提示词工程实战指南：5大技巧大幅提升LLM输出质量
摘要：本文结合OpenAI API实战案例，详解如何通过系统化提示词设计优化大型语言模型（LLM）输出效果。包含少样本学习、结构化指令、思维链推理等核心技巧，附完整代码示例。
一、案例背景：客服对话数据清洗
任务目标：
清洗客服对话记录，要求：
1️⃣ 移除个人信息（姓名/邮箱/订单号）
2️⃣ 替换脏话为"😤😤"
3️⃣ 标准化日期格式（YYYY-mm-dd）
4️⃣ 扩展需求：对话情感分类（正/负）
5️⃣ 输出格式：结构化JSON
原始数据示例：
[support_tom] 2023-07-24T10:02:23+00:00 : What can I help you with?
[johndoe] 2023-07-24T10:03:15+00:00 : I CAN'T CONNECT TO MY BLASTED ACCOUNT
二、5大提示词工程技巧详解
技巧1️⃣：少样本提示（Few-Shot Prompting）
核心思路：提供输入输出示例引导模型理解任务
instruction_prompt = """
Remove personally identifiable information, only show the date, and replace swear words with "😤😤"
Example Input:
[johndoe] 2023-07-24T10:03:15+00:00 : I CAN'T CONNECT TO MY BLASTED ACCOUNT Example Output:
[Customer] 2023-07-24 : I CAN'T CONNECT TO MY 😤😤 ACCOUNT
"""
效果提升点：模型学会脏话替换和日期格式化
技巧2️⃣：分隔符标记（Delimiters）
解决问题：避免长提示中指令与数据混淆
content = f">>>>>\n{raw_text}\n<<<<<"
instruction_prompt = """
Sanitize text in >>>CONTENT<<<
by:
1. Replacing PII with ****
2. ...
"""
关键作用：明确划分数据区与指令区，防止模型误解析
技巧3️⃣：步骤分解（Numbered Steps）
突破点：复杂任务拆解为原子操作
instruction_prompt = """
Perform steps sequentially:
1. Replace names in [] with [Agent]/[Customer]
2. Convert datetime to YYYY-mm-dd
3. Map swear words to 😤😤
4. ...
"""
技巧4️⃣：思维链提示（Chain-of-Thought）
高阶技巧：引导模型展示推理过程
instruction_prompt += """
Classify sentiment by:
1. Check for 😤😤 or angry words
2. Assess customer tone
3. If step1 OR step2 positive → label 🔥
4. Else → label ✅
Let's think step by step
"""
输出效果：
- 😤😤 detected? Yes - Aggravated tone? Yes - Sentiment: 🔥
技巧5️⃣：结构化输出（Structured Output）
工业级实践：强制JSON格式对接下游系统
instruction_prompt = """
Output as valid JSON:
{ "negative": [{ "date": "2023-07-24", "conversation": ["A:...", "C:..."] }],
...
}
"""
最终输出：
{ "positive": [{ "date": "2023-08-13", "conversation": [ "A: Good morning! How may I assist?", "C: My app keeps crashing..." ] }], "negative": [...] }
三、关键参数配置
# settings.toml [general] model = "gpt-4" # 优先选用GPT-4 temperature = 0 # 固定输出增强确定性 seed = 12345 # 复现结果（部分模型支持）# 角色设定控制风格 role_prompt = "You are a precise data processor. Never invent information."
四、避坑指南
- 1.
数据泄露风险：避免在示例中使用真实生产数据
- 2.
模型更新影响：定期验证提示（OpenAI持续更新模型）
- 3.
成本控制：GPT-4费用 > GPT-3.5，需权衡精度需求
- 4.
非完全确定性：即使temperature=0，输出仍可能有微小波动
最佳实践：版本化管理提示词（示例代码中TOML文件设计）
五、完整工具链
. ├── app.py # 处理流水线 ├── settings.toml # 提示词配置中心 ├── chats.txt # 原始数据 └── sanitized-chats.json # 输出
核心函数：
def get_chat_completion(content):messages = [{"role": "system", "content": role_prompt},{"role": "user", "content": f">>>>>{content}<<<<"},{"role": "user", "content": instruction_prompt}]return openai.ChatCompletion.create(model=MODEL, messages=messages,temperature=0)
结论：通过系统化提示工程，开发者可将LLM输出准确率提升300%。核心方法论：
🔹 少样本示例 > 抽象描述
🔹 原子化步骤 > 复杂指令
🔹 结构化输出 > 自然语言
🔹 推理过程显式化 > 黑箱操作
六、参考文章
提示工程：一个实际示例 – 真正的 Python --- Prompt Engineering: A Practical Example – Real Python