漫谈提示词工程

本文章还是稍微有点深度的，思路呢也相对会比较流畅，没那个耐心的尽早劝退好吧，有心思看的，可以品鉴品鉴~~

为什么会有提示词工程？或者说：它会出现在什么环节上呢？

思考这个流程：

获取数据->模型定义->模型训练->模型验证->模型调用->结果输出

1、人们希望大模型能给出我们想要的答案
2、对哪里做出调整我们可以获得更好的答案呢？

在这个流程中，我们其实可以对每一个环节做出一定量的优化和调整，这也就是提示词工程的来源！
想要让大模型完成较为复杂的任务，按照你想要的格式或方向输出，那你就需要在“模型调用”阶段做一定程度的优化，让你说的话，能被计算机抓住重点，get到你的想法和要求！

什么是提示词？

提示词（prompt）是一种人物构造的输入序列，用于引导GPT、deepseek等模型根据先前的输入的内容生成相关的输出。简单来说，就是你向模型提供的“提示词”

什么是提示词工程？

是指在不更新模型权重的情况下，如何与大模型交互以引导其行为以获得所需结果的方法。

提示词工程的设计原则：

• 明确目标，给出清晰的指令（说人话，别说官话）
• 提供上下文（人话说全，身份、场景、要求、目标···）
• 复杂任务拆分成简单子任务（分解有特殊含义的任务，让它自己给自己生成一个执行步骤）
• 给模型思考的时间（“先分析，再回答”，“让模型自己检查答案”）
• 借助外部工具（计算器、代码解释器、搜索工具等等）

***提示词工程相关技术（作者手动插眼，你认真看的话，一会儿会回来搂一眼）：
Zero-shot、Few-shot、Chain-of-Thought (CoT)、ReAct、Reflexion 和 Prompt Chaining

从现在开始，暂停不讲提示词工程了，要讲提示词工程的周边了
讲这几个技术之前需要先讲一个前置知识：我们在使用说提示词工程的时候，肯定是要给大模型发送一些我们处理好的文段的，在这个过程中，是不是一定会去调用大模型~怎么调？

先来解决一下怎么调的问题，然后再来处理提示词相关的问题，不用慌，知道就行，用的时候找官网copy就行
大模型API的风格派系，一共有两大阵营：
1、OpenAI兼容派（绝大多数厂商兼容该格式，只需要改 base_url 和api_key

import openai
import os

# 初始化客户端（推荐通过环境变量管理密钥，避免硬编码）
client = openai.OpenAI(
    api_key=os.getenv("OPENAI_API_KEY") or "*********************************",  # API密钥
    base_url="https://api.siliconflow.cn/v1",  # 接口基础地址（SiliconFlow平台）
)

response = client.chat.completions.create(
	# 定义要调用的模型（你选择的Qwen2.5-7B-Instruct）
	MODEL = "Qwen/Qwen2.5-7B-Instruct"
	
	# 初始化消息列表（包含系统提示）
	messages = [
	    {"role": "system", "content": "你是一个记忆型助手，记得历史对话内容。"}
	],
	stream = False
)

print(response.choices[0].message.content)

2、自称一派 Google(Gemini) 和Anthropic(Claude)有自己独特的API结构，参数命名和逻辑完全不同。如果你要换用它们，需要重写请求代码或者使用专门的SDK

from google import genai
client = genai.Client(api_key=" YOUR_API_KEY'"
response =client.models.generate_content(model="gemini-2.5-flash", 
                                        contents="Explain how AI works in a few words")
print(response.text)

API也是有厂商的，大公司都自己训练模型，售卖API，算力或推理平台通常不训练模型，主要提供极速的API托管服务，至于有哪些厂商，这里不做列举

在正式开始提示词工程之前，你需要安装openai的相关依赖：

pip install openai

然后去deep seeek和openrouter申请自己的api key,申请完后，会有多种API接口的调用方式：curl方式，Python的requests方式等等

