Prompt Engineering 提示词工程深度指南

Prompt Engineering 学习路线

提示词工程是使用AI的核心技能，本文提供系统的学习资料。

官方资源

1. 各平台官方指南

• OpenAI Prompt Engineering
• Anthropic Prompt Engineering
• Google AI Prompting

2. 优质课程

• DeepLearning.AI - Prompt Engineering - 免费
• Learn Prompting - 社区教程

基础技巧

1. 清晰指令

# 差
写一篇文章

# 好
写一篇500字的技术博客，介绍Python异步编程的基础概念，
目标读者是有1年Python经验的开发者，
使用简洁的语言和代码示例。

2. 角色设定

你是一位有10年经验的资深Python开发者，
专注于后端开发和系统架构。
请以这个角色回答以下问题...

3. Few-shot 示例

将以下文本分类为正面/负面：

文本: 这个产品太棒了！
分类: 正面

文本: 质量很差，不推荐
分类: 负面

文本: 服务很好，下次还会来
分类:

高级技巧

Chain of Thought (思维链)

请一步步思考这个问题：

问题：如果有5个苹果，我吃了2个，又买了3个，现在有几个？

让我们逐步分析：
1. 开始有5个苹果
2. 吃了2个：5 - 2 = 3个
3. 又买了3个：3 + 3 = 6个
答案：6个

Self-Consistency (自洽性)

生成多个答案，选择最一致的结果。

ReAct (推理+行动)

问题：法国的首都人口是多少？

思考：我需要找出法国首都是什么
行动：搜索[法国首都]
观察：巴黎

思考：现在我需要找巴黎的人口
行动：搜索[巴黎人口]
观察：约210万

答案：法国首都巴黎的人口约210万

结构化输出

请以JSON格式返回分析结果：

{
  "sentiment": "positive/negative/neutral",
  "confidence": 0.0-1.0,
  "key_phrases": ["phrase1", "phrase2"],
  "summary": "一句话总结"
}

常见模式

• Zero-shot - 无示例直接询问
• Few-shot - 提供示例
• Chain-of-Thought - 逐步推理
• Self-Refine - 自我改进
• Retrieval-Augmented - 检索增强

工具资源

• Prompt Engineering Guide
• PromptBase - 提示词市场