提示词工程实战：六大核心技巧让AI精准理解你的需求

大家好，我是专注于技术实战分享的博主。你是否遇到过这样的场景：向 AI 提问时，得到的回答要么答非所问，要么过于笼统，要么干脆“胡言乱语”？你可能会怀疑是 AI 模型不够聪明，但更多时候，问题出在我们与 AI 沟通的“语言”上。这种语言，就是提示词（Prompt）。

掌握提示词的核心技巧，就像掌握了与 AI 高效协作的“编程语言”。它不仅能让你从 AI 那里获得更精准、更高质量的答案，更能将 AI 从简单的问答工具，转变为你的编程助手、创意伙伴和效率倍增器。本文将系统性地拆解提示词工程的核心技巧，从基础概念到高级策略，结合大量可复制的代码和配置示例，帮助你彻底告别“AI 不听你话”的困境。

1. 提示词工程：与 AI 高效对话的基石

在深入技巧之前，我们首先要理解提示词工程究竟是什么，以及为什么它如此重要。

1.1 什么是提示词工程？

提示词工程（Prompt Engineering）是一门设计、优化和迭代输入给大语言模型（LLM）的文本指令，以引导模型生成更符合预期输出的技术和艺术。它不仅仅是“问问题”，而是一种结构化的沟通方法。

你可以把它理解为：

• 对人类的“需求分析”：你需要清晰、无歧义地表达你的需求。
• 对 AI 的“编程接口”：你通过自然语言“调用”AI的能力，并传递“参数”。
• 一种“思维链”引导：你通过提示词，一步步引导 AI 按照你的逻辑进行思考。

一个糟糕的提示词就像给程序员一个模糊的需求：“做个好看的网站”。而一个优秀的提示词则像一份详细的产品需求文档（PRD），包含了背景、目标用户、功能点、交互逻辑和设计风格。

1.2 为什么提示词如此关键？

大语言模型本质上是基于海量文本训练的概率模型。它根据你输入的提示词，预测最可能的下一个词序列。提示词的质量直接决定了模型预测的起点和方向。

核心原因如下：

1. 消除歧义：自然语言充满歧义。一个词、一个句子在不同语境下含义不同。清晰的提示词为 AI 设定了明确的语境。
2. 激发特定能力：现代大模型是“通才”，集成了代码生成、文案写作、逻辑推理等多种能力。你需要通过提示词“激活”你需要的那个特定能力子集。
3. 控制输出格式：你需要 JSON、表格、代码块还是纯文本？明确的格式要求能让 AI 的输出直接为你所用，省去大量后期整理工作。
4. 规避偏见与错误：通过设定角色、规则和约束，可以在一定程度上引导 AI 避免生成有害、有偏见或不准确的内容。

简单来说，提示词是你与 AI 模型之间唯一的沟通渠道。渠道的带宽和质量，决定了协作的效率和成果的上限。

2. 环境准备与工具选择

虽然提示词工程的核心是文本，但为了高效地编写、测试和管理提示词，选择合适的工具和环境至关重要。这里我们分为纯文本工具和编程集成两类。

2.1 纯文本交互工具（入门与测试）

对于初学者或快速测试，可以直接使用各大模型提供的 Web 界面：

• ChatGPT / Claude / 文心一言 / 通义千问等：官方聊天界面是练习提示词最直接的场所。
• 提示词笔记本：如Google Colab或Jupyter Notebook，结合 OpenAI API 等，可以系统性地记录和对比不同提示词的效果。

最佳实践：建立一个自己的“提示词库”文档，记录下针对不同任务（如代码审查、写作、头脑风暴）效果最好的提示词模板。

2.2 编程集成环境（进阶与生产）

当需要将 AI 能力集成到应用、脚本或自动化流程中时，就需要编程接入。以下是一个基于 Python 和 OpenAI API 的通用环境配置。

环境准备：

• 操作系统：Windows / macOS / Linux 均可。
• Python 版本：建议 Python 3.8 及以上。
• 关键库：openai(官方库)，langchain(高级框架，可选)，python-dotenv(管理密钥)。