到目前为止，我们也仅仅只解决了怎么调大模型接口的问题吧

走到这一步，你应该可以拿到输入一段文本后的结果了，但是，是不是又会发现一点小问题：
如果你让质量不太好的大模型输出json格式的东西，大模型为啥总出错？

你之前看到的那些例子（比如列表末尾多逗号、用中式顿号、带多余文字 “祝您有美好的一天”、裹着代码块符号 json），根源很简单：

大模型不是 “严谨的程序员”，它不会真的 “构建一个能直接用的 JSON 数据”，只是 “模仿 JSON 的样子写一段文本”。就像有人照着菜谱画菜，画得像但可能缺调料、摆错位置 —— 这些 “不像正经 JSON” 的错误，会导致我们没法直接用（比如 Python 的 json.loads () 会报错）。

简单说：大模型输出的是 “看起来像 JSON 的文字”，不是 “能直接用的 JSON 数据”，所以总有各种小错误。

那么好，这时候就有了Pydantic这么个东西，它来定规矩、做检查

Pydantic 本质是个 “规则工具”，它的核心作用就两件事：

1. 定 “正确的标准”：你告诉它 “我要的 JSON 必须有哪些内容、是什么类型”—— 比如 “必须有 name（字符串）、height（整数）、films（列表）这三个字段”，它就会把这个变成一个 “标准蓝图”。
2. 查 “对不对”：拿到大模型的输出后，它会用这个 “蓝图” 检查：有没有少字段？类型对不对？（比如大模型给 height 是 “186cm”（字符串），Pydantic 会说 “错了！应该是整数 186”），还会明确告诉你 “哪里错了”。

举个通俗的例子：Pydantic 就像你雇的 “质检员”，你先跟它说 “合格的产品必须是：红色、圆形、直径 5cm”（定标准），它拿到产品后会检查，不合格就说 “这个是方形（形状错）、直径 3cm（尺寸错）”（查错误）。

行，有标准了吧，那么谁来做这个标准化呢？LangChain（OutputFixingParser）：用 AI 修 AI 的错

LangChain 里的 OutputFixingParser 是个 “修复工具”，它的核心逻辑是 “用大模型自己的智能，修正它自己犯的错”—— 但它不能瞎修，必须靠 Pydantic 给的 “标准”。

它的工作流程超简单，一步一步来：

1. 先拿大模型的输出（比如带多余文字、类型错误的 JSON），用 Pydantic 的 “标准蓝图” 去检查；
2. 如果检查通过（JSON 完全符合 Pydantic 的规则），直接把 JSON 交给你用；
3. 如果检查失败（比如有多余文字、类型错），Pydantic 会给出 “错误报告”（比如 “height 字段应该是整数，实际是字符串”）；
4. OutputFixingParser 会把这三样东西一起丢给大模型：
   • 你原来要的需求（比如 “查演员信息”）；
   • 大模型之前的错误输出（比如带 “祝您有美好的一天” 的 JSON）；
   • Pydantic 的 “错误报告 + 正确标准”（比如 “必须包含 name/height/films，height 是整数，不能有多余文字”）；
5. 大模型拿到这些信息，就知道 “我之前错在哪了，正确的该是什么样”，然后重新输出一个完全符合规则的 JSON—— 这次就不会有多余文字、类型错误了。

简单说：OutputFixingParser 是 “修复工人”，Pydantic 是 “质检员 + 标准手册”，工人靠手册判断哪里错了，再让大模型（原来犯错的 “师傅”）按标准改对。

总结：它俩为啥必须一起出现？

• 没有 Pydantic：OutputFixingParser 不知道 “正确的 JSON 该是什么样”，就算想修，也不知道修到哪算对（比如不知道要不要 height 字段、height 该是整数还是字符串）；
• 没有 LangChain 的 OutputFixingParser：Pydantic 只能告诉你 “大模型输出错了”，但没法主动让大模型修正 —— 你得自己手动拿着错误报告去让大模型重写，效率低。

