时间:2026-03-06 20:53
人气:
作者:admin
本文全面介绍了提示词相关内容,包括提示词工程的重要性,如何写好一个提示词,以及使用 Coze 平台进行实操,适合零基础小白入门。
面对汹涌而来的 AI 浪潮,很多研发同学感到焦虑。但其实,对于非算法背景的我们来说,不需要成为研发「发动机」的算法科学家,而是要成为能够驾驭「赛车」的 AI 工程师。
今天,我们就来学习第一项、也是最核心的驾驶技术:提示词工程(Prompt Engineering,简称 PE)。
提示词工程听上去很高大上,实际上说白了就是我们给大模型写指示,想办法让它更听话。
这就像带实习生一样:你说得越清楚,他干得越靠谱。如果任务没说清楚,实习生可能会把事情办砸;大模型也一样,Prompt 写得好不好,直接决定它能不能完美完成任务。
翻开现在各大公司的 AI 工程师招聘 JD,你会发现“熟练掌握提示词工程”几乎已经成了硬性标配。

很多纯开发的同学可能会不屑:“写提示词不就是跟机器人聊天吗?这玩意儿有什么技术含量?”
这实际上是一个巨大的认知误区。
(1) 从“自由闲聊”到“工程协议”
在普通用户眼里,Prompt 是对话;但在开发者眼里,Prompt 其实是代码逻辑的自然语言化。
如果 Prompt 写得不好,大模型哪怕只是多返回了一个句号,或者 JSON 格式稍微错位,业务系统在解析数据时可能就会直接报错,导致整个业务链路崩溃。

| 对比维度 | 普通对话(Chat) | 提示词工程(PE) |
|---|---|---|
| 核心目的 | 获取信息、闲聊 | 执行特定任务 |
| 输出要求 | 发散的、长篇大论 | 收敛的、严格格式化的 (如 JSON) |
| 容错率 | 高(哪怕答非所问也能继续聊) | 低(格式错位会导致代码解析崩溃) |
因此,PE 的核心价值在于:建立一套人机交互的工程化协议,让原本不可控的“黑盒”,变成一个能稳定输出结果的“函数”。
(2)ROI(投资回报率)极高的 AI 技能
对于普通开发者而言,PE 是最容易掌握、见效最快的 AI 核心能力。
零成本: 你不需要深究底层的复杂数学原理,不需要排队购买昂贵的显卡去微调模型,甚至不需要改动一行的业务逻辑代码。
高收益: 仅仅是把提示词写清楚,同一个任务的准确率就能从 60%(勉强及格) 飙升到 90% 以上(工业级水平)。这中间 30% 的差距,往往就是你的 AI 业务能不能落地、老板和用户满不满意的关键决胜点!
一句话总结:提示词工程,就是让大模型更听话。这是我们普通人最容易掌握、见效最快的 AI 能力。
我们知道 LLM 本质上是一个 “概率预测机”,它读取文本,计算概率,预测下一个词,循环往复。在这个过程中,我们给 LLM 的所有输入统称为 Prompt(提示词)。
但这里有个工程难题:如果输入是发散的,输出必然也是发散的。
举个例子,我们想让 LLM 判断用户反馈是正面还是负面:
❌ 写法 A:这条评论是正面的还是负面的?用户说界面太丑了,卸载了。
✅ 写法B:你是一个情感分析专家。请判断以下用户反馈的情感倾向,只返回"正面"或"负面"或"中性",不要输出任何解释。用户反馈:"界面太丑了,卸载了!"
这就是提示词工程(Prompt Engineering) 的核心:通过精心设计 Prompt,让 LLM 的输出更稳定、更准确、更符合业务需求。
我们继续用"判断用户反馈情感"这个例子,按照以下几个步骤进行调优:

(1) 先把话清楚:明确角色和任务
第一步是“定义人设”,告诉 LLM:你是谁,要做什么。在 API 开发中,这通常通过 System Prompt(系统提示词) 来实现。
# 角色
你是一个情感分析专家,擅长从用户反馈中识别情绪。
# 任务
请判断用户反馈的情感倾向,只返回"正面"或"负面"或"中性":
(2)给出模板:让 LLM 照着做
直接下指令,LLM 有时仍会“放飞自我”。比如你要求“只返回正面或负面”,它可能会输出“这条反馈是负面的”或者“Negative”。这些都是"负面"的意思,但格式不一致。这时候,给他几个示例最有效,这叫 少样本学习(Few-Shot Learning)。
# 角色
你是一个情感分析专家,擅长从用户反馈中识别情绪。
# 任务
请判断用户反馈的情感倾向,只返回"正面"或"负面"或"中性":
# 示例
## 示例1输入:
这个APP太棒了!
