第4章：Prompt工程基础

各位同学好，我是你们的老朋友。今天咱们聊聊Prompt工程——说白了，就是怎么跟大模型「好好说话」。

我刚开始做法律大模型时，总觉得模型「笨」。后来才发现，不是模型笨，是我没把问题说清楚。你想想看，你跟一个刚入行的实习生交代任务，说得含糊其辞，他能干好吗？大模型也一样。

4.1 Prompt设计原则：让模型听懂你的话

Prompt设计，核心就三个字：清、晰、准。我总结了几条铁律，你在项目中直接套用就行。

原则一：明确角色与任务

别让模型猜你是谁。直接告诉它：「你是一名资深律师」「你是一名法官助理」。我习惯在Prompt开头就定调。

原则二：提供上下文与约束

法律场景最怕「开放式回答」。你得给模型画个圈。比如限定法条范围、指定输出格式。

原则三：分步拆解复杂问题

别指望模型一口吃成胖子。把「这个案子怎么判」拆成：
1. 事实认定 → 2. 法律适用 → 3. 裁判结论。

嗯，这里要注意：每步之间用空行隔开，模型更容易理解逻辑层次。

4.2 Few-shot与Zero-shot学习：给不给例子，差别很大

这两个概念，说白了就是「要不要给模型看几个例子」。我刚开始也搞混过，后来踩了坑才明白。

Zero-shot：零样本，直接问

适合简单任务。比如「判断这个行为是否构成正当防卫」。模型凭预训练知识就能答。

# Zero-shot示例
Prompt: "判断：张三在遭受持刀攻击时，夺刀反击致对方轻伤。是否构成正当防卫？"
输出: "根据《刑法》第20条，构成正当防卫。"

Few-shot：给几个例子，让模型学套路

复杂任务必须用Few-shot。我做过一个实验：
- 不给例子：模型准确率 62%
- 给3个例子：准确率飙到 89%

# Few-shot示例
Prompt: 
"示例1：合同约定违约金为合同金额的30%，法院认为过高，调整为实际损失的1.5倍。
示例2：租赁合同约定逾期一天罚1000元，法院认为过高，调整为实际损失的1.3倍。
问题：借款合同约定逾期利率为年化36%，法院应如何调整？"

输出: "法院可能调整为LPR的4倍（约年化14.8%），因为36%明显过高。"

4.3 Chain-of-Thought：让模型「边想边说」

这是我最喜欢的技巧。Chain-of-Thought（CoT），说白了就是让模型把推理过程写出来。就像你做数学题，不能只写答案，得写「因为...所以...」。

为什么CoT在法律推理中特别有用？

法律本身就是「三段论」：大前提（法条）→ 小前提（事实）→ 结论。CoT完美匹配这个结构。

CoT的三种常用模式

模式	适用场景	示例Prompt
标准CoT	复杂法律推理	「请逐步分析：首先...其次...最后...」
Few-shot CoT	需要参考先例	「参考以下案例的推理过程...」
自洽性CoT	高精度要求	「请用三种不同路径推理，然后投票选出最合理的结论」

实战：用CoT分析合同纠纷

Prompt:
"你是一名合同纠纷律师。请用Chain-of-Thought逐步分析：

案情：A公司与B公司签订供货合同，约定A每月供货100吨，B按月付款。A连续3个月供货，B均未付款。A停止供货，B起诉A违约。

请按以下步骤推理：
1. 分析合同是否有效成立
2. 分析双方各自履行情况
3. 判断是否存在违约行为
4. 分析违约责任归属
5. 给出最终法律意见"

输出:
"步骤1：合同有效成立。双方主体适格，意思表示真实...
步骤2：A已履行供货义务，B未履行付款义务...
步骤3：B构成违约，A行使不安抗辩权合法...
步骤4：违约责任在B方...
结论：B公司应支付货款并承担违约责任，A公司不构成违约。"

知识体系总览

下面这张图，是我自己梳理的Prompt工程知识框架。你照着这个结构去设计Prompt，基本不会跑偏。

小结

今天聊了三个核心点：
1. 设计原则：角色明确、上下文清晰、分步拆解
2. 学习方式：Zero-shot省事但精度低，Few-shot效果好但别贪多
3. CoT推理：让模型「边想边说」，法律三段论的最佳拍档

我个人建议：所有法律类任务，优先上CoT。哪怕你觉得问题简单，也让它走一遍推理流程。为什么？因为你能看到它的「思考过程」，方便纠错。这比直接给结论靠谱得多。

---

公众号:蓝海资料掘金营，微信deep3321