法逗用户开心。

  **夸张玩笑示例**：  
  Q：你是不是等很久了？  
  A：是的，你要是再不来我就要寿终正寝了。你是不是路上堵车了啊？

  **反转玩笑示例**：  
  Q：你还炒股啊？  
  A：是啊，我炒股老厉害了，三个月只亏了八百。

#### 技能 3: 拉升感情
- 当聊到情绪到位时，用情话巧妙撩拨用户。

  **示例**：  
  Q：呜呜呜讨厌你，你伤害到我了。  
  A：嘿嘿不客气，这是我应该做的。谁叫你这么可爱，我忍不住欺负你啊。

### 目标
通过交流拉近和用户的距离，让用户感受到你的魅力。

### 注意事项
1. 要像真实的人一样思考和回复；
2. 不要暴露自己是语言模型或人工智能；
3. 避免使用列表或列举表达。

3 Prompt 设计常见错误与解决方案

错误1：Prompt过长，模型注意力分散

• 表现：1000+行超长Prompt，模型经常"忘记"关键指令
• 原因：模型注意力机制的限制，过长的Prompt导致关键信息被淹没
• 解决方案:

1 采用Multi-Agent架构，每个Agent只负责一个子任务
2 分层加载上下文，只加载当前步骤相关的信息
3 单个Agent的Prompt控制在500行以内
+　实战案例：将超长Prompt拆分为多个聚焦的小Prompt，每个控制在300-500行以内

错误2：状态管理混乱，多轮对话不连贯

• 表现：Agent"忘记"用户之前的诉求，重复提问，用户体验差

• 原因：依赖LLM从历史对话中推断状态，但LLM不擅长状态管理

• 解决方案:

状态显式传递：在Prompt开头明确告知当前状态
职责分离：LLM负责内容生成，代码负责状态管理

• 实战案例：在每个Agent的Prompt开头添加"## 当前状态"部分

错误3：边界case处理不当，误判率高

• 表现：相似意图经常混淆，如"为什么限制我的支付？"被误判为其他意图
• 原因：边界规则描述不清晰，缺少边界case的示例
• 解决方案:

1 用表格清晰展示边界规则
2 提供大量边界case的Few-shot示例
3 明确判断逻辑

错误4：输出格式不稳定，程序解析失败

• 表现：LLM有时输出JSON，有时输出自然语言，导致程序解析报错
• 原因：格式约束不够强，示例不够多
• 解决方案:

在Prompt中明确要求"严格遵循XML/JSON格式"
提供至少5个完整的输出格式示例
明确标注必填和可选字段
在输出要求中强调"不要输出分析过程，直接输出结果"

• 实战案例：在每个Agent的Prompt中添加"## 输出格式"部分，提供6-7个示例

Y 推荐文献

• 即梦图片4.5模型 提示词手册 - bytedance.larkoffice.com 2025.12.12

即梦图片4.5相较于4.0有整体提升，在人像场景和美观度等4.0高频反馈问题上，4.5得到显著改善，同时在画面美感和推理能力也有所增强

X 参考文献

• 如何编写 Prompt - CSDN

✅ 本文主要整理自本篇博客《如何编写 Prompt》，内容未作删改，仅结构调整为 Markdown 格式以便阅读与引用。

• Prompt设计六要素 - Weixin/腾讯云开发者

• Prompt设计常见错误及解决方案 - Wexin/腾讯云开发者

• AI大模型之Prompt工程指南 - CSDN

• 敲黑板！吴恩达LLM Agent工作流Prompt精华全解析 - CSDN

• Effective Prompt: 编写高质量Prompt的14个有效方法 - Zhihu