第4章：Prompt工程入门——风电场景下的Prompt设计原则、零样本与少样本提示、结构化Prompt模板

4.1 为什么风电运维需要Prompt工程？

说实话，我刚接触大模型那会儿，也觉得Prompt就是“问问题”而已。直到我在一个风电场的故障诊断项目里，连续三次让模型给出了完全错误的叶片结冰判断——不是模型不行，是我问的方式太糙了。

你想想看，一个通用大模型，它懂“变桨角度异常”是什么意思吗？它知道“主轴温度梯度”和“齿轮箱磨损”之间的关联吗？如果你不把风电领域的专业语境喂给它，它就只能瞎猜。

Prompt工程，说白了就是教大模型说人话，而且是说风电人的话。我个人的习惯是：每次写Prompt之前，先问自己三个问题——

• 这个任务，一个刚入行的风电运维工程师能听懂吗？
• 我需要模型输出什么格式？是故障代码、维修建议，还是数据报表？
• 有没有什么常见的坑，我得提前告诉它别踩？

嗯，这三个问题想清楚了，Prompt基本就成功了一半。

4.2 风电场景下的Prompt设计原则

我在项目中总结了一套“风电Prompt五原则”，你可以直接拿去用：

原则	说明	反面案例	正面案例
1. 角色锚定	明确告诉模型你是谁	“分析这个数据”	“你是一名资深风电运维工程师，请分析以下SCADA数据”
2. 上下文注入	提供风机型号、工况、环境	“齿轮箱温度偏高怎么办？”	“一台2.5MW双馈风机，环境温度-15℃，齿轮箱油温85℃持续30分钟，请给出诊断”
3. 输出约束	规定格式、长度、语言	“告诉我原因”	“请用三点列表输出：1.可能原因 2.置信度 3.建议操作”
4. 边界限定	告诉模型不要做什么	“给出维修建议”	“只基于振动数据给出建议，不要猜测未提供的信息”
5. 示例引导	给一个标准答案样例	“判断是否异常”	“参考以下示例格式输出：[示例] 异常类型：轴承磨损，置信度：85%”

4.3 零样本提示：让模型“无师自通”

零样本提示，就是不给任何例子，直接让模型干活。这在风电运维里其实挺常见的——比如你突然遇到一个新型号的变流器故障，手头没有历史案例，只能靠模型的基础知识去推理。

我举个例子：

# 零样本提示示例
Prompt：
你是一名风电运维专家。请判断以下现象是否属于“叶片结冰”的典型特征：
- 风速8m/s，发电功率仅为额定功率的30%
- 叶片振动幅值增大，1P频率分量突出
- 机舱加速度传感器显示低频摆动

请给出判断结论和依据。

这种写法，模型会基于它训练时学到的“叶片结冰”知识去推理。但要注意——零样本的准确率通常只有60%-70%。我在一个偏航系统故障诊断项目里试过，零样本提示给出的结论，和现场工程师的判断有将近40%的偏差。

4.4 少样本提示：给模型“打个样”

少样本提示，就是给模型看几个例子，让它照着学。我个人觉得，这是风电运维场景下性价比最高的方式——不需要微调模型，只需要准备3-5个高质量的例子，效果就能提升一大截。

来看一个实际案例：

# 少样本提示示例
Prompt：
你是一名风电齿轮箱故障诊断专家。请参考以下示例，对新的数据进行分析。

示例1：
数据：高速轴振动值从2.3mm/s突增到8.7mm/s，齿轮箱油温从65℃升至78℃
诊断：高速轴轴承磨损，置信度90%
建议：停机检查，更换轴承

示例2：
数据：齿轮箱异响，频谱中出现啮合频率的边频带，油液分析发现铁磁性颗粒浓度超标
诊断：齿轮齿面疲劳点蚀，置信度85%
建议：计划性维修，更换齿轮副

新数据：
数据：中速轴振动值4.5mm/s，温度正常，频谱显示2倍啮合频率分量突出
诊断：？
建议：？

你看，给两个例子，模型就知道要输出“诊断+置信度+建议”这个结构了。我在一个风场做过对比测试：零样本的准确率是62%，给了3个样本后，准确率直接跳到81%。

4.5 结构化Prompt模板：把“问问题”变成“填表格”

结构化Prompt，是我在风电运维大模型项目里最常用的方式。说白了，就是把Prompt拆成几个固定的模块，像填表格一样清晰。

我设计了一个通用模板，你可以直接套用：

# 结构化Prompt模板（风电运维版）

## 角色定义
你是一名[具体角色]，专精于[具体领域]。

## 上下文信息
- 风机型号：[型号]
- 运行工况：[工况描述]
- 环境条件：[温度/湿度/风速等]
- 数据来源：[SCADA/振动/油液/温度等]

## 任务描述
请完成以下任务：[具体任务]

## 输出要求
- 格式：[列表/表格/段落]
- 长度：[字数或条目数]
- 语言：中文
- 附加要求：[如“只基于提供的数据分析”]

## 示例（可选）
[示例1]
[示例2]

## 边界条件
- 不要[做什么]
- 如果信息不足，请[怎么做]

这个模板的好处是——你每次只需要改“上下文信息”和“任务描述”两部分，其他模块可以复用。我在团队里推广这个模板后，新人写Prompt的质量提升很明显，至少不会漏掉关键信息了。

4.6 知识体系总览

下面这张图，是我对本章知识体系的总结。你可以把它当成一张“Prompt工程地图”——每次写Prompt之前，扫一眼这张图，就知道自己该从哪下手。

4.7 实战建议与避坑

最后，分享几个我在实际项目中踩过的坑，希望能帮你少走弯路：

• 别让模型“自由发挥”——我曾经让模型“分析一下这个振动数据”，结果它给我写了一篇论文。后来我改成“请用三句话总结”，效果就好多了。
• 风电术语要统一——同一个东西，有人叫“主轴”，有人叫“低速轴”，模型可能搞混。我建议在Prompt里先定义好术语表。
• 少样本的样本要“干净”——我试过用现场实际故障数据做样本，结果样本本身就有噪声，模型学了一堆错误模式。后来我改用人工审核过的标准样本，准确率才上来。
• 结构化模板不是万能的——遇到特别复杂的多步推理任务，模板反而可能限制模型的发挥。这时候我一般会拆成多个子任务，每个子任务单独写一个Prompt。

好了，这一章的内容就到这里。Prompt工程看起来简单，但真正用好，还是需要反复调试的。我个人建议你从“结构化模板”开始用起，等熟练了再尝试零样本和少样本的各种变体。