## 示例1输出:
正面
## 示例2输入:
用了一天就崩了,垃圾软件。
## 示例2输出:
负面
就像给实习生一个"参考答案模板",他看了几个例子,自然就明白该怎么干了。而且这不需要重新训练模型,完全靠 LLM 强大的"上下文学习能力",给它几个例子,它就能学会新任务的规律。
(3)让它慢下来:逐步推理
在处理复杂情感时(比如阴阳怪气、转折句),LLM 容易直接“跳步”给错答案。
比如用户评论:“界面漂亮但反应慢,每次加载都要等一分钟,果断卸载了”。LLM 可能看到“漂亮”就直觉式地判断为“正面”,忽略了核心的负面诉求。
如果加一句话: "请逐步思考(Let's think step by step)" ,准确率会神奇地提升。这就是 CoT(Chain of Thought,思维链)。
LLM 的内部逻辑流会变为:
核心逻辑: 强迫 LLM 先把推理过程写出来,这个过程会成为后续生成的“上下文”,相当于模型在 “自我检查”,确保结论是推导出来的,而不是“猜”出来的。
# 角色
你是一个情感分析专家,擅长从用户反馈中识别情绪。
# 任务
请判断用户反馈的情感倾向。请逐步思考后再输出结果。只返回"正面"或"负面"或"中性":
# 示例
## 示例1输入:
这个APP太棒了!
## 示例1输出:
正面
## 示例2输入:
界面漂亮但反应慢,每次加载都要等一分钟,果断卸载了。
## 示例2输出:
负面
除了简单地加上"请逐步思考"外,更有效的方式是我们在 Prompt 中定义好大模型的每一步推理过程,给出固定模板:
# 角色
你是一个情感分析专家,擅长从用户反馈中识别情绪。
# 任务
请判断用户反馈的情感倾向。请按照以下步骤逐步思考后再输出结果,只返回"正面"或"负面"或"中性":
# 分析步骤
1. **关键词提取**:从句子中找出所有具有情感倾向的词,标注每个词汇的情感极性(正面/负面/中性)
2. **上下文分析**:
- 分析词汇间的逻辑关系(转折、递进、并列、正话反说等),判断核心情感诉求(如转折句中,后半句通常为核心;正话反说需结合语境判断真实情绪);
- 识别中性场景:若反馈中无明显正面/负面词汇,仅为客观描述,或正面与负面词汇权重相当、相互抵消,均判定为中性场景;
- 区分网络用语的情感倾向(如“666”表示认可<正面>,“6”表示讽刺<负面>,“还行”表示中性);
3. **情感权重判断**:对提取的情感词汇进行权重排序,核心诉求对应的词汇权重高于次要描述;中性词汇不参与权重竞争,仅在无明显正负倾向或正负权重相当时生效;
4. **最终结论**:
- 正面信号权重>负面信号权重,返回“正面”;
- 负面信号权重>正面信号权重,返回“负面”;
- 正面与负面信号权重相当,或无明显正负信号、仅为客观描述,返回“中性”。
# 示例
## 示例1输入:这个APP太棒了!
## 示例1输出:正面
## 示例2输入:界面漂亮但反应慢,每次加载都要等一分钟,果断卸载了。
## 示例2输出:负面
CoT 虽然能够带来准确率的提升,但也会增加推理成本和响应延迟。因此我们需要根据任务复杂度灵活使用:
简单任务(如情感分析、分类) :无需使用 CoT 优化。
复杂任务(如代码生成、多步骤推理) :必须开启 CoT。
(4)格式约束:让程序能读懂
前面解决的是“答得对”,但在代码场景下,还有一个关键问题:让 LLM “答得能被程序解析”。
业务系统中,我们通常希望 LLM 返回 JSON 这种结构化数据。但 LLM 是个“话痨”,你让它返回 JSON,它可能随口回一句:“好的,这是你要的结果:{...}”。这多出来的几个字,就会导致 json.loads() 直接报错。
为了解决这个问题,工程上通常采用“事前约束 + 事后纠错”的组合拳:
1. 结构化 Prompt(事前约束)
# 角色
你是一个情感分析专家,擅长从用户反馈中识别情绪。
# 任务
请判断用户反馈的情感倾向。请按照以下步骤逐步思考后再输出结果,只返回"正面"或"负面"或"中性":
# 分析步骤
1. **关键词提取**:从句子中找出所有具有情感倾向的词,标注每个词汇的情感极性(正面/负面/中性)
2. **上下文分析**:
- 分析词汇间的逻辑关系(转折、递进、并列、正话反说等),判断核心情感诉求(如转折句中,后半句通常为核心;正话反说需结合语境判断真实情绪);
- 识别中性场景:若反馈中无明显正面/负面词汇,仅为客观描述,或正面与负面词汇权重相当、相互抵消,均判定为中性场景;