它俩的配合就是：Pydantic 定规则、查错误，OutputFixingParser 牵头让大模型按规则改错，最终让你拿到 “能直接用、没错误的 JSON 数据”。

最后给个极简版逻辑链：

大模型输出错误 JSON → Pydantic 定义 “正确标准” 并指出错误 → OutputFixingParser 带着 “错误输出 + 标准 + 错误提示” 找大模型 → 大模型按标准重写正确 JSON → 你拿到能用的数据。

到目前为止，你已经能拿到标准化的答案了吧，那么好，我们该开始讲插眼儿部分的内容了：

正戏开始：

一、Zero-shot（零样本学习）

1. 是什么？

不用给大模型任何示例，直接告诉它 “要做什么任务”，它就能输出结果。

比如直接说 “把‘我很开心’翻译成英文”，不用先给 “‘我饿了’→‘I’m hungry’” 这种示例。

2. 解决什么问题？

• 没有现成示例数据时，快速让模型完成简单、通用的任务（翻译、分类、总结等）；
• 不想写复杂 Prompt，追求 “一句话搞定” 的高效场景。

3. 有什么用？

降低使用门槛，适合常见的基础任务（比如文本分类、简单问答、格式转换）。

4. 使用方式？

直接在 Prompt 里明确 “任务指令 + 输入内容”，不用加任何示例。

5. 代码示例（Python，用 openai API 模拟，核心看 Prompt）

python

import openai

# 核心：Prompt里只有“任务+输入”，没有任何示例
prompt = """请把下面的中文句子翻译成英文：
句子：今天的天气真不错，适合出门散步。"""

# 调用大模型（实际使用需配置API密钥）
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": prompt}]
)
print(response.choices[0].message.content)
# 输出：The weather is really nice today, perfect for going out for a walk.

二、Few-shot（少样本学习）

1. 是什么？

给大模型 1~5 个 “示例”（演示 “输入→正确输出” 的对应关系），让它模仿示例的规律完成任务。

比如想让模型给文本打标签，先给 2 个示例：“‘这部电影真好看’→正面”“‘剧情太烂了’→负面”，再让它给新文本打标签。

2. 解决什么问题？

Zero-shot 搞不定的复杂 / 小众任务（比如自定义标签分类、特定格式生成）—— 模型需要通过少量示例理解 “你的具体要求”。

3. 有什么用？

不用大量数据，就能让模型适配 “非通用” 任务（比如公司内部的报销单格式提取、特定领域的文本分类）。

4. 使用方式？

Prompt 结构：示例1（输入→输出）+ 示例2（输入→输出）+ ... + 新任务输入

5. 代码示例

python

import openai

# 核心：Prompt里先给2个示例，再让模型做新任务
prompt = """请根据用户评价给电影打标签（正面/负面/中性），示例如下：
示例1：输入=“画面精美，演技在线，值得二刷” → 输出=正面
示例2：输入=“剧情拖沓，逻辑混乱，不推荐” → 输出=负面
现在请处理：输入=“特效还可以，但剧情有点老套” → 输出=?"""

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": prompt}]
)
print(response.choices[0].message.content)
# 输出：中性

三、Chain-of-Thought (CoT，思维链)

1. 是什么？

让大模型 “一步步说出思考过程”，再给出最终答案 —— 而不是直接跳着给结果。

比如让模型算 “3 个人每人买 2 瓶水，每瓶水 5 元，总共花多少钱”，它会先想 “3 人 ×2 瓶 = 6 瓶，6 瓶 ×5 元 = 30 元”，再输出 30 元。