安装依赖：打开终端或命令行，执行以下命令：

# 创建并进入项目目录 mkdir prompt-engineering-demo && cd prompt-engineering-demo # 创建虚拟环境（推荐） python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 安装核心库 pip install openai python-dotenv # 可选：安装 LangChain 用于更复杂的代理和链式调用 # pip install langchain langchain-openai

配置 API 密钥：

1. 前往 OpenAI 平台 (platform.openai.com) 注册并获取 API Key。

2. 在项目根目录创建.env文件，写入你的密钥：

   # .env 文件 OPENAI_API_KEY=你的-api-key-在这里

   重要安全提示：务必在.gitignore文件中添加.env，切勿将包含密钥的文件提交到代码仓库。

3. 创建测试脚本test_api.py，验证连接：

   # test_api.py import os from openai import OpenAI from dotenv import load_dotenv # 加载 .env 文件中的环境变量 load_dotenv() # 初始化客户端，自动从环境变量 OPENAI_API_KEY 读取密钥 client = OpenAI() # 发起一个简单的对话请求 completion = client.chat.completions.create( model="gpt-3.5-turbo", # 或 "gpt-4" messages=[ {"role": "user", "content": "请用一句话介绍你自己。"} ] ) # 打印AI的回复 print(completion.choices[0].message.content)

4. 运行脚本：

   python test_api.py

   如果看到 AI 的回复，说明环境配置成功。

至此，你的提示词工程“实验室”就搭建好了。接下来，我们将在这个环境中实践所有核心技巧。

3. 提示词核心技巧拆解：从基础到大师

掌握提示词，需要一套系统的方法论。我们将其归纳为六大核心技巧，由浅入深。

3.1 技巧一：明确指令，扮演角色

这是最基础也最有效的技巧。模糊的指令得到模糊的结果。

糟糕示例：

“写一篇关于Python的文章。”

优化后示例（明确指令+角色扮演）：

“假设你是一位拥有10年教学经验的资深Python开发者和技术作家。请为编程初学者撰写一篇关于‘Python列表推导式’的入门教程。要求：1. 从‘为什么需要列表推导式’讲起；2. 对比传统for循环写法；3. 提供3个由浅入深的代码示例；4. 最后给出一个常见错误及避免方法。文章风格应亲切、易懂，避免使用过于晦涩的术语。”

代码实践：

# role_play_demo.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client = OpenAI() def ask_ai(prompt): completion = client.chat.completions.create( model="gpt-3.5-turbo", messages=[ {"role": "user", "content": prompt} ], temperature=0.7 # 控制创造性，对于教程类，不宜过高 ) return completion.choices[0].message.content # 使用优化后的提示词 good_prompt = """ 角色：资深Python开发者和技术作家。 任务：为编程初学者撰写一篇关于‘Python列表推导式’的入门教程。 要求： 1. 从‘为什么需要列表推导式’讲起。 2. 对比传统for循环写法。 3. 提供3个由浅入深的代码示例。 4. 最后给出一个常见错误及避免方法。 风格：亲切、易懂，避免晦涩术语。 """ response = ask_ai(good_prompt) print(response)

技巧核心：通过角色设定AI的回答视角和知识背景，通过任务和要求明确输出范围和结构，通过风格控制语言调性。

3.2 技巧二：提供上下文与示例（Few-Shot Prompting）

当任务比较复杂或格式要求严格时，光靠描述可能不够。提供几个输入-输出的例子，能让AI快速掌握你的意图。这被称为“少样本提示”（Few-Shot Prompting）。

场景：让AI将用户查询分类为“技术问题”、“账户问题”或“投诉建议”。

糟糕示例：

“请将以下用户查询分类。”

