首页 > AI教程 >提示词工程优化指南

提示词工程优化指南

来源：互联网 2026-07-30 06:20:13

提示词工程通过设计输入指令来优化大语言模型的输出稳定性和可控性。其核心方法包括角色设定、任务拆解、示例引导和格式约束，实践中常将提示词模板化、系统化，并借助链式调用处理复杂任务。结构化输出便于程序处理，该方法已广泛应用于AI客服、内容审核、图文匹配和内容生成等领域。

提示词工程（Prompt Engineering）是一种在不修改大语言模型内部参数的前提下，通过精心设计输入指令来引导和控制其输出结果的工程方法。其核心目标是提升大模型输出的稳定性、可控性与可评估性。

提示词工程优化指南

长期稳定更新的攒劲资源： >>>点此立即查看<<<

什么是提示词工程

我们可以用一个公式来概括提示词工程：

提示词工程 = 如何写Prompt + 如何用代码管理Prompt

它旨在解决的核心问题是：大模型本质上是概率预测机器，其回答具有不确定性。提示词工程通过一系列技巧，引导这个“黑盒”按照预设的意图和格式输出内容。

举例说明：

简单提问“总结这段话”，模型给出的答案可能格式混乱、长短不一。

而优化后的Prompt则效果显著：“你是一个技术文档助手。请用三条 bullet point 总结下面内容。每条不超过20字。内容：{content}”

经过优化，输出的稳定性和可用性将大幅提升。

Prompt 设计原则

要设计出更有效的Prompt，可以遵循以下几个经典原则。

角色设定（Role Prompting）

为模型赋予一个明确的身份，能显著影响其输出的风格和专业深度。例如，直接指令：“你是一名资深前端架构师”。

在代码中的体现可能是：

const prompt = `你是一名资深前端架构师，请解释 React diff 算法`

这样做的好处是输出更专业，风格更统一。

任务拆解（Task Decomposition）

面对复杂任务时，应将任务拆解为清晰的步骤，引导模型逐步完成。

例如，一个分析任务可以拆解为：“1. 提取关键词；2. 总结内容；3. 给出建议”。

代码实现示例：

const prompt = `请按照以下步骤完成任务：1. 提取文本关键词；2. 总结文本；3. 给出改进建议。文本：${text}`

Few-shot 示例

对于模型不确定如何处理的任務，提供少量示例（Few-shot）能有效引导其学习。

例如，教它进行分类：

输入：苹果是一种水果
输出：水果
输入：老虎是一种动物
输出：动物
输入：香蕉是一种水果
输出：

TypeScript实现示例：

const prompt = `请提取类别。输入：苹果是一种水果，输出：水果。输入：老虎是一种动物，输出：动物。输入：香蕉是一种水果，输出：`

约束输出格式

在工程实践中，明确要求结构化输出格式至关重要，以便后续程序处理。

例如，直接指令：“必须输出JSON格式：{ "score": number, "reason": string}”。

具体代码示例：

const prompt = `判断图片和文本是否匹配。返回JSON格式：{"score": number, "reason": string}。文本：${text}`

Prompt 模板化（工程实践）

在实际项目开发中，Prompt通常需要模板化和系统化管理，例如构建为可复用的技能或工具。

示例：Prompt Template

一个简单的Prompt模板类实现如下：

class PromptTemplate {
  constructor(private template: string) {}
  format(data: Record) {
    let result = this.template
    for (const key in data) {
      result = result.replace(`{${key}}`, data[key])
    }
    return result
  }
}

使用方法：

const template = new PromptTemplate(
  `你是一个视频审核专家。判断视频是否符合要求。
  要求:{requirement}
  视频描述:{description}
  返回 JSON:{ "pass": boolean, "reason": string}`
)

调用时填入动态数据：

const prompt = template.format({
  requirement: "必须包含动物",
  description: "视频是一只狗在跑"
})

多模板形成的 Prompt Chain

对于复杂业务流程，往往需要多个Prompt串联协作，形成处理链。

以视频生成为例，流程可能是：用户需求 → 脚本生成 → 分镜生成 → 视频生成 → 视频评估。

代码描述工作流：

async function generateScript(topic: string) {
  return llm(`生成一个视频脚本。主题：${topic}`)
}
async function generateStoryboard(script: string) {
  return llm(`根据脚本生成分镜。${script}`)
}
async function generateVideo(storyboard: string) {
  return videoModel(storyboard)
}
async function workflow(topic: string) {
  const script = await generateScript(topic)
  const storyboard = await generateStoryboard(script)
  const video = await generateVideo(storyboard)
  return video
}

这种链式调用在LangChain或LangGraph等框架中更为常见和系统化。

结构化输出

在工程化场景中，结构化输出是必要条件，非结构化文本难以被程序解析和处理。

对比示例：模糊回答是“这个图片挺符合要求的”。而结构化输出则是：{ "match": true, "score": 0.87, "reason": "图片包含猫"}。后者可直接被代码使用。

实现结构化输出的TypeScript示例：

async function evaluateImage(text: string, imageDesc: string) {
  const prompt = `判断图片和文本是否匹配。
  文本：${text}
  图片描述：${imageDesc}
  返回JSON：{ "match": boolean, "score": number, "reason": string}`
  const res = await llm(prompt)
  return JSON.parse(res)
}