大语言模型提示词工程实践指南

提示词工程（Prompt Engineering）是使用大语言模型的核心技能。一个好的提示词能让模型输出精准、结构化的结果，一个差的提示词则可能得到混乱甚至错误的回答。本文基于实际项目经验，系统梳理提示词设计的核心原则与常见模式。

核心原则

1. 明确性与具体性

模糊的指令产生模糊的结果。始终在提示词中明确：任务目标、输出格式、约束条件。例如，与其说"帮我写一段产品介绍"，不如说"为面向房产经纪人的AI内容工具写一段200字以内的产品介绍，包含3个核心功能要点，语气专业但不生硬"。

2. 角色设定

给模型一个具体角色能显著提升输出质量。例如：

你是一位有10年经验的房产营销专家。请以专业、可信赖的口吻，为一位房产经纪人撰写一段短视频口播文案。要求：时长60秒，包含一个引人入胜的开头、3个房源卖点、一个行动号召。

3. 结构化输出

当需要模型返回结构化数据时，给出明确的格式说明。JSON Schema 或 Markdown 表格都是很好的选择。

常用模式

Few-shot Prompting

在提示词中提供 2-3 个示例，让模型学习输出风格和格式。这在文案生成、分类任务中特别有效。例如先给两个房产文案范例，再让模型生成第三个。

Chain-of-Thought (CoT)

引导模型逐步推理，适用于需要逻辑分析的任务。简单加上"请一步步思考"就能激活模型的推理能力。对于复杂任务，可以明确写出推理步骤。

ReAct 模式

将"推理"和"行动"交替进行，特别适合需要调用外部工具的 AI Agent 场景。模型先推理下一步该做什么，然后调用相应的工具，再根据工具返回结果继续推理。

实际项目中的经验

在我们的房产AI内容项目中，文案生成是最核心的功能模块。经过多轮迭代，我们总结出以下实践：

1. 分阶段提示：不一次性生成完整文案，而是分选题、大纲、逐段撰写三个阶段，每一阶段都有独立的提示词模板。
2. 模板化+动态参数：将提示词核心结构模板化，动态注入用户选择的房型、卖点、风格偏好等参数。
3. 输出后处理：模型输出后增加合规检测和文本优化环节，确保内容符合平台规范。
4. 用户反馈闭环：收集用户对生成文案的满意度数据，持续优化提示词模板。

常见陷阱

• 提示词过长：超过模型上下文窗口会导致信息丢失，建议核心指令控制在500字以内
• 矛盾指令：同时要求"简洁"和"详细"会让模型困惑
• 忽略温度参数：创意任务用高温度（0.7-0.9），事实性任务用低温度（0.1-0.3）
• 不验证输出：模型会有"幻觉"，关键信息必须做事实核查

提示词工程既是一门科学也是一门艺术，持续实验和迭代是提升效果的不二法门。