优化后示例（提供上下文和示例）：

“你是一个客服工单分类机器人。请根据用户查询内容，将其分类为【技术问题】、【账户问题】或【投诉建议】。仅输出分类标签，不要输出其他任何文字。

示例： 查询：”我的软件突然无法登录了，提示密码错误。“ 分类：【账户问题】

查询：”你们产品的API接口返回500错误，请问如何解决？“ 分类：【技术问题】

查询：”客服态度太差了，我要投诉！“ 分类：【投诉建议】

现在，请对以下新查询进行分类： 查询：”请问如何重置我的账户密码？“ 分类：”

代码实践：

# few_shot_demo.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client = OpenAI() def classify_query(user_query): prompt = f""" 你是一个客服工单分类机器人。请根据用户查询内容，将其分类为【技术问题】、【账户问题】或【投诉建议】。仅输出分类标签，不要输出其他任何文字。 示例： 查询：“我的软件突然无法登录了，提示密码错误。” 分类：【账户问题】 查询：“你们产品的API接口返回500错误，请问如何解决？” 分类：【技术问题】 查询：“客服态度太差了，我要投诉！” 分类：【投诉建议】 现在，请对以下新查询进行分类： 查询：“{user_query}” 分类： """ completion = client.chat.completions.create( model="gpt-3.5-turbo", messages=[{"role": "user", "content": prompt}], temperature=0 # 分类任务要求确定性高，temperature设为0 ) return completion.choices[0].message.content.strip() # 测试 test_queries = [ “请问如何重置我的账户密码？”, “项目部署后一直报数据库连接超时”， “我要表扬一下工号1001的客服，非常耐心！” ] for query in test_queries: category = classify_query(query) print(f“查询：'{query}' -> 分类：{category}”)

技巧核心：通过具体的示例，让AI理解任务模式和期望的输出格式。这对于格式化输出（JSON、CSV）、风格模仿、复杂规则判断等任务效果极佳。

3.3 技巧三：分步思考与链式推理（Chain-of-Thought）

对于数学、逻辑推理或复杂决策问题，直接要求答案可能导致AI“跳步”而犯错。引导AI“一步一步思考”可以显著提升答案的准确性和可靠性。

糟糕示例：

“小明有5个苹果，吃了2个，又买了3个，最后有几个苹果？”

优化后示例（引导分步思考）：

“请按步骤解答以下问题，并展示你的推理过程。 问题：小明最初有5个苹果。 步骤1：他吃掉了2个。那么他还剩下几个苹果？计算：5 - 2 = 3。 步骤2：之后他又买了3个苹果。那么他现在总共有几个苹果？计算：3 + 3 = 6。 所以，小明最后有6个苹果。

现在，请用同样的分步推理方式解答下一个问题： 问题：一个书店有120本书，第一天卖出1/4，第二天卖出剩余书的1/3，请问还剩多少本书？”

代码实践（解决编程算法题）：

# chain_of_thought_demo.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client = OpenAI() def solve_problem_with_cot(problem): prompt = f""" 你是一个逻辑严谨的数学老师。请通过分步推理的方式解决以下问题，并在最后一行以‘答案：’开头给出最终结果。 问题：{problem} 请按以下格式回答： 1. 第一步：... 2. 第二步：... ... 答案：<最终结果> """ completion = client.chat.completions.create( model="gpt-4", # 复杂推理建议使用更强的模型如GPT-4 messages=[{"role": "user", "content": prompt}], temperature=0.1 ) return completion.choices[0].message.content # 测试一个稍复杂的逻辑问题 problem = “一个水池有一个进水管和一个出水管。单开进水管6小时可将空池注满，单开出水管8小时可将满池水放完。如果同时打开进水管和出水管，多少小时可以将空池注满？” solution = solve_problem_with_cot(problem) print(solution)

