《FDE前沿部署工程师》第03篇：提示词工程——不改模型、不改代码，效果提升50%的秘密

《FDE前沿部署工程师》第03篇：提示词工程——不改模型、不改代码，效果提升50%的秘密

原创

韭菜大叔

韭菜大叔

科创老李

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

导读：这篇文章教你设计高质量的提示词，读完约12分钟。学完你能为不同业务场景设计有效的Prompt，并建立版本管理机制。

你可能觉得提示词就是"跟AI说句话"，没什么技术含量。

但真实场景是这样的：

某FDE帮客户搭建了一个合同审查系统。最初用的提示词是：

请审查这份合同是否有问题。

结果：模型经常漏掉关键问题，准确率只有60%。

优化后的提示词：

你是一位资深的合同审查专家。请按照以下步骤审查合同：

1. 首先识别合同类型（采购/销售/服务/租赁/其他）

2. 然后检查以下关键条款是否存在：

- 合同主体是否明确

- 金额和付款方式是否清晰

- 违约责任是否明确

- 争议解决方式是否约定

- 合同期限是否明确

3. 对于每个缺失或有问题的条款，说明：

- 问题是什么

- 风险等级（高/中/低）

- 建议如何修改

请以表格形式输出结果。

结果：准确率提升到92%。

不改模型、不改代码，只改提示词，效果就能提升50%以上。这就是提示词工程的价值。

提示词设计四原则

原则一：明确（Clear）

清楚说明任务目标和输出格式。不要让模型猜你想要什么。

❌ 不明确："帮我分析一下这个数据"

✅ 明确的："请分析以下销售数据，找出销售额下降超过20%的产品，并按下降幅度从大到小排序，以表格形式输出"

原则二：具体（Specific）

提供足够的上下文和约束条件。越具体，模型越不容易跑偏。

❌ 不具体："写一段产品介绍"

✅ 具体的："你是一位电商文案专家。请为以下产品写一段200字以内的淘宝详情页首图文案。产品：智能台灯。卖点：护眼、可调色温、支持语音控制。目标人群：25-35岁白领。语气：轻松、专业、不夸张"

原则三：结构化（Structured）

使用分隔符、列表、模板组织内容，让模型更容易理解你的指令。

❌ 不结构化："帮我看看这个合同有没有问题然后告诉我风险在哪里还要给建议"

✅ 结构化的："请按以下结构审查合同：1. 合同基本信息 2. 问题清单（表格形式）3. 总体评价"

原则四：迭代（Iterative）

提示词很少一次就写好。需要通过测试不断优化。

第一版 → 测试 → 发现问题 → 优化 → 再测试 → 再优化 → ...

提示词模板结构

一个好的提示词通常包含六个部分：

角色定义：你是一个...（给模型一个身份）

任务描述：请帮我...（明确要做什么）

输入格式：输入内容是...（告诉模型输入是什么）

输出格式：请按照以下格式输出...（告诉模型怎么输出）

约束条件：注意...（设定边界）

示例：参考以下示例...（给模型一个参考）

六种常用提示词技术

技术一：Zero-shot（零样本）

不提供任何示例，直接让模型完成任务。适用于模型已经掌握的通用任务。

请将以下英文翻译成中文：

"The quick brown fox jumps over the lazy dog."

适用场景：翻译、摘要、情感分析等通用任务。

技术二：Few-shot（少样本）

提供几个示例，让模型学会任务的模式。适用于模型不太熟悉的特定格式或风格。

请根据以下示例，完成任务：

示例1：

输入：今天天气真好

情感：正面

关键词：天气

示例2：

输入：这个产品质量太差了

情感：负面

关键词：质量

现在请分析：

输入：价格有点贵但物有所值

情感：

关键词：

适用场景：特定格式输出、行业术语理解、风格模仿。

技术三：Chain-of-Thought（思维链）

要求模型一步一步思考，而不是直接给出答案。适用于需要推理的复杂任务。

请一步一步思考这个问题：

问题：一个商店有100个苹果，卖出了30%，又进货20个，现在有多少个？

请按以下步骤思考：

1. 首先计算卖出的数量：100 × 30% = 30

2. 然后计算剩余数量：100 - 30 = 70

3. 最后加上进货数量：70 + 20 = 90

最终答案：90个

为什么有效：强迫模型展示推理过程，减少跳步导致的错误。

技术四：Self-consistency（自洽性）

多次生成答案，取多数一致的结果。适用于需要高准确率的场景。

# 伪代码

answers = []

for i in range(5):

answer = model.generate(prompt)

answers.append(answer)