2. 解决什么问题？

复杂推理任务（数学计算、逻辑题、多步骤分析）—— 模型直接给答案容易出错，“分步思考” 能减少逻辑跳跃，提高准确率。

3. 有什么用？

把 “黑箱式输出” 变成 “透明化推理”，既提高复杂任务的正确率，还能看懂模型的思考逻辑（方便排查错误）。

4. 使用方式？

在 Prompt 里加引导词：“请一步步思考，再给出答案”；或给 “带思考过程的示例”（Few-shot CoT）。

5. 代码示例

python

import openai

# 核心：Prompt里要求“一步步思考”
prompt = """请计算：一个书架有3层，每层能放15本书，现在要放40本书，书架够放吗？
要求：先一步步分析，再给出结论。"""

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": prompt}]
)
print(response.choices[0].message.content)
# 输出：
# 第一步：计算书架总容量：3层 × 15本/层 = 45本
# 第二步：对比需要放的书：40本 < 45本
# 结论：书架够放。

四、ReAct（思考 - 行动循环）

1. 是什么？

让模型在 “思考” 和 “行动” 之间循环：先想 “我现在要做什么”→ 执行行动（比如调用工具查资料、算数据）→ 看行动结果→ 再思考 “下一步该做什么”→ 直到完成任务。

核心是 “不只是想，还要‘动手’用工具”—— 模型自己决定什么时候用工具、用什么工具。

2. 解决什么问题？

模型 “光想没用” 的任务：需要实时数据（比如查今天的天气）、复杂计算（比如算税率）、外部信息（比如查某公司股价）—— 这些任务模型靠自身知识解决不了，必须调用工具。

3. 有什么用？

让模型从 “只能回答已知问题” 变成 “能主动用工具解决未知 / 实时 / 复杂问题”（比如让模型帮你订机票：先查航班（调用机票 API）→ 查价格→ 确认时间→ 生成订单）。

4. 使用方式？

Prompt 里引导模型：“先分析任务需要做什么→ 选择工具执行→ 根据结果继续思考”，通常需要配合工具调用框架（比如 LangChain 的工具链）。

5. 代码示例（模拟简单工具调用，核心看 “思考 - 行动” 逻辑）

python

import openai

# 模拟一个“查当前时间”的工具
def get_current_time():
    import datetime
    return datetime.datetime.now().strftime("%Y-%m-%d %H:%M")

# 核心：Prompt引导模型“先思考是否需要工具，再行动”
prompt = """任务：请告诉我现在的时间，然后说一句问候语。
规则：
1. 如果你不知道当前时间，必须调用工具get_current_time()获取；
2. 拿到时间后，再生成问候语。
请先说明你的思考，再执行行动，最后给出结果。"""

# 第一步：模型思考并决定调用工具
response1 = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": prompt}]
)
print("模型思考+行动指令：", response1.choices[0].message.content)
# 输出：我需要知道当前时间，所以调用工具get_current_time()

# 第二步：执行工具，获取结果
tool_result = get_current_time()

# 第三步：模型根据工具结果生成最终答案
prompt2 = f"""工具返回结果：{tool_result}
请根据这个结果，完成任务（说一句问候语）。"""
response2 = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": prompt2}]
)
print("最终结果：", response2.choices[0].message.content)
# 输出：现在是2025-11-28 15:30，祝你度过愉快的一天！

五、Reflexion（反思修正）

1. 是什么？

让模型 “做完任务后，自己检查有没有错”→ 发现错误后 “反思哪里错了、为什么错”→ 重新优化答案。

相当于让模型 “自己当老师，批改自己的作业”，循环迭代直到答案正确。

2. 解决什么问题？

模型第一次输出有错误（比如逻辑漏洞、遗漏信息），但需要 “高精度结果” 的任务（比如写报告、解复杂题、代码调试）。

3. 有什么用？

不用人工干预，让模型自动修正错误，提高输出的准确率和完整性。

4. 使用方式？

Prompt 结构：完成任务→ 检查错误（引导模型自查）→ 反思问题→ 重新输出

5. 代码示例

python

import openai

# 第一步：让模型先完成任务（故意让它出错）
task_prompt = """请计算：5+3×2=？ 直接给出答案。"""
response1 = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": task_prompt}]
)
first_answer = response1.choices[0].message.content
print("第一次答案：", first_answer)  # 可能输出错误答案：16（错误原因：先算5+3=8，再×2）