技巧核心：通过指令（“请分步思考”）和示例，强制AI将内部推理过程外化。这不仅提高了答案正确率，也让我们能检查AI的思考逻辑，便于调试提示词。

3.4 技巧四：结构化输出与格式约束

在自动化流程中，我们需要AI的输出是结构化的数据（如JSON、XML、YAML），以便程序直接解析和处理。

糟糕示例：

“提取下面新闻中的公司名、人物和地点。”

优化后示例（严格格式约束）：

“请从以下新闻摘要中提取信息，并以一个合法的JSON对象格式返回，包含且仅包含以下三个字段：companies(数组，公司名列表)，persons(数组，人物名列表)，locations(数组，地点列表)。如果某个字段没有对应信息，请将其值设为空数组 []。

新闻摘要：”在2023年上海人工智能大会上，阿里巴巴的首席技术官张勇与腾讯云的李华共同探讨了AI大模型在长三角地区的应用前景。“

请直接输出JSON，不要有任何额外的解释或标记。”

代码实践：

# structured_output_demo.py import os import json from openai import OpenAI from dotenv import load_dotenv load_dotenv() client = OpenAI() def extract_info_from_news(news_text): prompt = f""" 请从以下新闻摘要中提取信息，并以一个合法的JSON对象格式返回，包含且仅包含以下三个字段：`companies` (数组，公司名列表)， `persons` (数组，人物名列表)， `locations` (数组，地点列表)。如果某个字段没有对应信息，请将其值设为空数组 []。 新闻摘要：“{news_text}” 请直接输出JSON，不要有任何额外的解释或标记。 """ completion = client.chat.completions.create( model="gpt-3.5-turbo", messages=[{"role": "user", "content": prompt}], temperature=0 ) response_text = completion.choices[0].message.content.strip() # 尝试解析返回的JSON try: # 有时AI会在JSON外包裹```json ```标记，需要处理 if response_text.startswith('```json'): response_text = response_text[7:-3].strip() elif response_text.startswith('```'): response_text = response_text[3:-3].strip() result = json.loads(response_text) return result except json.JSONDecodeError as e: print(f“JSON解析失败，原始返回：{response_text}”) print(f“错误：{e}”) return None # 测试 news = “据报道，特斯拉CEO埃隆·马斯克近日访问了北京，并与宁德时代的高层进行了会晤，双方就电池供应合作进行了深入交流。” extracted_data = extract_info_from_news(news) if extracted_data: print(“提取结果：”) print(json.dumps(extracted_data, ensure_ascii=False, indent=2))

技巧核心：明确指定输出格式（JSON/XML/CSV）、字段名、数据类型和空值处理。使用temperature=0来获得更稳定的输出。在代码中做好错误处理，以应对AI输出格式可能的小偏差。

3.5 技巧五：系统提示词与对话管理

在多轮对话中，第一轮设定的“系统提示词”（System Prompt）至关重要，它为整个对话设定了基调和规则。OpenAI的Chat API中，messages参数包含system,user,assistant三种角色。

代码实践：

# system_prompt_demo.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client = OpenAI() # 定义一个具有特定身份和规则的AI助手 def create_coding_assistant(): # 系统提示词定义了AI的“人设”和行为准则 system_prompt = “”” 你是一个专业的Python编程助手，名叫CodeBot。你的职责是： 1. 只回答与Python编程、软件工程、算法和数据结构相关的问题。 2. 对于其他领域的问题，礼貌地告知用户你的职责范围。 3. 提供的代码必须简洁、高效、符合PEP 8规范，并附有必要的注释。 4. 如果用户的问题描述不清，主动询问关键细节（如输入输出格式、性能要求等）。 5. 始终保持友好、耐心、乐于助人的态度。 “”” messages = [{"role": "system", "content": system_prompt}] return messages def chat_with_assistant(messages, user_input): messages.append({"role": "user", "content": user_input}) completion = client.chat.completions.create( model="gpt-3.5-turbo", messages=messages, temperature=0.7 ) ai_response = completion.choices[0].message.content messages.append({"role": "assistant", "content": ai_response}) return ai_response, messages # 模拟对话 messages_history = create_coding_assistant() print(“你好，我是CodeBot，你的Python编程助手。”) while True: user_input = input(“\n你：”) if user_input.lower() in ['退出', 'exit', 'quit']: print(“CodeBot：再见，祝你编程愉快！”) break response, messages_history = chat_with_assistant(messages_history, user_input) print(f“CodeBot：{response}”)

