Prompt 工程实战指南：从入门到进阶

Prompt 工程不是”写一句好话让 AI 回答得更准”——它是一套系统的方法论。同样一个模型，有人用 Prompt 能写出一个完整的 SaaS 后台，有人只能得到一段废话。差距不在模型本身，在于你给了它什么指令。

这篇文章不讲玄学，只讲可复现的技巧。每个技巧有原理、有例子、有反例。

基础篇：零样本提示

清晰指令的三要素

一个有效的 Prompt 只需要三样东西：角色、任务、约束。

1 2	你是一个 Python 后端开发。写一个 FastAPI 路由，接收 JSON 格式的用户注册请求。只返回代码，不要解释。

拆开看：角色（Python 后端开发）+ 任务（写 FastAPI 路由）+ 约束（只返回代码）。

要什么，不要什么

AI 对否定指令的理解远不如肯定指令。告诉它要什么，而不是不要什么。

1 2	不要：不要用旧的 React 写法应该：使用 React 18+ 的函数组件和 Hooks

否定指令容易被忽略，肯定指令直接给出目标模式。这一条规则就能消除一半以上的 Prompt 调试时间。

给出格式

AI 的输出格式由你决定。不给格式 = 让 AI 自己猜 = 每次结果不一样。

1 2	用 JSON 格式输出，结构为 { "name": string, "price": number, "features": string[] }。不要加任何其他文字。

指定格式后的输出是机器可解析的——如果你在做 API 调用，这一点直接决定代码能不能跑。

进阶篇：少样本提示

最少给一个例子

零样本做不准的事，加一个例子就能解决。不需要给十个。

把下面的产品描述翻译成适合电商列表页的短文案。每条不超过 20 个词。

输入：Built with a powerful 1500W motor, this blender crushes ice, frozen fruit, and tough greens in seconds.
输出：1500W motor, crushes ice and fruit in seconds.

现在翻译：This espresso machine features a 15-bar pump and PID temperature control for consistent extraction.

AI 从例子中自动推断出风格、长度、保留哪些信息、丢掉哪些信息。一个例子就够了。

错了不要重写 Prompt，给反例

AI 输出不满意时，不要立刻重写整个 Prompt。在原对话中直接纠正：

1	不对。"consistent extraction" 应该保留，重新翻译：

给反例比猜 Prompt 哪里有问题快得多。迭代三次一般就能稳定。

高级篇：思维链推理

让它先想再说

要求 AI 在给出答案之前先输出推理过程。

不要：这个 Python 函数有什么问题？
应该：
分析下面这个 Python 函数的逻辑，一步一步讲清楚哪里有问题。
先列出所有潜在问题，再给出修正后的代码。

def process_data(items):
    for i in range(len(items)):
        items[i] = items[i] / items[i-1]

加上”一步一步讲”后，AI 会先推理（发现除 0 风险、i-1 在 i=0 时报错），再给出修正代码。正确率提升 30-50%。

结构化思考

对于复杂任务，要求分步骤思考：

你要做三件事：
1. 找出代码中的所有潜在 bug
2. 按严重程度排序（Critical > Warning > Info）
3. 为每个 Critical bug 写一个可运行的修复
按顺序输出，不要跳步骤。

分步思考不会被跳步骤，每一步的输入是上一步的输出，逻辑链条完整。

实战篇：Prompt 模板库

代码审查

1
2
3

你是资深代码审查者。用表格输出审查结果：

| 行号 | 严重程度 | 问题 | 建议 |

文档生成

1 2	为下面这个 API 函数写 JSDoc。需要说明：参数类型和含义、返回值类型、可能抛出的错误、至少一个使用示例。只写 JSDoc，不要改代码。

错误排查

1	我遇到了这个错误：[粘贴错误信息]。分析可能的原因，列出 3 个最可能的方案，每个方案说明为什么它可能解决问题。按概率从高到低排列。

内容改写

1	把下面这段技术文档改写为面向产品经理的版本。去掉代码块和 API 细节，用业务语言解释这个功能做了什么，为什么用户需要它。

对比分析

比较 [方案 A] 和 [方案 B]：
1. 各自优势（3 条）
2. 各自劣势（3 条）
3. 适用场景
4. 如果预算有限（<$1000/月），选哪个？为什么？
用表格输出前 3 项，最后一项用一段话。

常见错误与纠正

错误	问题	纠正
“帮我把这个改了”	没说改成什么	“把这个函数的返回值改成 async，用 await 处理所有 fetch 调用”
“要最好的”	没有标准	“优先可读性，其次性能”
一次给十个任务	AI 注意力分散	三个三个来，每完成一组确认一次
问开放式问题	输出不可控	给格式、给长度限制、给例子

进阶方向

当你掌握了上面的技巧后，这些方向值得深入：

System Prompt 设计：不同模型对 System Prompt 的服从程度不同。Claude 遵循度最高，GPT-5 次之。在 Claude API 中使用 System Prompt 的效果远远好于把指令放在第一条用户消息里。
Prompt 缓存：Anthropic 和 OpenAI 都支持 Prompt Caching——相同前缀的多次请求只计费一次。设计好 System Prompt 结构，高频调用场景下成本降低 50-70%。
动态 Prompt 生成：根据用户输入动态拼装 Prompt。比如先用一个小模型分类用户意图，再根据意图类型加载不同的 Prompt 模板。

如果你在用 Claude Code 做 AI 编程，Claude Code 进阶实战里详细讲了如何用 CLAUDE.md 和 MCP 工具集成交替写 Prompt。