当前位置：首页 > news >正文

什么是提示词（Prompt），提示词类型、结构解析

news 2025/10/27 8:50:42

提示词的类型、结构

——从入门到提示工程实践

一、什么是提示词（Prompt）

在与大语言模型（LLM, Large Language Model）交互时，我们给模型的文字输入就叫做提示词（Prompt）。

Prompt 不仅仅是“输入一句话”，而是一种引导模型思维的工程技术。
它的作用是告诉模型：

你是谁（角色）
你要干什么（任务）
你要怎么干（步骤）
你要输出成什么样（格式）

二、提示词的三层结构

几乎所有现代模型（包括 OpenAI GPT 系列、Anthropic Claude、阿里 Qwen、百度文心等）都遵循三层提示结构：

层级	作用	示例
System Prompt（系统层）	定义模型身份、语气、原则。	“你是一位逻辑严密、语言精准的技术顾问。”
User Prompt（用户层）	用户的任务请求或问题。	“请帮我写一篇介绍Transformer架构的文章。”
Assistant Prompt（助手层）	模型的回答（输出）。	——模型生成——

说明：

System 决定回答风格
User 提出任务
Assistant 输出结果
三者构成一次完整的对话循环。

在 Python 或 LangChain 等 SDK 中可以这样定义：

messages = [{"role": "system", "content": "你是一名专业AI讲师，语言生动且逻辑清晰。"},{"role": "user", "content": "请详细解释提示工程（Prompt Engineering）的概念与分类。"}
]
response = client.chat.completions.create(model="gpt-4", messages=messages)

三、提示词的七种主要类型

1️⃣ 指令型提示词（Instruction Prompt）

直接命令模型执行具体任务。
关键词：请、生成、编写、解释、总结等。

示例：

“请总结以下文本的主要内容，输出300字以内的中文摘要。”

适用场景：

翻译
摘要
写作
改写

设计技巧：

明确动作动词（如“生成”“分析”“比较”）
限定字数或格式
可指定语气（如“正式”“通俗”）

2️⃣ 上下文型提示词（Contextual Prompt）

在提示中加入背景知识或环境设定，使模型理解任务语境。

示例：

“你是一个金融分析师。以下是过去三个月的公司业绩，请用专业口吻分析盈利趋势。”

应用场景：

商业报告分析
法律、医学、教育类任务
多轮对话系统

技巧：

说明身份（谁在说）
说明对象（对谁说）
说明目的（为什么说）

3️⃣ 少样本提示（Few-shot Prompt）

提供少量示例，引导模型模仿格式或逻辑。

示例：

示例1：
输入：天气晴朗
输出：心情明朗示例2：
输入：暴雨倾盆
输出：情绪低落现在输入：微风拂面

适用场景：

文本分类
格式生成
情感映射
模仿写作风格

技巧：

示例数量建议 2–5 条
保持格式一致
示例越典型，输出越稳

4️⃣ 链式思维提示（Chain-of-Thought, CoT）

让模型展示中间推理步骤，而不是直接给出答案。

示例：

“请一步步思考下面的问题，解释你的推理过程，再给出最终答案。”

适用场景：

数学推理
逻辑判断
编程调试
案例分析

技巧：

加入引导词：“请逐步思考”“展示推理过程”
可结合“让我们一步步来想”这样的指令

5️⃣ 角色扮演提示（Role Prompting）

赋予模型一个身份，让回答更专业、更贴合语境。

示例：

“你是一名资深营养学家，请根据以下激素指标，提出三条调节建议。”

应用场景：

教育（教师角色）
医学（医生角色）
技术咨询（工程师角色）
商业策略（顾问角色）

技巧：

用“你是…”定义身份
可限定语气、态度、知识领域
角色可嵌套多个属性（如“冷静且理性的数据科学家”）

6️⃣ 格式控制提示（Formatting Prompt）

要求模型以固定格式输出，以便程序读取或展示。

示例：

“请以 JSON 格式输出每个城市的温度和湿度。”

输出样例：

[{"city": "北京", "temperature": 20, "humidity": 65},{"city": "上海", "temperature": 22, "humidity": 70}
]

应用场景：

数据提取
API 输出
自动化工作流
信息汇总

技巧：

明确要求格式类型（JSON / Markdown / 表格）
对嵌套结构可用占位符说明

7️⃣ 系统提示词（System Prompt）

模型运行的“性格设定”，在 API、RAG、Agent 中尤为重要。

示例：

“你是一位严谨、专业、不使用表情符号的IT顾问。你的回答应逻辑清晰、避免模糊词汇。”

效果：

决定模型语气、词汇风格
控制模型输出范围
提高多轮对话一致性

四、提示工程（Prompt Engineering）高级策略

1️⃣ 思维链（Chain-of-Thought, CoT）

让模型自我解释。
示例：

“请列出解决问题的每个步骤，并分析每步原因。”

好处：

提高逻辑任务正确率
避免模型跳步回答

2️⃣ 自一致性（Self-Consistency）

让模型输出多个推理路径，再选择最合理答案。

“请提供三种不同的解决思路，并说明哪种最合理。”

用于复杂推理、编程调试效果很好。

3️⃣ 检索增强提示（RAG Prompt）

结合外部文档内容。

“以下是知识库内容，请基于其中的信息回答问题。”

RAG 本质是Prompt + 检索信息拼接，让模型“先读再答”。

4️⃣ 模板化提示（Prompt Template）

对提示进行参数化，以便程序批量调用。

示例：

template = "请总结以下内容的主要观点：{text}"
prompt = template.format(text="输入文本内容")

适用于：

自动化批量任务
AI 助手开发
LangChain、Flowise、Qwen-Agent 系统

5️⃣ 反思提示（Reflexive Prompt）

要求模型自我检查与改进输出。

“请检查你的回答是否完整、准确，并给出改进后的版本。”

这种提示能让输出更加可靠。

五、提示词设计的核心原则

原则	说明	示例
明确（Clear）	明确任务目标	“写一篇800字的科技文章”
具体（Specific）	避免模糊词汇	避免“写好一点”，改为“用正式学术语气”
分步（Step-by-step）	拆解复杂任务	“先列提纲，再写正文”
角色化（Role-based）	指定身份	“你是一名AI工程师”
格式化（Structured）	统一输出格式	“请以Markdown列表输出”
可验证（Checkable）	便于评估或解析	“输出三条改进建议，每条不超过50字”

六、实际应用案例

📘 案例1：写作任务

“你是一名科技编辑，请撰写一篇800字的AI提示工程入门文章，语言简洁、生动，结构包括‘定义–分类–技巧–总结’四部分。”

👉 输出结构清晰，风格统一。

💻 案例2：编程任务

“请用Python编写一个程序，读取CSV文件中的‘日期’与‘销售额’，并绘制折线图。输出Markdown代码块。”

👉 结合“格式控制提示”，适合直接在Notebook执行。

🩺 案例3：健康顾问

“你是一名内分泌科医生。根据以下激素指标，分析可能的生理状态，并提出三条饮食建议。输出表格格式。”

👉 融合“角色 + 格式 + 指令”三类提示。

七、提示词的演进与未来趋势

阶段	代表技术	特点
早期（2020–2022）	指令提示	靠人工设计文字指令
中期（2023–2024）	Few-shot、CoT、RAG	结构化提示 + 外部知识增强
未来（2025+）	Prompt Graph / Auto Prompt	模型自动生成、组合提示，实现智能自优化

未来的提示词将更像一种“语言”，
结合上下文、检索、函数调用、Agent记忆，实现智能自动化。