技巧核心：system提示词是对话的“宪法”，它比user消息拥有更高的权重和持续性。善用系统提示词可以构建专业、安全、可控的AI应用，例如客服机器人、编程导师、内容审核助手等。

3.6 技巧六：迭代优化与参数调优

没有一个提示词是天生完美的。提示词工程是一个“提出假设-测试-分析-优化”的迭代过程。同时，理解并调整API参数也至关重要。

关键参数解析：

• model：选择适合任务的模型。gpt-3.5-turbo性价比高，gpt-4更强大但更贵，gpt-4-turbo上下文更长。
• temperature(温度， 0~2)：控制输出的随机性。值越低（如0.1），输出越确定、保守；值越高（如0.8），输出越有创造性、多样化。代码生成、分类任务建议接近0；创意写作、头脑风暴可以调高。
• max_tokens(最大令牌数)：限制生成内容的最大长度。需预留足够空间给完整回答，同时避免不必要的开销。
• top_p(核采样， 0~1)：另一种控制随机性的方式，与temperature二选一即可。通常设置0.9-1。
• frequency_penalty/presence_penalty(频率/存在惩罚， -2~2)：用于降低重复用词（频率惩罚）或鼓励提及新主题（存在惩罚），一般微调时使用。

迭代优化实战：假设我们要优化一个“生成产品描述”的提示词。

1. 初版提示词：“为我们的新款无线耳机写一段描述。”
2. 测试与发现问题：生成的描述过于通用，没有突出产品特点。
3. 优化V1：加入产品关键信息。“为我们的新款‘天际X1’无线耳机写一段电商产品描述。关键卖点：主动降噪、30小时续航、蓝牙5.3、佩戴舒适。目标用户：通勤族和音乐爱好者。要求：突出卖点，激发购买欲，字数在150字左右。”
4. 测试与再评估：描述更具体了，但语气像硬广，不够吸引人。
5. 优化V2：加入风格和语气指令。“...要求：以朋友推荐的口吻撰写，突出它能解决通勤噪音和续航焦虑的痛点，语言生动有感染力，避免罗列参数，字数在150字左右。”
6. 参数调优：将temperature从0.7调到0.9，增加一些创意性。

建立评估体系：对于重要任务，可以编写简单的评估函数（如检查是否包含所有关键词、语气是否符合要求、长度是否合适），批量测试不同提示词变体，选择效果最好的一个。

4. 综合实战：构建一个智能需求分析助手

让我们综合运用以上技巧，构建一个能帮助产品经理将模糊需求转化为结构化技术用户故事（User Story）的AI助手。

需求：产品经理输入一句模糊的需求，AI输出格式化的用户故事，包含角色、目标、价值、验收标准。

步骤：

1. 设计系统提示词：定义AI的角色和能力。
2. 设计Few-Shot示例：提供1-2个优秀的转换示例。
3. 设计输出格式：明确要求JSON输出。
4. 编写代码并测试。

