3、Prompt Engineering 实战：结构化Prompt设计、角色扮演、思维链（CoT）、Few-shot与Zero-shot、常见陷阱与优化

说实话，Prompt Engineering 这个词听起来挺唬人的。

我刚入行那会儿，觉得写 Prompt 不就是跟 AI 聊天吗？后来被现实狠狠教育了一顿。同样的模型，别人能调出高质量代码，我这边出来的全是废话。差别在哪？就在 Prompt 的设计上。

这一章，我把实战中摸爬滚打的经验拆开来讲。你跟着走一遍，基本就能避开我当年踩过的坑。

3.1 结构化Prompt设计：别让AI猜你的心思

很多人写 Prompt 就一句话：「帮我写个 Python 脚本。」

AI 确实能写，但写出来的东西大概率不是你想要的。为什么？因为你没给它框架。

我个人习惯用「结构化 Prompt」。说白了，就是给 AI 一个清晰的模板，告诉它：你是谁、你要干嘛、输出格式是什么。

举个例子。我之前做一个数据分析项目，需要 AI 帮我生成 SQL 查询。一开始我写的是：

帮我写个SQL，查一下上个月的销售额。

结果 AI 给我返回了一堆乱七八糟的 JOIN。后来我改成结构化 Prompt：

你是一个资深数据分析师。
任务：查询2024年3月的总销售额。
表结构：orders(id, user_id, amount, created_at)
输出格式：只输出SQL代码，不要解释。
约束：使用MySQL语法，金额保留两位小数。

效果立竿见影。你想想看，AI 其实是个特别听话的员工，但你得把需求说清楚。

3.2 角色扮演：让AI进入状态

角色扮演不是让你跟 AI 玩过家家。它是一种有效的「上下文锚定」技术。

我在项目中遇到过一个问题：让 AI 帮我写产品需求文档。直接问，它写出来的东西像小学生作文。但当我加上一句「你是一个有5年经验的AI产品经理」，输出质量直接上了一个台阶。

为什么会这样？

因为大模型在训练时见过大量「专家口吻」的文本。你给它一个角色，它就会自动调用对应领域的表达方式和知识结构。

嗯，这里要注意。角色扮演不是万能的。如果你给的角色太离谱（比如「你是一个外星人」），模型可能会胡言乱语。最好选它训练数据里常见的人物设定。

3.3 思维链（Chain of Thought）：让AI学会「一步一步想」

这是目前提升推理能力最有效的手段之一。

简单说，就是让 AI 把思考过程写出来，而不是直接给答案。

我最早接触 CoT 是在做数学题测试的时候。直接问「24乘以37等于多少？」模型经常算错。但加上一句「请一步一步推理」，准确率能提升 30% 以上。

普通 Prompt：
Q：小明有12个苹果，给了小红一半，又买了8个，现在有多少个？
A：

CoT Prompt：
Q：小明有12个苹果，给了小红一半，又买了8个，现在有多少个？
A：小明一开始有12个苹果。给了小红一半，也就是给了6个，剩下6个。然后又买了8个，6+8=14。所以现在有14个苹果。

你看，差别就在「把中间步骤写出来」。模型在生成每一步时，都会重新校准自己的逻辑。

3.4 Few-shot 与 Zero-shot：给不给例子？

这两个概念其实很好理解。

• Zero-shot：不给任何例子，直接让 AI 干活。
• Few-shot：给 2-3 个例子，让 AI 照着做。

什么时候用 Few-shot？

我个人的经验是：当任务格式比较特殊，或者输出风格需要高度一致时，Few-shot 几乎是必须的。

举个例子。我之前做一个客服对话分类系统，需要把用户问题分成「售后」「售前」「投诉」三类。Zero-shot 的效果很差，模型经常把「退货」分到「售前」去。后来我给了三个例子：

例子1：
用户：这个手机屏幕碎了怎么办？
分类：售后

例子2：
用户：你们有红色的款吗？
分类：售前

例子3：
用户：我要投诉你们客服态度差！
分类：投诉

效果立刻好了很多。模型学会了「屏幕碎了→售后」「问颜色→售前」这种隐含规则。

那 Zero-shot 什么时候用？

简单任务、通用知识、或者你懒得写例子的时候。比如「用 Python 写一个冒泡排序」，Zero-shot 完全够用。

3.5 常见陷阱与优化：我踩过的坑，你别再踩了

这部分全是血泪教训。我一个个说。

陷阱一：指令模糊

「帮我优化这段文字」——优化什么？语法？风格？字数？AI 根本不知道。

优化方法： 把指令拆成具体动作。比如「把这段文字改成小红书风格，每句话不超过20字，加emoji」。

陷阱二：上下文太长

我曾经在一个对话里连续问了 50 个问题，结果模型开始胡言乱语。后来才发现，模型对长上下文的注意力会衰减。

优化方法： 关键信息放在 Prompt 的开头和结尾。中间部分模型容易「遗忘」。

陷阱三：过度约束

「你必须用以下10个词写一段话：苹果、香蕉、电脑、桌子…」——这种 Prompt 经常让模型写出狗屁不通的东西。

优化方法： 约束条件控制在 3-5 条以内。给 AI 留点发挥空间。

陷阱四：忽略否定词

「不要提到价格」——模型反而更容易提到价格。因为「价格」这个词被激活了。

优化方法： 用正面指令代替否定指令。比如「只讨论产品功能，不涉及费用相关话题」。

3.6 实战组合拳：一个完整的例子

说了这么多，咱们来一个完整的实战案例。假设我要让 AI 帮我写一个产品功能说明：

角色：你是一个资深AI产品经理
任务：写一个「智能客服」产品的功能介绍
输出格式：Markdown，分三个部分：核心功能、技术优势、适用场景
约束：每部分不超过100字，用口语化表达，不要用「赋能」「抓手」等黑话
示例：
- 核心功能：自动回答80%的常见问题，人工客服只需处理复杂case
- 技术优势：基于GPT-4，支持多轮对话，准确率95%+
- 适用场景：电商售后、金融咨询、教育答疑

请开始：

这个 Prompt 用了角色扮演、结构化输出、Few-shot 示例，还加了约束条件。你试试看，输出质量绝对比「帮我写个功能介绍」高出一大截。

嗯，这一章的内容就到这里。下一章我们会聊更高级的 Prompt 技巧，比如如何用 Prompt 控制模型的「温度」和「创造力」。到时候见。