当前位置：首页 > news >正文

大型语言模型基础之 Prompt Engineering：打造稳定输出 JSON 格式的天气预报 Prompt

news 2025/10/25 9:46:06

引言：Prompt Engineering 的时代意义

在大型语言模型 (LLM) 如 GPT、Claude、文心一言等快速发展的今天，我们与 AI 的交互方式正在发生深刻变革。Prompt Engineering（提示词工程）作为连接人类意图与 AI 能力的桥梁，其重要性日益凸显。

简单来说，Prompt Engineering 是指设计和优化输入文本（提示词），以引导大型语言模型产生更准确、更有用、更符合预期的输出。一个精心设计的 Prompt 能让 AI 发挥出远超预期的能力，而一个粗糙的 Prompt 则可能导致结果杂乱无章。

本文将通过一个实用案例 —— 设计一个能稳定输出 JSON 格式天气预报信息的 Prompt，深入探讨 Prompt Engineering 的核心原则与实践技巧。

Prompt Engineering 核心原则

在深入实践之前，我们先来了解 Prompt Engineering 的几个核心原则：

明确性：提示词应当清晰、具体，避免模糊和歧义
结构性：合理组织信息层级，使用标题、列表等增强可读性
指令性：明确告知模型需要执行的任务和输出格式
约束性：设定输出范围和边界，避免无关信息
示例性：适当提供示例，帮助模型理解预期输出

这些原则将指导我们设计出高效的 Prompt，尤其是在需要结构化输出（如 JSON 格式）的场景中。

实践案例：设计天气预报 JSON 输出 Prompt

需求分析

我们需要设计一个 Prompt，让 AI 模型能够：

生成指定城市的天气预报信息
输出格式必须严格遵循 JSON 规范
包含必要的天气要素（日期、温度范围、天气状况、风力风向等）
确保输出稳定，不包含额外的解释性文字

逐步构建 Prompt

版本 1：基础指令

请提供北京市未来3天的天气预报，用JSON格式输出。

这个版本看似直接，但存在诸多问题：

没有明确定义 JSON 结构，模型可能使用不同的字段名
没有指定需要包含的具体天气信息
可能会在 JSON 前后添加解释性文字
日期格式不统一

版本 2：明确结构

请提供北京市未来3天的天气预报，严格按照以下JSON格式输出，不要添加任何额外内容：
{"city": "城市名称","forecast": [{"date": "日期，格式YYYY-MM-DD","weather": "天气状况，如晴、多云等","temp_min": "最低温度，单位℃","temp_max": "最高温度，单位℃","wind": "风向风力，如东北风3级"}]
}

这个版本有了明显改进，指定了 JSON 结构和字段，但仍有优化空间：

没有提供示例，模型可能对某些字段的取值范围理解不一致
缺乏错误处理机制
没有说明当某些数据不确定时的处理方式

版本 3：添加示例

请提供指定城市的未来3天天气预报，严格按照以下要求输出：1. 输出格式：仅包含JSON数据，不要添加任何额外内容
2. JSON结构：
{"city": "城市名称","update_time": "更新时间，格式YYYY-MM-DD HH:MM","forecast": [{"date": "日期，格式YYYY-MM-DD","weekday": "星期几","weather": "天气状况，如晴、多云、小雨等","temp_min": "最低温度，单位℃，仅数字","temp_max": "最高温度，单位℃，仅数字","wind_dir": "风向，如东北、南等","wind_scale": "风力等级，仅数字","humidity": "湿度，百分比，仅数字"}]
}3. 示例：
{"city": "北京","update_time": "2023-06-15 08:30","forecast": [{"date": "2023-06-15","weekday": "星期四","weather": "晴","temp_min": 22,"temp_max": 35,"wind_dir": "北","wind_scale": 2,"humidity": 45},{"date": "2023-06-16","weekday": "星期五","weather": "多云","temp_min": 23,"temp_max": 33,"wind_dir": "东北","wind_scale": 3,"humidity": 50},{"date": "2023-06-17","weekday": "星期六","weather": "小雨","temp_min": 21,"temp_max": 28,"wind_dir": "东南","wind_scale": 4,"humidity": 75}]
}请提供上海市的未来3天天气预报。

