4、Prompt Engineering（上）：零样本提示、少样本提示、思维链提示，角色设定与系统提示词

各位同学，咱们今天聊聊 Prompt Engineering。说实话，这玩意儿是我这两年花时间最多的方向之一。你想想看，大模型再强，你问不对问题，它照样给你胡扯。我见过太多人一上来就抱怨模型不行，结果一看他的 prompt，嗯……问题出在哪儿，咱们今天一次说清楚。

4.1 零样本提示：最基础的对话方式

零样本提示，说白了就是不给任何例子，直接问。比如你问「翻译这句话：Hello World」，模型直接给你答案。这是最自然的方式，也是大多数人日常使用的方式。

但这里有个坑。我在项目中遇到过，零样本提示对简单任务还行，一旦任务复杂，模型就开始「自由发挥」了。比如你让它「写一封商务邮件」，它可能给你写出一篇散文来。

举个例子：

用户：将以下句子分类为正面或负面情感。
句子：这个产品太棒了！
模型：正面

你看，这种任务零样本就能搞定。但如果你问「帮我分析一下这个产品的市场前景」，零样本可能就给你一堆套话。

4.2 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，让它照着你的路子走。我个人习惯，但凡任务稍微复杂一点，我都会给 2-3 个例子。为什么？因为模型其实是个「模仿高手」，你给它看什么，它就学什么。

我曾经在做一个客服系统时，发现零样本提示下，模型回答的语气总是太正式。后来我给了 3 个「亲切、口语化」的例子，效果立竿见影。

用户：将以下句子分类为正面或负面情感。

例子1：
句子：今天天气真好！
情感：正面

例子2：
句子：这电影太无聊了。
情感：负面

现在请分类：
句子：这个服务让我很失望。
情感：

模型会照着例子来，输出「负面」。这就是少样本的力量——你不需要训练模型，只需要「引导」它。

4.3 思维链提示：让模型「想清楚再说」

思维链提示，英文叫 Chain-of-Thought，简称 CoT。这玩意儿是我觉得 Prompt Engineering 里最实用的技巧之一。

为什么会这样？因为大模型本质上是个「概率预测器」，你直接让它输出答案，它可能跳过推理步骤，直接猜。但如果你让它「一步一步思考」，它的准确率会大幅提升。

我记得有一次做数学题测试，直接问「小明有 5 个苹果，小红有 3 个，他们一共有几个？」模型答对了。但问「一个水池，进水管 4 小时注满，出水管 6 小时排空，同时开多久能满？」模型直接给我算了个负数。

加上思维链提示后：

用户：一个水池，进水管4小时注满，出水管6小时排空，同时开多久能满？请一步一步思考。

模型：
第一步：进水管每小时注水 1/4 池。
第二步：出水管每小时排水 1/6 池。
第三步：同时开，每小时净注水 1/4 - 1/6 = 1/12 池。
第四步：注满需要 1 ÷ (1/12) = 12 小时。
答案：12小时。

你看，加上「请一步一步思考」这六个字，结果天差地别。

4.4 角色设定：给模型「一个身份」

角色设定，就是告诉模型「你是谁」。这招特别管用。你想想看，同样一个问题，你问一个医生和问一个律师，得到的答案能一样吗？

我在做教育类应用时，发现让模型扮演「资深数学老师」和「同学」，回答风格完全不同。扮演老师时，它会耐心讲解步骤；扮演同学时，它会用更口语化的方式。

用户：你现在是一位资深Python工程师。请解释什么是装饰器。

模型：装饰器是Python中一种用于修改函数或类行为的设计模式。它本质上是一个函数，接受另一个函数作为参数，并返回一个新的函数……

如果不加角色设定，模型可能直接给你百科式的定义。加了角色设定，它会用「工程师」的口吻，更接地气。

4.5 系统提示词：对话的「底层规则」

系统提示词，是很多大模型 API 里的一个特殊参数。它不像用户消息那样被模型「看到」，而是作为对话的「背景设定」存在。

我习惯把系统提示词当作「对话的宪法」。比如：

系统提示词：
你是一个友好的客服助手。你的回答必须：
1. 使用中文
2. 语气亲切
3. 不超过100字
4. 如果不知道答案，就说“我帮你转接人工客服”

这样一来，无论用户怎么问，模型都会遵守这些规则。我在项目中遇到过，如果不设系统提示词，模型有时候会「跑偏」，比如突然用英文回答，或者长篇大论。

4.6 实战组合：把这些技巧串起来

好了，咱们把今天学的串起来。假设你要做一个「编程助手」，可以这样设计：

系统提示词：
你是一位资深全栈工程师。回答问题时，请：
1. 先给出思路，再给代码
2. 代码必须包含注释
3. 如果问题复杂，请分步骤解释

用户：请用Python写一个二分查找算法。

模型（思维链+角色设定+少样本）：
好的，我来实现二分查找。先说一下思路：
二分查找的核心是每次取中间值比较，缩小查找范围。

代码如下：
def binary_search(arr, target):
    left, right = 0, len(arr) - 1
    while left <= right:
        mid = (left + right) // 2  # 取中间索引
        if arr[mid] == target:
            return mid  # 找到目标
        elif arr[mid] < target:
            left = mid + 1  # 在右半部分
        else:
            right = mid - 1  # 在左半部分
    return -1  # 未找到

你看，系统提示词设定了角色和规则，用户问题触发了思维链，模型自动给出了带注释的代码。这就是 Prompt Engineering 的魅力——你不需要改模型，只需要改提问方式。

嗯，今天的内容就到这儿。下一章咱们继续聊 Prompt Engineering 的下半部分，包括温度参数、Top-p 采样、以及如何调试 prompt。到时候我会分享一些我踩过的坑，保证实用。