（保姆级教程）Prompt Engineering从0到1，手把手教你+海量案例，这篇就够了！

一、引言 什么是 prompt

A prompt is an input to a Generative AI model, that is used to guide its output.
Prompt engineering is the process of writing effective instructions for a model, such that it consistently generates content that meets your requirements.

简单来说，prompt（提示词） 是引导生成式 AI 模型，按你的要求进行输出。由于模型生成内容的不确定性，构建一个能够生成所需格式内容的提示既是一门艺术，也是一门科学。

让 LLM 写一个旅行规划，翻译一段话，写一段代码，做一个数学题都是 Prompt。甚至“你好”也是 prompt，可以看见 deepseek-r1 还是想了很多。

$ ollama run deepseek-r1:8b>>> 你好Thinking...嗯，用户发来一句简单的“你好”，看起来像是初次打招呼或者想开启对话。可能ta刚打开聊天窗口，还在试探界面功能，也可能只是随手测试AI的响应速度。这种情况下不适合过度解读，但也不能冷冰冰地回复。用温暖友好的语气建立初始信任比较重要，同时要留出开放式的引导空间——毕竟用户没提供具体需求时，主动询问方向比被动等待更高效。考虑到中文习惯，“你好呀”比“您好”更自然亲切，加上表情符号能快速传递友好感。后半句列举几个常见使用场景（学习、工作等）可以降低用户的提问门槛，让ta更容易意识到AI能帮上忙的领域。用户此刻可能处于两种状态：要么是随便问问想看看AI怎么回应，要么确实有需求但还没组织好语言。所以回复既要简洁又要包容性强，“有什么我可以为你做的吗”这种开放式结尾比较合适。...done thinking.你好呀！👋 我是DeepSeek-R1，很高兴见到你～无论你是来学习、工作还是生活上遇到问题，我都可以帮你出主意、找答案 😊今天有什么我可以为你做的吗？

Vibe Coding（code is cheap, show me the talk）

prompt 就是 LLM 时代的 Programs。以前别人分享应用，大家都是要代码，现在都是要提示词。写好 prompt 变成了新时代的基本功。

二、Prompt 编写技巧 描述清晰

我们经常能看到很多 prompt 的奇技淫巧，但最本质的还是要把需求描述清楚，和人交流一样，不要让对方猜。

用在餐馆点餐来举个例子。你对后厨说：“来点吃的”。厨房（AI）会很困惑。它可能会随便给你送一份它最常做的蛋炒饭。结果可能不是你想要的。但如果说“我要一份牛肉盖浇饭”。这好多了！厨房知道了菜品。但它不知道你的口味偏好。它可能会做得特别辣，但你其实不吃辣。如果更具体：“老板，我要一份青椒肉丝盖浇饭。米饭要硬一点，肉丝要瘦肉，不要放味精，最重要的是，千万不要放辣！ 请在晚上 7 点前送到”。厨房（AI）收到了这个指令，就能精准地做出完全符合你心意的美食。

Prompt 本质上就是你和 AI 沟通的语言。

• 你给的指令越模糊、懒惰，AI 给你的答案就越平庸、不靠谱。
• 你给的指令越清晰、具体、信息量越丰富，AI 就越能像一个顶级专家一样，精准地完成你交代的任务。

三、基本格式

一般来说会包含如下部分，先设置一个角色，然后设置要做的事情和执行的步骤。再约束输出的格式，并举几个例子。并不拘泥于此，主要是为了 prompt 描述清晰，我们自己也好维护。

现在模型能力都比较强，对 prompt 语言没什么要求，如果你英语不是特别地道，则用中文更好（或者让 LLM 给你润色一下）。也可以混合，模型对一些英语单词特别敏感，比如：MUST、Examples、Format。

# Role and Objective# Instructions## Sub-categories for more detailed instructions# Reasoning Steps/Workflow# Output Format# Examples## Example 1# Context# Final instructions