- 区分网络用语的情感倾向(如“666”表示认可<正面>,“6”表示讽刺<负面>,“还行”表示中性);
3. **情感权重判断**:对提取的情感词汇进行权重排序,核心诉求对应的词汇权重高于次要描述;中性词汇不参与权重竞争,仅在无明显正负倾向或正负权重相当时生效;
4. **最终结论**:
- 正面信号权重>负面信号权重,返回“正面”;
- 负面信号权重>正面信号权重,返回“负面”;
- 正面与负面信号权重相当,或无明显正负信号、仅为客观描述,返回“中性”。
# 输入格式
{
"feedback": "<用户反馈内容>"
}
# 输出格式
{
"sentiment": "正面/负面/中性",
"reason": "<原因分析>"
}
# 约束
1. 必须仅返回 JSON 数据,禁止任何解释性文字
2. sentiment 字段只能是 "正面" 或 "负面" 或 "中性"
3. reason字段需结合关键词提取、上下文分析,说明判断依据,中性反馈需明确“无明显正负倾向”“客观描述”等核心依据,不遗漏核心情感点。
# 示例
## 示例1输入
{"feedback": "这个APP太棒了!"}
## 示例1输出
{"sentiment": "正面", "reason": "用户使用正面词汇 “太棒了” 直接夸赞 APP,核心情感为满意,无负面诉求,情感倾向正面"}
## 示例2输入
{"feedback": "界面漂亮但反应慢,每次加载都要等一分钟,果断卸载了"}
## 示例2输出
{"sentiment": "负面", "reason": "提取到正面词汇 “漂亮”,负面词汇 “反应慢”“加载要等一分钟”“果断卸载”;上下文通过 “但” 转折,后半句为核心诉求,负面描述及卸载行为体现用户的不满,负面信号权重远高于正面信号权重,情感倾向负面"}
2. 工程化鲁棒性(事后纠错) 在实际业务中,单靠 Prompt 依然会有概率遇到非法格式。研发通常会引入以下兜底方案:
response_format: { "type": "json_object" } 模式,强制模型输出。(如果平台支持的话)。json_repair 的库。这些库利用算法修复模型输出中缺失的引号、括号或多余的解释语。理论讲完了,现在我们上实战。
在现代 AI 开发中,将 Prompt 与代码解耦是最佳实践。硬编码 Prompt 不仅维护困难,而且难以测试和迭代。
这里以 Coze(扣子) 平台作为演示。作为一个极佳的 Bot 构建平台,它的优势在于:
| 特性 | 传统开发方式 | Coze 平台 |
|---|---|---|
| Prompt 管理 | 硬编码或远程配置文件 | 可视化编辑器 + 版本管理 |
| 多模型测试 | 手动切换 API | 一键切换 GPT-4/Claude/Qwen |
| 调试能力 | 只能看输出结果 | 支持实时预览 + 回溯版本 |
| 协作支持 | Git 代码冲突 | 多人协作 + 权限管理 |
| 成本控制 | 按次计费,难以预估 | 平台统一计费 + 预算管理 |
注:Coze 平台也支持知识库、工作流等能力,后续讲到 RAG、Workflow 等内容时会再次用到。
下面通过 Coze 平台快速上手,完成情感分析 Bot:
点击创建->创建智能体,命名:情感分析助手

人设与回复逻辑(也就是我们理论部分的 System Prompt),模型使用默认即可。
{"feedback": "这 APP 太棒了,棒的我想卸载!!!"},模型便会分析出对应情感。
Prompt Engineering 绝非简单的“搭话”,它是目前连接自然语言与计算机代码最重要的一座桥梁。通过 定义角色、明确约束、提供示例 (Few-Shot) 以及 激发思维链 (CoT) 等方式,我们能把一个不稳定的概率模型,变成业务中可靠的“智能外脑”。
而借助 Coze 这样的平台,我们能完美实现 Prompt 与代码的解耦,让 AI 工程化变得前所未有的顺畅。
上一篇文章我们全面概述了大模型的相关知识,今天则正式解锁了至关重要的提示词工程 (PE)。
但这仅仅是开始。在接下来的实战系列中,我将继续带大家深度解锁更多 AI 核心知识点:检索增强生成(RAG)、工作流(Workflow)、智能体(Agent)、LangChain、Coze、n8n 等等。
如果觉得文章还不错,别忘了关注、点赞、收藏三连支持!
让我们一起持续进化,成为真正能够驾驭“赛车”的 AI 工程师。