这个版本增加了示例，明确了各字段的格式要求，但还可以进一步优化：

可以增加数据验证规则
可以指定异常情况的处理方式
可以增加更多约束条件

版本 4：最终版

任务：生成指定城市未来3天的天气预报，输出格式为严格的JSON。要求：
1. 仅输出JSON数据，不包含任何解释、说明或其他文本。
2. 必须使用UTF-8编码，确保中文正常显示。
3. 所有数值类型字段必须使用数字类型，而非字符串。
4. 日期格式必须严格遵循YYYY-MM-DD，时间格式为HH:MM。
5. 当某些数据不确定时，使用null值填充，不省略字段。
6. 天气状况使用标准中文描述（如：晴、多云、阴、小雨、中雨、大雨、雷阵雨、小雪、中雪、大雪、雾、霾）。
7. 风力等级为0-18的数字，风向使用8个基本方向（东、南、西、北、东南、东北、西南、西北）。JSON结构：
{"city": "城市名称，字符串","update_time": "数据更新时间，格式YYYY-MM-DD HH:MM","forecast": [{"date": "日期，格式YYYY-MM-DD","weekday": "星期几，如星期一、星期二","weather": "天气状况，字符串","temp_min": "最低温度，摄氏度，数字","temp_max": "最高温度，摄氏度，数字","wind_dir": "风向，字符串","wind_scale": "风力等级，数字","humidity": "相对湿度，百分比，数字","uv_index": "紫外线指数，0-10的数字，越高表示紫外线越强"},{// 第二天数据，结构同上},{// 第三天数据，结构同上}]
}示例：
{"city": "北京","update_time": "2023-06-15 08:30","forecast": [{"date": "2023-06-15","weekday": "星期四","weather": "晴","temp_min": 22,"temp_max": 35,"wind_dir": "北","wind_scale": 2,"humidity": 45,"uv_index": 8},{"date": "2023-06-16","weekday": "星期五","weather": "多云","temp_min": 23,"temp_max": 33,"wind_dir": "东北","wind_scale": 3,"humidity": 50,"uv_index": 6},{"date": "2023-06-17","weekday": "星期六","weather": "小雨","temp_min": 21,"temp_max": 28,"wind_dir": "东南","wind_scale": 4,"humidity": 75,"uv_index": 3}]
}请生成广州市未来3天的天气预报。

这个最终版本综合考虑了各种细节，增加了数据验证规则和异常处理机制，能够稳定地引导模型输出符合要求的 JSON 格式天气预报。

测试与验证

使用最终版 Prompt 进行测试，我们可以得到类似以下的稳定输出：

{"city": "广州市","update_time": "2023-06-15 09:15","forecast": [{"date": "2023-06-15","weekday": "星期四","weather": "雷阵雨","temp_min": 26,"temp_max": 32,"wind_dir": "东南","wind_scale": 3,"humidity": 85,"uv_index": 4},{"date": "2023-06-16","weekday": "星期五","weather": "中雨","temp_min": 25,"temp_max": 30,"wind_dir": "南","wind_scale": 4,"humidity": 90,"uv_index": 2},{"date": "2023-06-17","weekday": "星期六","weather": "多云","temp_min": 26,"temp_max": 33,"wind_dir": "西南","wind_scale": 2,"humidity": 75,"uv_index": 7}]
}

这个输出完全符合我们的要求，结构清晰、格式正确、内容完整，没有多余的解释文字，可以直接被程序解析和使用。

Prompt Engineering 进阶技巧

除了上述案例中用到的技巧外，还有一些进阶的 Prompt Engineering 方法可以帮助你设计出更高效的提示词：

角色设定：给模型分配一个特定角色（如 "你是一位资深气象学家"），引导其从特定视角思考
思维链（Chain of Thought）：引导模型逐步推理，先分析再结论
少样本学习（Few-Shot Learning）：提供少量示例，帮助模型理解任务
温度参数调整：通过调整模型的 temperature 参数控制输出的随机性
系统化测试：建立测试集，对不同版本的 Prompt 进行量化评估

总结与展望

Prompt Engineering 是充分发挥大型语言模型能力的关键技能，尤其在需要结构化输出的场景中显得尤为重要。通过本文的天气预报 JSON 输出案例，我们可以看到一个精心设计的 Prompt 能够显著提升模型输出的质量和一致性。

随着 AI 技术的发展，Prompt Engineering 将成为一项越来越重要的技能，不仅限于开发者，产品经理、内容创作者等都可以通过掌握这项技能来更有效地利用 AI 工具。

未来，随着模型能力的提升和工具链的完善，Prompt Engineering 可能会变得更加自动化和智能化，但对人类意图的精准表达和任务需求的深刻理解，始终是设计高效 Prompt 的基础。

掌握 Prompt Engineering，让我们在 AI 时代更高效地工作和创造！

附录：相关资源推荐

OpenAI 官方 Prompt 设计指南
《Prompt Engineering for Developers》- DeepLearning.AI
PromptBase - 优质 Prompt 交易平台
Awesome Prompts - GitHub 开源项目
Prompt Engineering 研究所官方博客

希望本文能帮助你深入理解 Prompt Engineering，并在实际工作中应用这些技巧。如果你有更好的 Prompt 设计经验，欢迎在评论区分享交流！