完整代码：

# user_story_assistant.py import os import json from openai import OpenAI from dotenv import load_dotenv load_dotenv() client = OpenAI() def analyze_requirement(vague_requirement): """ 将模糊需求转化为结构化用户故事。 """ system_prompt = “”” 你是一个经验丰富的敏捷教练和产品负责人。你的任务是将模糊、不完整的产品需求，转化为清晰、可执行、符合INVEST原则的用户故事。 用户故事格式必须严格遵循：作为一个<角色>，我想要<目标>，以便于<价值>。 同时，你需要生成2-3条具体的验收标准（Acceptance Criteria, AC）。 请以JSON格式输出，包含以下字段：`user_story` (字符串，完整的用户故事描述)， `role` (字符串)， `goal` (字符串)， `value` (字符串)， `acceptance_criteria` (字符串列表)。 “”” few_shot_examples = “”” 示例1： 模糊需求：“用户应该能找回密码。” 结构化输出： { “user_story”: “作为一个忘记密码的注册用户，我想要通过注册邮箱安全地重置我的密码，以便于重新获得账户访问权限。”, “role”: “忘记密码的注册用户”, “goal”: “通过注册邮箱安全地重置我的密码”, “value”: “重新获得账户访问权限”, “acceptance_criteria”: [ “当用户在登录页点击‘忘记密码’时，应跳转到密码重置页面。”, “用户输入注册邮箱后，应收到一封包含重置链接的邮件。”, “重置链接应在24小时内有效，且只能使用一次。”, “新密码设置成功后，用户应能使用新密码登录。” ] } 示例2： 模糊需求：“后台需要个数据统计报表。” 结构化输出： { “user_story”: “作为运营经理，我想要查看过去7天的新用户注册量和活跃度趋势图表，以便于评估近期市场活动的效果并制定后续策略。”, “role”: “运营经理”, “goal”: “查看过去7天的新用户注册量和活跃度趋势图表”, “value”: “评估近期市场活动的效果并制定后续策略”, “acceptance_criteria”: [ “报表页面应包含按日统计的新用户注册数折线图。”, “报表页面应包含按日统计的用户活跃度（DAU）折线图。”, “图表数据应支持选择时间范围（如最近7天、本月、自定义）。”, “数据应支持以CSV格式导出。” ] } “”” user_prompt = f“”” 请根据以上示例的格式和标准，将以下模糊需求转化为结构化的用户故事JSON： 模糊需求：“{vague_requirement}” 请直接输出JSON对象，不要有任何额外的解释、引言或结尾。 “”” messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": few_shot_examples + user_prompt} ] completion = client.chat.completions.create( model="gpt-4", # 使用GPT-4以获得更好的理解和结构化输出能力 messages=messages, temperature=0.1, # 低温度保证输出格式稳定 response_format={ “type”: “json_object” } # 强烈建议使用此参数强制JSON输出 ) response_text = completion.choices[0].message.content try: result = json.loads(response_text) return result except json.JSONDecodeError: # 如果解析失败，尝试清理响应文本 cleaned_text = response_text.strip() if cleaned_text.startswith('```json'): cleaned_text = cleaned_text[7:-3].strip() elif cleaned_text.startswith('```'): cleaned_text = cleaned_text[3:-3].strip() try: return json.loads(cleaned_text) except: print(f“无法解析AI响应为JSON：{response_text}”) return None # 测试助手 if __name__ == “__main__”: test_requirements = [ “APP里加个点赞功能”， “管理后台需要审核用户提交的内容”， “希望用户下单后能收到短信通知” ] for req in test_requirements: print(f“\n=== 原始需求：‘{req}’ ===”) story = analyze_requirement(req) if story: print(“转化后的用户故事：”) print(f“ 故事：{story['user_story']}”) print(f“ 角色：{story['role']}”) print(f“ 目标：{story['goal']}”) print(f“ 价值：{story['value']}”) print(“ 验收标准：”) for ac in story['acceptance_criteria']: print(f“ - {ac}”) else: print(“ 转换失败。”) print(“-” * 50)