一般使用 markdown 标题表示递进关系，但也不能太深（H4 即可）。长内容块通常使用 markdown 代码块格式包裹，不过有的时候 xml 格式更加清晰（特别是 Example、Context 部分的描述）。

```example-1：I absolutely love this headphones — sound quality is amazing!Positive``````example-2：Battery life is okay, but the ear pads feel cheap.Neutral```
``````plaintext
<product_review id="example-1">I absolutely love this headphones — sound quality is amazing!</product_review><assistant_response id="example-1">Positive</assistant_response><product_review id="example-2">Battery life is okay, but the ear pads feel cheap.</product_review><assistant_response id="example-2">Neutral</assistant_response>

In-Context Learning（上下文学习）

这是大模型神奇的地方之一，研究发现，即使某个能力没有专门训练过，但给一些示例，它就能学会。因此我们经常使用 few-shot 技巧来“激活”这个能力。

Few-Shot（小样本）

简单来说就是举一些例子。比如评论分类：

文本：我对这个产品感到非常失望。分类：负面文本：这部电影还可以，没什么特别的。分类：中性文本：这家餐厅的食物棒极了！分类：正面

主要作用：

1. 提高复杂推理任务的准确性：对于需要逻辑推理的任务，给出的例子就像是给 AI 的“解题模板”。学习到新的、特定的任务模式。
2. 精确格式控制：通过多个例子强化你想要的输出格式。
3. 减少歧义：明确告诉模型在边界情况下应该如何决策（比如上面例子中的“中性”）。

当然 few-shot 也不能乱写，需要注意下面几个方面：

左图：Exemplar Quantity（示例数量尽量多一些）

右图：Exemplar Ordering （示例顺序随机的）

左图：Exemplar Label Distribution（示例标签分布均匀）

右图：Exemplar Label Quality（示例自身绝对正确）

1.Chain-of-Thought （思维链）

CoT（思维链）是一种技术，促使大型语言模型在解决问题时阐述其推理过程的技术。增强模型的推理能力。

2.Zero-Shot CoT

在推理模型出现之前，很多 prompt 优化都会让加一句"Let’s think step by step."，这样模型就能思考了，能解决一些需要多步推理的问题。但现在有了推理模型，更推荐直接使用推理模型解决问题。即使是非推理模型也不建议刻意的加上这句，还是应该定义好目标（Objective）和 Workflow。

3.Few-Shot CoT

这仍然属于 In-Context Learning，不仅仅直接给结果，而且给思考过程。相当于授之以渔。

Q: 食堂有 23 个苹果，他们用了 20 个做午餐，又买了 6 个。他们现在有多少个苹果？
A: 9

Q: 食堂有 23 个苹果，他们用了 20 个做午餐，又买了 6 个。他们现在有多少个苹果？
A: 食堂原来有 23 个苹果。他们用了 20 个，所以剩下 23 - 20 = 3 个。然后他们又买了 6 个，所以现在有 3 + 6 = 9 个。最终答案是 9。

RAG（Retrieval Augmented Generation）

The technique of adding additional relevant context to the model generation request is sometimes called retrieval-augmented generation (RAG).

广义上来说，给模型提供相关上下文的技术都可以叫做 RAG。方式可以是从向量数据库召回，也可以是 Google 等搜索接口搜出来的，甚至是手工写死在 prompt 中的。

使用目的一般是两方面：

1. 让模型访问专有数据，之前训练中没有的数据
2. 让模型仅在特定数据集中进行回答

4.VS Fine-tuning（微调）

Fine-tuning lets you customize a pre-trained model to excel at a particular task.

RAG 常和 Fine-tuning 比较，因为两者都能增强 LLM 在特定领域的知识。但两者不是互斥的，应用场景不一样。

• RAG （检索增强生成）: 这种方法可以比作是“开卷考试”。当模型遇到问题时，它会先从一个外部的、实时更新的知识库（如向量数据库）中检索相关信息，然后将这些信息作为上下文，连同原始问题一起交给语言模型，从而生成答案。它不改变模型本身的内部参数。
• Fine-tuning （微调）: 这种方法则像是“备考学习”。它通过在特定任务或领域的定制化数据集上继续训练模型，从而将新的知识或技能“内化”到模型的参数中。这个过程会更新模型的权重，使其“记住”特定的知识、格式或风格。

