Prompt Engineering（提示工程）

Prompt Engineering 是设计和优化输入提示（Prompt）以引导 LLM 产生期望输出的技术。这是使用 LLM 最基础也最重要的技能。

基本结构

一个好的 Prompt 通常包含以下要素：

角色（Role）：你是一个资深前端工程师
上下文（Context）：我们正在开发一个 React 电商项目
任务（Task）：请帮我实现购物车组件
格式（Format）：使用 TypeScript，包含完整的类型定义
约束（Constraints）：不要使用第三方状态管理库
示例（Examples）：类似于以下结构...

核心技术

1. Zero-Shot Prompting

直接描述任务，不给示例：

将以下文本翻译成英文：
今天天气很好。

适用于简单、明确的任务。

2. Few-Shot Prompting

通过给出几个示例来引导模型理解任务模式：

将中文翻译成文言文：
输入：今天天气很好 → 输出：今日天朗气清
输入：我想回家 → 输出：吾欲归家
输入：这个东西太贵了 → 输出：

要点：

• 示例数量通常 2-5 个即可
• 示例要有代表性，覆盖不同情况
• 示例格式要一致

3. Chain-of-Thought（CoT，思维链）

引导模型逐步推理，而不是直接给出答案：

Q: 一个班有32个学生，男生比女生多8人，问男生女生各多少人？

A: 让我一步步思考：
1. 设女生有 x 人，则男生有 x + 8 人
2. x + (x + 8) = 32
3. 2x + 8 = 32
4. 2x = 24
5. x = 12
所以女生12人，男生20人。

变体：

• Zero-Shot CoT：只需加"Let's think step by step"
• Auto-CoT：自动生成推理链
• Tree of Thought：探索多个推理路径

4. ReAct（Reasoning + Acting）

结合推理和行动，用于 Agent 场景：

Question: 梅西在哪个俱乐部？

Thought: 我需要查找梅西目前效力的俱乐部
Action: Search("梅西 当前俱乐部 2024")
Observation: 梅西目前效力于迈阿密国际
Thought: 我找到了答案
Answer: 梅西目前效力于迈阿密国际足球俱乐部。

5. Self-Consistency（自我一致性）

对同一问题多次采样，取最一致的答案：

同一问题 → LLM 生成 5 次回答 → 取出现最多的答案

适用于数学、逻辑等有确定答案的任务。

高级技巧

System Prompt 设计

你是一个专业的代码审查助手。

## 职责
- 检查代码质量、安全性和性能
- 给出具体的修改建议

## 规则
- 只关注代码问题，不要修改业务逻辑
- 按严重程度分级：🔴 严重 🟡 警告 🟢 建议
- 每个问题给出修复示例

## 输出格式
按文件分组，每个问题包含：行号、问题描述、修复建议

输出格式控制

• JSON 模式：要求输出严格 JSON
• Markdown 格式：表格、列表等结构化输出
• XML 标签：用标签区分不同部分
• 分隔符：用 --- 或 ### 分隔内容

角色扮演（Persona）

你是一个有10年经验的 Kubernetes 运维专家，
说话风格直接简洁，喜欢用类比解释复杂概念。

限制与约束

规则：
1. 只使用提供的上下文回答，不要编造信息
2. 如果不确定，明确说"我不确定"
3. 回答控制在200字以内
4. 不要使用专业术语，用通俗的语言解释

常见反模式

反模式	问题	改进
模糊指令	"帮我优化代码"	"找出性能瓶颈，减少不必要的重渲染"
过度约束	规则太多互相矛盾	精简到核心约束
缺少示例	模型不理解期望格式	给 1-2 个输出示例
一次做太多	质量下降	拆分为多个步骤
否定指令	"不要做X" 效果差	改为"要做Y"

评估 Prompt 质量

1. 一致性：相同输入多次运行，输出是否稳定
2. 准确性：输出是否符合预期
3. 鲁棒性：不同表述的输入是否都能正确处理
4. 边界情况：异常输入是否能优雅处理