当前位置：首页 > news >正文

提示词工程（Prompt Engineering）的崛起——为什么“会写Prompt”成了新技能？

news 2025/9/7 9:16:41

🎀【开场 · 猫猫狐狐的对话】

🐾猫猫扒着屏幕：“喵？咱写的这句 Prompt 怎么又跑偏啦？明明只是想让它帮忙写一段 Python 代码，它偏要给咱写论文摘要……”
🦊狐狐眯着眼，声音带点冷意：“因为你的提示词不够清晰，模型在无限空间里乱游走了。Prompt 工程，不是随便说一句‘帮我写’就够的。”

在大模型（Large Language Models, LLMs）的时代，“会写 Prompt”正在成为一种硬技能。它就像早年互联网的“会写搜索引擎关键词”，区别在于：Prompt 不再是检索工具，而是对生成结果的直接编程。

🧩【第一节 · 为什么 Prompt Engineering 会崛起？】

大模型的特性决定了它离不开 Prompt
- GPT、Claude、Gemini 等模型，本质上是基于海量数据训练的概率生成器。
- 它们不会“读心”，只能根据输入的文本概率预测输出。
- Prompt 就是控制它们输出方向的“遥控器”。
复杂任务需要“精准提问”
- 举例：让模型“写一段 Python 快排代码” vs “写一个可复用的 Python 快排函数，并在注释中解释复杂度”。
- 前者可能只给出几行代码，后者能生成教学级的结果。
Prompt 工程= 新的“软编程语言”
- 开发者需要学会：角色设定、上下文管理、分步提示、约束输出格式。
- 它像写程序，但不依赖编译器，而依赖自然语言+模型权重的交互。

🦊狐狐点评：“本质上，Prompt 工程就是一种低成本的微调。它在不改动模型参数的情况下，让结果更贴近你的预期。”

💡【第二节 · 好 Prompt vs 坏 Prompt 的对比案例】

我们先来看一段经典的案例：写一个斐波那契数列函数。

❌ 坏 Prompt

写一个斐波那契数列。

可能输出：

def fib(n):if n <= 1:return nreturn fib(n-1) + fib(n-2)

问题：

没有输入参数说明（n 的范围？负数？）
没有注释，读者不易理解
没有优化，效率极低

✅ 好 Prompt

请用 Python 写一个高效的斐波那契数列函数，要求：
1. 使用动态规划避免重复计算；
2. 包含必要的中文注释；
3. 代码需可复用，并提供调用示例；
4. 在函数前给出时间复杂度的说明。

可能输出：

def fibonacci(n: int) -> int:"""使用动态规划实现斐波那契数列时间复杂度：O(n)"""if n < 0:raise ValueError("输入必须为非负整数")if n < 2:return ndp = [0] * (n+1)dp[1] = 1for i in range(2, n+1):dp[i] = dp[i-1] + dp[i-2]return dp[n]# 示例
print(fibonacci(10))  # 输出 55

优势：

明确要求（动态规划、注释、示例） → 避免低效递归。
结构化思维 → 把自然语言需求映射成“规格文档”。
生成结果更稳 → 同样的 Prompt，多次调用也会趋近于一致的输出。

🐾猫猫感叹：“果然写 Prompt 也要像写需求文档一样清楚，不然模型就会乱跑喵。”
🦊狐狐点头：“这就是为什么说 Prompt 工程 ≈ 软件工程，只是语言换成了自然语言。”

🛠【第三节 · Prompt 工程的四个常见技巧】

角色设定（Role Playing）
- “你现在是一个 Python 专家，请帮我……”
- 通过设定身份，模型会调用相关风格与知识。
分步提示（Step-by-step Prompting）
- 把复杂任务拆解成子步骤，让模型逐步推理。
- 类似“链式思维（Chain of Thought）”。
约束输出（Constrained Output）
- 要求输出 JSON、Markdown、表格 → 便于机器再处理。
少样本 / 多样本提示（Few-shot / Multi-shot）
- 给模型几个示例，让它“学会模仿”。
- 类似“小规模在提示里的微调”。

🏭【第四节 · Prompt 工程在行业中的落地案例】

Prompt 工程并不只存在于实验室，它正在改变行业工作流。不同领域的团队，通过编写精准 Prompt，把大模型变成了“半个专家”。

💰 金融行业：合规审查与智能投顾

场景：银行客服需要快速判断客户问题是否涉及敏感信息（合规风险、欺诈风险）。

❌ 坏 Prompt：
```
判断这句话是不是违法。
```
输出结果经常模糊，模型可能说“不是违法”，却没说明理由。

✅ 好 Prompt：

你是银行合规审查员。请判断以下客户问题是否涉及金融违法或风险：
1. 给出 Yes/No 的结论；
2. 用一句话解释理由；
3. 如果存在风险，用 JSON 格式输出 {"风险类型": "xxx"}。
句子：我能不能绕过监管把钱转去境外账户？