如果你的首要任务是确保信息的准确性、实时性和可追溯性，那么 RAG 是更优的选择。如果你的目标是让模型掌握一种特定的行为模式、风格或固有知识，那么微调会更适合。

5.Reasoning Model（不一样了？）

随着 OpenAI O 系列模型和 DeepSeek-R1 的火热，现在新出的模型几乎都是推理模型（可以设置 no think 模式）。Prompt 写法变了吗？其实也没有，本质还是没有变，描述清晰需求、提供足够的上下文。

不过也有一些要注意的：

“think step by step”，这种触发 COT 的魔法词就不要添加了，会画蛇添足，甚至非推理模型也不建议这样了。

提供具体的目标，让推理模型能自己验证，不断推理和迭代，直到符合你的成功标准。

先尝试 zero-shot，不行再 few-shot，前面也提到 few-shot 3 个作用，推理模型会自己探寻解决步骤，这点可能不需要，但控制格式和减少歧义的作用还是需要的。few-shot 不是完全舍弃了，还是有用的。

workflow（工作流）可能更加重要，推理模型能自己拆解复杂的任务，但往往很发散，会让用户体验不好。如果特定任务有成熟的步骤，可以固定下来，让模型一步步执行。如果是做一个具体的任务，不需要使用 few-shot 教会模型，而是使用 workflow 固定下来。比如写一个旅行规划，先安排交通、住宿再安排景点等。或者构建 ReAct Agent。

ReAct/Reflexion（构建 Agent）

Agents represent systems that intelligently accomplish tasks, ranging from executing simple workflows to pursuing complex, open-ended objectives.

ReAct（Reasoning and Acting），指生成一个想法，采取一个行动，并接收一次观察结果（然后重复这个过程）。所有这些信息都会被插入到提示中，这样它就能记住过去的想法、行动和观察结果。

这类模式（Observation-Based Agent）不能单纯算作 prompt，手工构建非常麻烦（还需要和 function call/mcp 结合），一般 LLM 开发框架会集成，比如：langchain: Start with a prebuilt agent（https://langchain-ai.github.io/langgraph/agents/agents/）、Eino: React Agent 使用手册（https://www.cloudwego.io/zh/docs/eino/core_modules/flow_integration_components/react_agent_manual/）

四、实战 翻译工具例子

前面说的可能比较抽象，我们通过一个翻译工具例子，来把上面说的串一下。为了凸显 prompt 的效果，我们本地运行一个小参数模型 ollama run qwen3:8b，同时为了突显 prompt 优化效果，关闭思考模式（/set nothink）。

第一轮：可以看到翻译的有点怪怪的，listened 应该为听了/听过更为合适。同时我希望保留人名，因为有时候中文名称更加拗口。

翻译：Have you listened to the new album by Taylor Swift?你听到泰勒·斯威夫特的新专辑了吗？

第二轮：翻译的稍微好一点了，但没有按要求保留英文原文，尝试加一些示例，再优化一下：

# Role and Objective你是一个翻译专家，需要将用户输入的英文准确、流畅地翻译成中文# Instructions1. 保持译文准确，忠实于原文的意思。2. 使用自然、通顺的中文表达方式。3. 避免逐字逐句的生硬翻译。4. 注意英文文本中的语法、词汇和语境。5. 如果有人名保留英文原文# Output Format直接输出中文，不需要包含其它内容# inputHave you listened to the new album by Taylor Swift?---你听过泰勒·斯威夫特的新专辑吗？

第三轮：这次好了，这样看起来好很多了。

# Role and Objective你是一个翻译专家，需要将用户输入的英文准确、流畅地翻译成中文# Instructions1. 保持译文准确，忠实于原文的意思。2. 使用自然、通顺的中文表达方式。3. 避免逐字逐句的生硬翻译。4. 注意英文文本中的语法、词汇和语境。5. 如果有人名保留英文原文，不做翻译# Output Format直接输出中文，不需要包含其它内容# Examples<example1>原文：Please give this package to Dr. Emily Carter.译文：请把这个包裹交给 Emily Carter 博士。</example1><example2>原文：LeBron James just broke another record in the NBA.译文：LeBron James 刚刚在NBA打破了又一项纪录。</example2># InputHave you listened to the new album by Taylor Swift?---你听过了Taylor Swift的新专辑吗？

