提示词工程

用系统化方法把任务清晰地表达给 LLM，显著提高输出的准确率、稳定性与可复现性。

使用步骤

1. 明确目标与边界

• 一句话说清"要模型做什么"（任务动词：总结/改写/分类/抽取/生成/推理/写代码…）。
• 定义输出边界：多长、什么格式、针对什么受众、避免什么。

2. 按结构化模板搭建

推荐一个稳定的 prompt 骨架：

## 角色
你是一名<专业角色>。

## 任务
<用一句话清晰描述要做什么>。

## 输入
<给模型的数据/文本/待处理内容，用分隔符包住>

## 约束
- 只输出结果，不解释过程
- 不超过 N 字 / 用中文 / 采用 Markdown 表格 / 遇到不确定要说明

## 示例（Few-shot）
好的例子：
输入：<例A输入>  输出：<例A输出>

## 输出格式
严格按 JSON: {"字段": ...}

3. 用分隔符隔离输入与指令

用 """、---、<xml> 等包裹用户内容，防止注入/混淆，也让输入来源清晰。

4. 复杂任务 → 拆解 + 思维链

• 大任务拆成多步：先抽取→再整理→最后成稿。
• 需要推理的任务，明确要求"先逐步想清楚再给结论"（CoT），可配 few-shot 示例。

5. 少样本示例（Few-shot）

• 给 2~5 个代表性示例，覆盖正常与边界情况。
• 示例必须正确，错误的示例会放大错误。

6. 控制输出格式

用 JSON Schema / 枚举 / 表格 明确约束，便于程序解析。

常见误区（自查清单）

• 任务描述含糊、缺少角色与约束。
• 一次塞太多无关知识与任务混在一起。
• 示例太少或示例本身有误。
• 未隔离输入与指令（注入风险）。
• 没规定输出格式，导致解析困难。

验证

• 同一 prompt 跑多几次，观察稳定性（尤其温度设为 0 或较低）。
• 记录不同版本的差异，做 A/B 比较（见 prompt-optimizer 技能）。