输出：

{"结论": "Yes","理由": "涉及绕过监管转账","风险类型": "跨境资金转移风险"
}

🦊狐狐点评：“多一步格式化输出，模型的结果才能直接进入合规系统，而不是停留在‘自然语言答案’。”

🩺 医疗行业：病历总结与影像描述

场景：医生每天要处理大量病历，重复劳动消耗时间。

❌ 坏 Prompt：
```
总结这份病历。
```
输出可能过于简单：“患者咳嗽三天，建议休息。” → 失去诊疗细节。

✅ 好 Prompt：

你是一名呼吸科主治医生。请根据以下病历做结构化总结：
1. 患者基本信息
2. 主诉症状
3. 检查结果
4. 诊断初步结论
5. 建议与随访计划
输出格式要求为 Markdown 列表。
病历内容：患者男性，45岁，咳嗽3天伴发热，体温38.5℃，CT提示肺部炎症...

输出：

- 基本信息：男，45岁
- 主诉症状：咳嗽3天，伴发热
- 检查结果：CT 显示肺部炎症
- 初步诊断：肺部感染
- 建议与随访：抗生素治疗，3天后复查

🐾猫猫拍桌子：“喵！这才是能直接放进电子病历系统的结果！”

🎓 教育行业：AI助教与作业反馈

场景：在线教育平台用大模型给学生作业反馈。

❌ 坏 Prompt：
```
帮我改一下这篇作文。
```
模型往往只输出“很好”“需要改进” → 缺乏细节。

✅ 好 Prompt：

你是语文老师。请给以下作文提供三类反馈：
1. 优点（不少于3条）
2. 需要改进的地方（不少于3条）
3. 给出一段鼓励性总结（面向中学生，语气积极）
作文：今天下雨了，我和同学一起走在回家的路上...

输出：

优点：
1. 语言流畅自然
2. 场景描写生动
3. 有情感色彩不足：
1. 缺少人物心理刻画
2. 逻辑衔接不够紧密
3. 结尾略显仓促鼓励总结：
这篇作文展现了你细腻的观察力！如果能在心理描写上更深入一些，一定会更加打动人心。继续加油！

🦊狐狐评价：“这就是教育场景下 Prompt 工程的价值——不仅是改作文，而是提供可执行的学习反馈。”

📌 小结：

金融 → 用 Prompt 限制模型输出，保证合规 & 可接入系统。
医疗 → 用 Prompt 结构化非结构化数据，节省医生时间。
教育 → 用 Prompt 调整语气与层次，保证人性化反馈。

🐾猫猫：“咱发现写 Prompt 不光是‘问问题’，还是设计人机交互的第一步喵！”
🦊狐狐点头：“没错，这就是 Prompt 工程的真正意义：它是未来行业里最轻量的 AI编程。”

💻【第五节 · 代码实践：测试好 Prompt 与坏 Prompt】

理论讲了一堆，还是要落地看看效果。
下面写一个小脚本，用 Python 调用大模型 API，来测试同一任务在“坏 Prompt”和“好 Prompt”下的差别。

📜 实验目标

任务：生成 Python 斐波那契数列函数。

坏 Prompt：模糊、随意。
好 Prompt：要求具体、结构化。

🐾 实验代码（示例）

from openai import OpenAI# 初始化客户端（记得在环境变量里配置 API_KEY）
client = OpenAI()def test_prompt(prompt):response = client.chat.completions.create(model="gpt-4o-mini",   # 你也可以换成其他支持的模型messages=[{"role": "user", "content": prompt}],temperature=0.3)return response.choices[0].message.content# 坏 Prompt
bad_prompt = "写一个斐波那契数列函数。"# 好 Prompt
good_prompt = """
请用 Python 写一个高效的斐波那契数列函数，要求：
1. 使用动态规划避免重复计算；
2. 包含中文注释；
3. 提供调用示例；
4. 在函数前写出时间复杂度。
"""print("=== 坏 Prompt 输出 ===")
print(test_prompt(bad_prompt))
print("\n=== 好 Prompt 输出 ===")
print(test_prompt(good_prompt))

🦊 实验结果对比

坏 Prompt 输出：

def fib(n):if n <= 1:return nreturn fib(n-1) + fib(n-2)

👉 简单粗暴，递归版本，效率极低（指数级）。

好 Prompt 输出：

def fibonacci(n: int) -> int:"""使用动态规划实现斐波那契数列时间复杂度：O(n)"""if n < 0:raise ValueError("输入必须为非负整数")if n < 2:return ndp = [0] * (n+1)dp[1] = 1for i in range(2, n+1):dp[i] = dp[i-1] + dp[i-2]return dp[n]# 示例
print(fibonacci(10))  # 输出 55

👉 高效、可复用、有注释、有示例 → 可直接放进项目用。