AI 初见面

Prompt 工程基础

同样的大模型，有人用它写出惊艳文案，有人却只能得到平庸回答。差距不在工具，而在 Prompt。本节系统讲解提示词工程的核心原则、角色设定法、思维链 CoT 与 Few-shot 学习，帮你掌握与 AI 高效沟通的底层能力。

概述

Prompt Engineering（提示工程）是与大语言模型沟通的核心技能。它不是简单的“怎么提问”，而是一门结构化表达意图的艺术——你越能清晰、具体地描述需求，AI 就越能给出精准、可用的结果。

研究表明，同一个模型在优质 Prompt 和劣质 Prompt 下的输出质量可以相差数倍。掌握提示工程，等于在不增加任何成本的前提下，把 AI 的能力榨取到极致。本节将从核心原则出发，逐步介绍角色设定法、思维链（CoT）、Few-shot 学习等进阶技巧，并指出常见误区。

Prompt 核心原则

提示工程的最佳实践可以浓缩为三个词：清晰、具体、结构化。这三点是所有高级技巧的地基。

原则一：清晰优先

AI 不会“猜”你的心思。模糊的指令必然带来模糊的结果。把“写得好一点”换成“请用专业、客观的语气，避免口语化表达”，AI 才知道该往哪个方向调整。清晰意味着把隐含期望显性化。

原则二：具体到可执行

好的 Prompt 应该像一个清晰的工作任务单，包含足够多的约束条件。一个实用的框架是CREATE 法：

Context（背景）：交代任务上下文
Role（角色）：指定 AI 扮演的身份
Expectation（期望）：说明期望的产出
Audience（受众）：明确内容面向谁
Tone（语气）：规定表达风格
Evaluation（验收）：给出评判标准

原则三：结构化表达

大模型对结构化文本的理解能力远强于大段流水账。善用标题、列表、分隔符来组织 Prompt，能让 AI 更准确地抓住重点。例如用 ### 分隔指令和素材，用编号列出要求，效果会明显提升。

角色设定法

角色设定是最简单却极其有效的技巧。通过让 AI “扮演”某个专业角色，可以激活模型在预训练阶段学到的该领域知识，输出质量和专业度会显著提升。

角色设定的威力

同样是问“如何提升产品留存率”，普通提问只会得到泛泛而谈的回答；但如果你说“你是一位有 10 年经验的增长黑客，擅长用数据驱动的方法优化用户留存”，AI 就会切换到增长专家的思维模式，给出更专业、更具操作性的建议。

角色设定的进阶用法

单角色深耕：设定一个具体角色 + 经验年限 + 擅长领域，越具体越好
多角色协作：让 AI 同时扮演产品经理、设计师、开发，从多视角分析问题
角色 + 约束：不仅设定角色，还要规定角色的“行为边界”，如“作为律师，只基于中国法律回答”
反方角色：让 AI 扮演批评者或魔鬼代言人，帮你发现方案漏洞

角色设定本质上是给 AI 提供了一个“思维框架”。它告诉模型：在这个对话中，你应该调用哪些知识、采用什么视角、遵循什么标准。

思维链 CoT 与 Few-shot 学习

思维链（Chain of Thought）

面对数学计算、逻辑推理、复杂决策等任务时，直接让 AI 给答案往往容易出错。思维链（CoT）的核心思路是：引导 AI 展示推理过程，而非只给结论。通过让模型“一步一步思考”，可以大幅提升复杂任务的准确率。

使用 CoT 非常简单，只需在 Prompt 末尾加上一句魔法指令：

请一步一步地思考（Let's think step by step）
请先分析问题，再给出结论，并解释你的推理过程

传统 Prompt 在面对数学计算等任务时效果不好，而 CoT 通过创建中间推理步骤，让模型像人类解题一样分步推导，准确率显著提升。对于多步骤的决策问题，CoT 几乎是标配技巧。

Few-shot 学习：给例子胜过讲道理

Few-shot Learning（少样本学习）是通过给模型提供一组输入输出示例，让它模仿这种任务格式和风格。大模型具有强大的上下文学习能力（In-Context Learning），几个高质量的示例往往比长篇大论的解释更有效。

典型用法是在 Prompt 中给出 2-5 个示例，每个示例包含“输入 → 输出”的对子，然后给出新的输入，让 AI 按相同模式产出。适用场景包括：

格式控制：让 AI 严格按照示例的格式输出
风格模仿：模仿特定作者的写作风格
分类任务：给出几条分类示例，再让它分类新内容
翻译润色：展示期望的翻译/改写风格

需要注意的是，示例的质量比数量更重要。一两个精准的示例，效果往往优于五六个良莠不齐的示例。

常见 Prompt 误区与避坑

掌握技巧的同时，更要警惕常见误区。以下是新手最容易踩的坑：

指令过长过杂：一个 Prompt 塞太多要求，AI 反而抓不住重点。复杂任务应拆分成多轮对话
只说不要什么：只说“不要啰嗦”不如说“请控制在 200 字以内”，正向描述比负向约束更有效
忽视温度参数：创意任务用高温度（0.8+），事实任务用低温度（0.2），用错会导致跑偏
一次定稿思维：好的结果往往需要 2-3 轮迭代，不要指望一次 Prompt 就完美
盲目堆砌技巧：CoT、Few-shot 不是越多越好，简单任务用简单 Prompt 即可，过度设计反而干扰模型

实用技巧 · Prompt 进阶心法

先让 AI 提问：复杂任务前加一句“在开始前，请先向我提问以确认细节”，能显著减少返工
用“自检”指令：结尾加“请检查你的回答是否存在事实错误或遗漏”，AI 会主动复核
固化优质 Prompt：把验证过的好 Prompt 存成模板，用变量占位符替换关键信息复用
分层提示：先让 AI 输出大纲，确认后再逐段展开，比一次性生成长文质量更高
逆向工程：看到好的 AI 输出，反问“你是基于什么 Prompt 生成这个结果的”，学习其思路

Prompt 工程学习路径

掌握基础框架 学习 CREATE 框架与结构化表达，能用清晰、具体的方式写出日常任务 Prompt。
练习角色设定 针对不同场景设计专业角色，对比有角色和无角色的输出差异，建立角色库。
实战 CoT 推理 在数学、逻辑、决策类任务中使用思维链，体会分步推理对准确率的提升。
运用 Few-shot 为格式控制、风格模仿等场景编写少样本示例，掌握示例质量把控方法。
迭代与沉淀 建立个人 Prompt 库，持续迭代优化，将提示工程内化为肌肉记忆。