# 取出现次数最多的答案

final_answer = most_common(answers)

适用场景：金融计算、法律判断等不能出错的场景。

技术五：角色扮演

给模型一个特定角色，让它以该角色的身份回答问题。

你是一位有20年经验的金融风控专家。请从风控角度分析以下贷款申请：

- 申请人：35岁，个体经营者

- 申请金额：50万元

- 用途：扩大经营

- 抵押物：房产（评估价80万）

- 年收入：30万元

- 负债：现有贷款20万元

请从以下维度分析：

1. 还款能力评估

2. 抵押物价值评估

3. 风险点识别

4. 是否建议批准及理由

适用场景：需要专业知识的分析任务。

技术六：输出格式控制

明确指定输出的格式，让模型的回答更规范、更容易被程序处理。

JSON格式：

请从以下文本中提取信息，以JSON格式输出：

文本："张三，男，1990年5月出生，北京市海淀区，本科毕业于清华大学"

输出格式：

"name": "",

"gender": "",

"birth_date": "",

"location": "",

"education": {"degree": "", "school": ""}

适用场景：信息提取、数据结构化、API对接。

提示词优化技巧

技巧一：正面指令优于负面指令

❌ 负面指令："不要使用复杂的专业术语"

✅ 正面指令："请使用通俗易懂的语言，确保非技术人员也能理解"

正面指令比负面指令更有效，因为模型更擅长"做什么"而不是"不做什么"。

技巧二：分步指令

❌ 一次性说完："帮我分析数据、找出问题、给建议、写报告"

✅ 分步指令："请按以下步骤完成任务：第一步：分析数据，找出关键趋势。第二步：基于趋势，识别潜在问题。第三步：针对每个问题，给出具体建议。第四步：将以上内容整理成一份报告"

技巧三：限定范围

❌ 不限定："回答这个问题"

✅ 限定范围："请基于以下参考资料回答问题。如果参考资料中没有相关信息，请回答'根据现有资料无法回答'"

技巧四：提供示例

❌ 无示例："以专业的方式回复这封邮件"

✅ 有示例："请以专业的方式回复这封邮件。参考以下回复风格：原文：你们的产品质量太差了，我要退货！回复示例：尊敬的客户，非常抱歉给您带来不好的体验。我们非常重视您的反馈，已安排专人跟进此事。请问方便提供一下订单号和具体问题描述吗？我们将在24小时内为您处理。"