第四轮：最后再做一些优化，比如把类似 NBA 简称做解释，翻译的更优雅一点。还可以 RAG，增加术语表（有些词就这样翻译），这里就不演示了。

# Role and Objective你是一个跨文化专业翻译家，需要将用户输入的英文翻译为中文# Instructions- 严格遵循信达雅原则（信=精准/达=流畅/雅=审美）- 保持译文准确，忠实于原文的意思。意译而非直译，专业内容保证术语准确- 翻译完成后再review一遍，确保使用自然、通顺、地道的中文表达方式，符合中文语言习惯- 注意识别语境（日常生活/娱乐/专业领域/俚语和习语/新闻等），译文需要贴合语境- 如果有人名保留英文原文，不做翻译- 有些特定词汇（产品/公司名称、地名、编程语言名称等）不用翻译，但需要结合上下文，比如Apple指苹果公司也指水果，需要一整句话分析- 英语专业名词缩写保留原文，并把中文释义放在后面括号里。比如 CEO（首席执行官），NBA（美国职业篮球联赛），KPI（关键绩效指标）# Output Format直接输出中文，不需要包含其它内容# Examples<example1>原文：LeBron James just broke another record in the NBA.译文：LeBron James刚刚在NBA（美国职业篮球联赛）打破了又一项纪录。</example1><example2>原文：Economy shows signs of recovery amid easing of restrictions.译文：随着限制措施放宽，经济显示出复苏迹象。</example2><example3>原文：You can't judge a book by its cover.译文：人不可貌相，海水不可斗量。</example3><example4>原文：He is a full-stack developer proficient in both Python and JavaScript.译文：他是一位精通Python和JavaScript的全栈工程师。</example4><example5>原文：I'd like to book a table for two at 7 PM.译文：我想预订一张今晚7点的两人桌。</example5>

一些翻译结果，效果上还可以：

I'm just browsing, thank you.我只是随便看看，谢谢。Please clear your browser cache and cookies.请清除您的浏览器缓存和 Cookie。The company's quarterly earnings exceeded analysts' expectations.该公司季度盈利超过了分析师的预期。He needs to undergo a MRI scan.他需要进行磁共振成像（MRI）检查。This game has an amazing open-world map and immersive storyline.这款游戏拥有一个令人惊叹的开放世界地图和引人入胜的故事情节。

Meta Prompt（还在手写 prompt？）

其实到这里细心的同学可以发现，写 prompt 还是有一定的范式。那么可以使用 LLM 自己生成吗？那肯定是可以的，这就叫 Meta Prompt。自动生成提示词的 prompt 大概这样：

Create a GPT prompt based on the following task requirements:# Requirements- Keep the prompt clear and easy for GPT's understanding.- Be concise as each token in the prompt incurs a cost.- The prompt is suggested to be a well-structured Markdown.- Include one or two input/output `## Examples` where appropriate.- Maintain a professional tone.# Response FormatProvide the prompt content directly, without titles, additional explanations or comments.# Requirements of Task在这里输入任务需求

有开源的实现：GitHub - meta-prompting/meta-prompting: Official implementation of paper “Meta Prompting for AI Systems”（https://github.com/meta-prompting/meta-prompting?tab=readme-ov-file#prompt-revision-to-enhance-reasoning-capabilities），火山方舟也推出了 PromptPilot：https://promptpilot.volcengine.com/startup

评测飞轮

其实比写 prompt 更重要的是评测，效果好不好往往不是 1+1=2 这种确定性问题，需要有可验证的反馈机制，能构建评测飞轮，实现持续迭代。

一般流程是批量跑然后打标，打标简单来说就是和参考答案做比较，如果是逻辑题、数学计算等可以直接判断的，用准确率做最终结果。如果像本文的例子翻译场景有一定主观性，常见做法就是对结果量化打分，也有两种模式，一是 3 分或者 5 分制，对比参考答案得出总分（精准量化）。另一种是 GSB 比较模式，对比 A、B 两种回答，判断“G 更好/S 等同/B 更差”，更加简单。

现阶段，不用自己建设评测平台/工具，一般大模型平台都支持评测（比如前面提到的火山方舟 PromptPilot），可以智能生成参考答案，智能评分，甚至自动优化 prompt。

那么，如何系统的去学习大模型LLM？

作为一名深耕行业的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！