提示工程（Prompt Engineering）：怎么跟大模型「说人话」它才听得懂
一、背景
用过 ChatGPT、豆包、Copilot 的朋友肯定有这种感觉：同样一个问题，换种问法，答案质量能差一个档次。比如你写「帮我写代码」，它给你一段泛泛的示例；你改成「用 Vue3 + TypeScript，写一个带防抖的搜索输入框，要 Composition API」，它就能直接给出可粘贴的代码。再比如做 RAG 项目时，提示里加一句「只根据检索到的资料回答，不知道就说不知道」，胡编乱造的概率会明显下降。
这些差别，本质上都是 提示工程（Prompt Engineering） 在起作用：大模型不会读心，它主要根据你给的 文字指令 + 上下文 来补全；你把任务、格式、约束、示例说清楚，它就更可能稳定地产出你要的东西。提示工程不是「玄学咒语」，而是一套 可复用的沟通模板，对做 AI 应用、写 Agent、调 RAG 都特别实用。
二、核心概念和核心原理（详细解答+通俗解释）
这部分不搞公式堆砌，先把「提示工程到底在调什么」讲透，再结合日常开发场景，保证看完能直接改自己项目里的 System Prompt。
（一）核心概念（先通俗，再详细）
**1. 提示（Prompt）——发给模型的「任务说明书」**通俗解释：就是你输入的那段话，可以只有一句用户问题，也可以是「角色设定 + 规则 + 例子 + 当前问题」组合在一起。模型看到的是一整段文本 token序列，它倾向于 延续这段文本里已经建立的语气、格式和约束。详细解答：在自回归 LLM 里，Prompt 是条件信息，影响模型对下一个 token 的分布估计。System / User / Assistant 等多段消息（聊天 API）本质上会被拼接成模型可读的格式；System 段常用来放稳定规则，User 段放具体请求。提示工程的目标，是在 不微调模型 的前提下，用文本把行为「约束」到业务需要的区间。
2. 提示工程——用结构化表达换稳定输出通俗解释：像给同事派活：要说清 做什么、输出长什么样、不能做什么、最好举个小例子。对模型也一样：越模糊，它越「自由发挥」；越结构化，越可测、可上线。详细解答：常见技巧包括：角色扮演（你是资深后端…）、分步指令（先列提纲再写正文）、Few-shot（给 1～3 个输入输出样例）、输出格式（JSON/Markdown 字段名固定）、否定约束（禁止编造 URL）、自检（先检查是否缺信息再回答）。这些都是在 压缩模型的有效自由度，提高一致性和可解析性。
（二）核心原理（通俗拆解，一步一步讲清楚）
第一步：模型在「猜下一个词」，提示在缩小猜测范围通俗解释：没有约束时，模型会选「训练语料里最常见、最像聊天」的那种说法；你明确「输出 JSON，字段 id/name」，它就更容易往 合法 JSON 的形态靠。详细解答：从概率上看，Prompt 把高概率质量集中在你期望的模式上；温度（temperature） 低时更「抠字面」，高时更发散——工程上常对 要可解析的结构化输出 降温度。
**第二步：上下文里的例子，是最强的「行为克隆」**通俗解释：你给两个「问法→答法」的样例，第三个问题它往往会 照着同一风格抄。这就是 Few-shot。详细解答：In-context learning 不更新权重，但在前向计算里，注意力会把 示例中的模式 当作强提示；示例要选 和线上分布接近 的，否则容易学到错误套路。
第三步：长提示要省 Token、把关键约束放前面或重复通俗解释：窗口有限时，废话太多会挤掉检索内容；硬规则（安全、禁止幻觉）宜简短醒目。详细解答：与「上下文窗口」文章呼应：总长度超过有效利用区间时，中间部分有时被「遗忘」得更厉害——重要约束可 开头结尾各出现一次（视模型与产品实践而定）。
三、补充进阶知识点（易懂不晦涩，适配新手进阶）
1. System Prompt 与业务版本管理通俗解释：上线应用要把 System Prompt 当配置：谁改了、改了啥、回滚到哪版，最好有 Git 或配置中心记录。简单补充：可按环境（测试/生产）分版本；A/B 不同提示对比 准确率、用户差评率。
**2. 链式提示（分解任务）**通俗解释：复杂任务拆成「提取实体 → 调用工具 → 汇总答案」，每步单独 Prompt，比一大段「一次性搞定」更稳。简单补充：对应 Agent、工作流编排；失败时可 只重跑某一步。
3. 和 RAG / Function Calling 的配合通俗解释：RAG 负责「给材料」，提示负责「怎么用材料」；工具调用要在提示里写清 何时调、参数从哪来。简单补充：与专栏里 RAG、MCP 文章串联阅读，一套完整应用往往是 检索 + 提示 + 工具 三者一起调。
4. 和之前知识点的关联提示工程不改变模型参数，但高度依赖 上下文窗口 能装多少检索内容与示例；Embedding 决定检索片段是否贴题，检索不贴时再好的提示也救不回来。
四、文章知识总结
- 背景：同一模型，问法不同效果差很多；提示工程是 用自然语言做「软编程」，提升稳定性与可维护性。
- 核心概念：Prompt 是任务条件；提示工程是用 角色、格式、示例、约束 把输出拉到业务区间。
- 核心原理：自回归模型在 Prompt 条件下预测 token；结构化 + Few-shot + 温度 是最常用的工程杠杆。
- 进阶：Prompt 要版本化；复杂任务宜 分步；与 RAG、工具调用 分工明确。
- 核心逻辑：记住一句——把模型当「特别字面」的同事：任务越像工单，答案越像交付物。
总结：提示工程是 LLM 应用里 性价比最高的优化之一，不训练模型也能明显提升体验。把它和 RAG、量化、上下文窗口放在一起看，就形成「找得到、装得下、说得清」的完整链路。