提示词版本管理

为什么要版本管理

提示词是AI应用的核心资产。和代码一样，它需要：

追踪变更历史：知道每次改了什么

回滚能力：改坏了能恢复到之前的版本

A/B测试：对比不同版本的效果

团队协作：多人协作时避免冲突

版本管理方案

简单方案：文件管理

prompts/

├── contract_review/

│ ├── v1.0.txt # 初始版本

│ ├── v1.1.txt # 修复漏检问题

│ ├── v2.0.txt # 增加风险评估

│ └── changelog.md # 变更记录

└── customer_service/

├── v1.0.txt

└── v1.1.txt

程序化方案：PromptManager类

用Python写一个简单的PromptManager，实现保存、获取、列出版本的功能。核心代码约50行，支持版本号、创建时间、元数据（如准确率）。

变更记录模板

每次修改提示词，都要记录：

版本号：v1.0、v1.1、v2.0

变更内容：改了什么

变更原因：为什么要改

效果对比：改之前和改之后的效果差异

提示词评测方法

评测维度

准确性：输出是否正确，与标准答案对比

相关性：输出是否与输入相关，人工评分或模型评分

完整性：是否覆盖了所有要求，用Checklist检查

一致性：多次生成是否稳定，多次生成取标准差

评测流程

准备测试用例（至少10个，覆盖常见场景）

用提示词对每个测试用例生成回答

对比标准答案，计算各项指标

记录不满意的输出，分析原因

优化提示词

重新评测，对比改进效果

失败模式分析

模型没理解任务：任务描述不清晰 → 重新描述任务，增加示例

输出格式不对：格式要求不明确 → 增加格式示例

遗漏关键信息：没有要求检查该项 → 增加检查项列表

回答太笼统：没有要求具体细节 → 增加具体要求和示例

回答不稳定：提示词有歧义 → 消除歧义，增加约束

三个实战提示词模板

模板一：合同审查

你是一位资深的合同审查专家，拥有15年法律从业经验。

请按照以下步骤审查合同：

第一步：识别合同基本信息

- 合同类型：[采购/销售/服务/租赁/其他]

- 签订日期：

- 合同金额：

第二步：检查关键条款

请逐项检查以下条款是否存在且合规：

- 合同主体

- 合同金额

- 付款方式

- 违约责任

- 争议解决

- 合同期限

- 保密条款

第三步：风险评估

- 整体风险等级：[高/中/低]

- 主要风险点：

- 建议措施：

请以Markdown格式输出审查报告。

模板二：客户投诉回复

你是一位专业的客户服务经理，擅长处理客户投诉。

请根据以下投诉内容，撰写一封专业、有温度的回复邮件。

投诉内容：{complaint}

回复要求：

1. 开头表达歉意和理解

2. 说明已采取或将采取的措施

3. 提供具体的解决方案和时间承诺

4. 结尾表达感谢和后续跟进

语气要求：专业但不冷淡，真诚但不卑微，解决问题导向

字数：200-300字

模板三：数据分析报告

你是一位资深的数据分析师。

请根据以下数据，撰写一份分析报告。

数据：{data}

报告结构：

1. 数据概览（50字以内）

2. 关键发现（3-5条，每条配数据支撑）

3. 趋势分析（上升/下降/持平，及原因推测）

4. 行动建议（具体、可执行）

要求：

- 所有结论必须有数据支撑

- 使用表格展示关键数据

- 避免模糊表述（如"很多""一些"），用具体数字替代

本章小结

四原则：明确、具体、结构化、迭代

模板结构：角色 + 任务 + 输入 + 输出 + 约束 + 示例

六种技术：Zero-shot、Few-shot、CoT、Self-consistency、角色扮演、格式控制

优化技巧：正面指令、分步指令、限定范围、提供示例

版本管理：追踪历史、回滚、A/B测试、团队协作

评测方法：准确性、相关性、完整性、一致性

思考题

为你的一个实际工作场景设计一个提示词，应用本章学到的原则和技术。

Few-shot和Zero-shot各适用于什么场景？为什么？

为什么Chain-of-Thought能提高推理准确率？

如果你的提示词准确率只有70%，你会从哪些方向优化？

参考资料

OpenAI Prompt Engineering Guide

Anthropic Prompt Engineering Documentation

Wei et al., "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"（2022）

Wang et al., "Self-Consistency Improves Chain of Thought Reasoning in Language Models"（2022）

📢 购买完整课程 PDF

《FDE 前沿部署工程师：从认知到落地的实战指南》24 章全文 PDF，18.8 元。加微信 laoli7500（备注"FDE"），付款后发 PDF 全文。

💬 你平时写提示词有什么困惑？欢迎在评论区交流。

#FDE #前沿部署工程师 #AI落地 #大语言模型 #AI工程师 #提示词工程 #Prompt #思维链 #FewShot #输出格式

预览时标签不可点

不喜欢

微信扫一扫

关注该公众号

知道了

微信扫一扫

使用小程序

取消

允许

取消

允许

取消

允许

分析

微信扫一扫可打开此内容，

使用完整服务

视频

小程序

，轻点两下取消赞

在看

，轻点两下取消在看

留言

听过