# 第二步：引导模型反思修正
reflexion_prompt = f"""你刚才的答案是{first_answer}，请检查是否正确：
1. 数学运算规则：先乘除后加减；
2. 重新计算5+3×2的步骤；
3. 给出正确答案。"""
response2 = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": reflexion_prompt}]
)
print("反思后答案：", response2.choices[0].message.content)
# 输出：正确步骤：先算3×2=6，再算5+6=11，答案是11。

六、Prompt Chaining（提示链）

1. 是什么？

把一个复杂任务拆成多个小任务，用 “前一个任务的输出” 作为 “后一个任务的输入”，像 “链条” 一样一步步完成。

比如写一篇文章：先生成标题→ 再写大纲→ 再填内容→ 最后修改润色 —— 每个步骤用一个 Prompt，上一步的结果传给下一步。

2. 解决什么问题？

单个 Prompt 搞不定的复杂任务（比如写报告、做数据分析、创作长文）—— 复杂任务步骤多、逻辑密，拆成小任务能减少模型的认知负担，让每个步骤更精准。

3. 有什么用？

让复杂任务 “化繁为简”，每个步骤聚焦一个小目标，最终输出更完整、更有条理的结果。

4. 使用方式？

拆分任务→ 设计每个小任务的 Prompt→ 把前一个 Prompt 的输出作为后一个的输入，依次执行。

5. 代码示例

python

import openai

# 复杂任务：写一篇关于“猫咪饲养”的短文（拆成3个小任务）
task1 = "请给一篇关于“猫咪饲养”的短文起3个标题，要求简洁易懂。"
response1 = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": task1}]
)
titles = response1.choices[0].message.content
print("步骤1：生成标题\n", titles)  # 输出3个标题，比如《新手养猫指南：从入门到精通》

# 步骤2：用选中的标题写大纲（前一步输出作为输入）
task2 = f"""请以标题《新手养猫指南：从入门到精通》为核心，写3个短文大纲要点，包括：饮食、居住、健康。"""
response2 = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": task2}]
)
outline = response2.choices[0].message.content
print("\n步骤2：生成大纲\n", outline)  # 输出：1. 饮食：选择猫粮、喂食频率；2. 居住：猫砂盆摆放、环境布置；3. 健康：定期体检、疫苗接种

# 步骤3：根据大纲填内容（前一步输出作为输入）
task3 = f"""请根据以下大纲，写一篇100字左右的短文：
{outline}"""
response3 = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": task3}]
)
final_article = response3.choices[0].message.content
print("\n步骤3：完成短文\n", final_article)
# 输出：《新手养猫指南：从入门到精通》...（完整短文）

总结：6 个概念的核心区别（一句话分清）

概念	核心逻辑	适用场景
Zero-shot	无示例，直接指令	简单通用任务（翻译、总结）
Few-shot	给少量示例，模仿规律	复杂小众任务（自定义分类）
CoT	分步思考，再给答案	复杂推理（数学、逻辑题）
ReAct	思考→行动（用工具）→反思	需实时 / 外部数据（查天气）
Reflexion	完成→自查→修正	高精度任务（错题、报告）
Prompt Chaining	拆复杂任务为多个小 Prompt	长文创作、复杂报告

本质上，它们都是 “通过优化 Prompt 或流程，让大模型更精准、更高效地完成任务”—— 只是针对的场景和解决思路不同。

还有就是提示词攻防技术了。
简单来说：你想要看大模型给你找点小电影看，大模型会告诉你：去球吧你~这个就是攻防技术。
涉及到的一些攻击名词：原始注入、叙事诱导、伪装系统指令、上下文重置等等这些见名知意
怎么防？巨简单！过滤掉关键词就行···

好啦，能看到这儿你是这个👍，如果觉的有用，麻烦点个给我点个✨谢谢🙏