运行结果示例：

=== 原始需求：‘APP里加个点赞功能’ === 转化后的用户故事： 故事：作为一个浏览社区帖子的用户，我想要能够对我喜欢或认可的帖子进行点赞，以便于表达我的支持并帮助优质内容脱颖而出。 角色：浏览社区帖子的用户 目标：能够对我喜欢或认可的帖子进行点赞 价值：表达我的支持并帮助优质内容脱颖而出 验收标准： - 在每个帖子下方显示一个点赞按钮（如心形图标）。 - 点击点赞按钮后，图标状态变为已点赞（如填充红色），并且帖子点赞数+1。 - 用户取消点赞后，图标状态恢复，帖子点赞数-1。 - 点赞状态应在用户下次访问时保持。

这个实战项目融合了角色扮演（敏捷教练）、Few-Shot示例、结构化JSON输出和严格的格式约束，展示了如何将提示词技巧组合运用来解决一个实际工作流问题。

5. 常见问题与排查思路

在实践中，你可能会遇到各种问题。以下是一些常见问题及其解决方案。

6. 最佳实践与工程建议

将提示词工程融入日常开发和项目，需要遵循一些工程化准则。

6.1 提示词的版本管理与测试

• 建立提示词库：使用Git等版本工具管理你的提示词模板。记录每个提示词的用途、版本、测试用例和效果评估。
• A/B测试：对于关键任务，设计多个提示词变体，用同一组测试用例进行评估，选择效果最佳者。
• 单元测试：为重要的提示词函数编写单元测试，模拟不同输入，验证输出格式和关键内容是否符合预期。

6.2 安全与合规性

• 输入过滤：对用户输入进行清洗和过滤，防止提示词注入攻击（用户输入破坏你预设的提示词结构）。
• 输出审查：对于生成公开内容的应用，必须建立人工或自动化的审核机制，确保内容安全合规。
• 设定边界：在系统提示词中明确AI的能力边界和禁止领域，例如“你不得生成涉及暴力、歧视或违法内容”。

6.3 性能与成本优化

• 缓存结果：对于常见、确定性的查询（如产品分类、固定格式转换），可以将AI的响应缓存起来，避免重复调用产生费用。
• 精简上下文：定期清理对话历史，或只保留相关的上下文，以节省token消耗并提升速度。
• 模型选型：在效果可接受的前提下，优先使用更经济、更快的模型（如gpt-3.5-turbo）。

6.4 构建可复用的提示词模板

将经过验证的提示词抽象成模板，是提升效率的关键。例如，一个代码审查模板：

code_review_template = “”” 角色：你是一位严谨的资深{language}开发工程师。 任务：对以下代码进行审查。 要求： 1. 检查代码风格是否符合{style_guide}规范。 2. 指出潜在的性能瓶颈和安全漏洞。 3. 提出具体的、可操作的改进建议。 4. 如果发现逻辑错误，请明确指出。 5. 最后，为这段代码的健壮性打分（1-10分）。 代码： ```{language} {code_snippet}

请按以下格式输出：代码风格检查：...性能与安全：...改进建议：...逻辑错误：...健壮性评分：... “””

使用时用实际变量填充模板

prompt = code_review_template.format(language=“Python”, style_guide=“PEP 8”, code_snippet=user_code)

### 6.5 持续学习与迭代 提示词工程是快速发展的领域。保持关注： - **官方文档**：OpenAI、Anthropic等公司的官方文档和最佳实践指南。 - **社区分享**：GitHub、Hugging Face、Reddit等社区有大量优秀的提示词案例和框架（如LangChain、LlamaIndex）。 - **实验精神**：大胆尝试新的提示词结构、参数组合和应用场景。 从“AI不听你话”到“让AI成为得力助手”，中间的桥梁就是扎实的提示词工程能力。它不再是少数专家的魔法，而是每个希望利用AI提升效率的开发者必备的技能。记住，与AI沟通就像与一位才华横溢但需要明确指引的伙伴合作。你的提示词越清晰、越结构化，你从这次合作中获得的成果就越丰硕。现在，就打开你的代码编辑器，从为一个具体任务设计第一个精细化的提示词开始吧。