在使用大语言模型进行开发时，经常会遇到一些让人头疼的问题，比如模型输出跑偏、回答缺乏逻辑性、或者结果过于笼统。这些问题往往不是模型能力的问题，而是我们没有很好地引导模型理解我们的需求。今天就来分享三种Prompt Engineering的核心技巧，帮你快速提升AI对话的效果。

1. 角色设定（Role Prompting）

角色设定是最基础也最有效的技巧之一。通过明确告诉AI它应该扮演什么角色，可以显著提升回答的专业性和针对性。

• 作用原理：给模型一个明确的身份定位，限制其回答范围和风格
• 适用场景：需要特定领域专业回答时（如医疗、法律、编程等）
• 典型结构："你是一位资深[角色]，请以[角度]回答以下问题..."

import openai

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[
        {"role": "system", "content": "你是一位经验丰富的Python开发工程师"},
        {"role": "user", "content": "如何优化这段Python代码的运行效率？"}
    ],
    temperature=0.7
)

2. 思维链（Chain-of-Thought）

思维链技巧通过引导模型分步思考，可以显著提升复杂问题的解决能力。

• 核心价值：让模型的思考过程"可视化"，提高逻辑性和可解释性
• 关键语法：使用"首先"、"然后"、"因此"等连接词构建推理链条
• 温度参数：建议设置为0.3-0.6之间以获得更稳定的推理过程

prompt = """
问题：如果小明比小红高，小红比小刚高，那么谁最矮？
请一步一步思考：
1. 首先，小明 > 小红
2. 其次，小红 > 小刚
3. 因此，身高排序是小明 > 小红 > 小刚
4. 所以最矮的是：小刚
"""

3. 示例驱动（Few-Shot Learning）

提供少量示例是最直接的引导方式，特别适合格式固定的输出需求。

• 最佳实践：提供3-5个高质量的输入输出示例
• 格式规范：保持示例格式一致，明确区分输入和输出
• 停止序列：合理设置stop_sequence防止示例被继续扩展

examples = """
输入：把这句话转换成专业商务邮件："明天别忘了开会"
输出："温馨提示：敬请留意明日会议安排，请准时参加。"

输入：把这句话转换成专业商务邮件："报告周五前得交"
输出："工作提示：请您于本周五之前提交相关报告，谢谢配合。"
"""

response = openai.Completion.create(
    model="text-davinci-003",
    prompt=examples + "\n输入：把这句话转换成专业商务邮件：\"项目延期了\"\n输出：",
    temperature=0.5,
    stop="\n"
)

效果对比

| 技巧 | 优化前输出 | 优化后输出 | |------|------------|------------| | 无提示 | "代码优化可以用缓存" | "作为Python工程师，我建议：1. 使用lru_cache装饰器 2. 向量化操作..." | | 无分步 | "小刚最矮" | "1. 小明>小红 2. 小红>小刚 3. 所以小刚最矮" | | 无示例 | "请按时提交" | "敬请您于截止日期前提交完整报告，以便后续流程顺利进行" |

常见错误

1. 提示词过长（超过300token会影响模型注意力）
2. 指令冲突（如同时要求简洁和详细）
3. 角色设定模糊（"你是个专家"不如"你是10年经验的数据科学家"）
4. 示例质量差（不一致、有错误的示例会误导模型）

进阶组合策略

尝试把这些技巧组合使用会有意外收获： - 先设定角色，再提供示例 - 在思维链中嵌入专业角色视角 - 用多个few-shot示例展示不同思考角度

最后留个思考题：当temperature参数从0调到1时，这三种技巧的效果会如何变化？建议大家动手试试不同参数的组合效果！