1. 项目概述：为什么我们需要一份中文提示工程指南

如果你最近尝试过使用大语言模型，无论是 ChatGPT、Claude 还是国内的文心一言、通义千问，大概率都经历过这样的时刻：你满怀期待地输入一个问题，得到的回答却要么是“正确的废话”，要么干脆跑题十万八千里。你可能会想，这模型是不是“不太聪明”？但事实往往是，问题出在我们自己身上——我们不知道如何与它“有效沟通”。

这就是“提示工程”的价值所在。它不是什么高深的魔法，而是一套关于如何向大语言模型提问、下达指令，以获取更精准、更高质量答案的方法论和技巧集合。你可以把它理解为与AI高效协作的“用户手册”或“沟通艺术”。 yunwei37/Awesome-Prompt-Engineering-ZH-CN 这个项目，正是为了解决中文使用者在学习和应用提示工程时面临的痛点而诞生的。

当前，互联网上关于提示工程的优质内容，绝大多数是英文的。虽然其中不乏像 awesome-prompt-engineering 这样的经典仓库，但对于中文母语者，尤其是刚入门的朋友来说，直接阅读英文资料存在不小的门槛。理解术语、消化案例、再应用到中文语境下，这个过程中的信息折损和效率损失是巨大的。这个项目所做的，就是系统性地收集、整理、翻译并重构这些全球范围内的最佳实践，形成一个专为中文社区服务的、持续更新的知识库。

它不仅仅是一个简单的翻译列表。项目维护者 yunwei37 显然深谙中文互联网的阅读习惯和技术需求，在组织内容时，注重结构化、场景化和实用性。无论你是想快速上手几个“咒语”来解决手头工作，还是希望系统性地构建自己的提示工程知识体系，抑或是开发者想要设计更智能的AI应用，这份指南都能提供一个清晰的路径图和丰富的工具箱。

2. 核心内容架构与学习路径解析

打开这个项目的仓库，你会发现它的结构非常清晰，绝非资料的简单堆砌。这种结构本身，就体现了一种高效的学习路径设计。理解这个架构，能帮助你更快地找到所需，并规划自己的学习旅程。

2.1 知识体系的四层结构

项目内容大致可以划分为四个层次，由浅入深，从理论到实践：

第一层：基础概念与原则 这是所有学习的起点。项目会清晰地解释什么是提示、什么是提示工程，以及最核心的基础原则。例如，一个至关重要的原则是“明确性优于模糊性”。与其问“怎么写一篇好文章？”，不如问“请以‘人工智能的机遇与挑战’为题，撰写一篇800字左右的议论文，要求观点鲜明、结构清晰，并包含至少三个具体案例。” 后者为模型提供了明确的角色（议论文作者）、格式（800字）、内容要素（观点、结构、案例）等约束，结果自然更可控。这部分内容会帮你建立正确的“提问观”。

第二层：核心技巧与模式 这是提示工程的“兵器库”。项目会系统性地介绍诸如：

• 零样本提示 ：不提供例子，直接让模型完成任务。考验的是模型的通用能力和你指令的清晰度。
• 少样本提示 ：提供1-3个例子作为示范，让模型“照葫芦画瓢”。这对于格式固定或风格特定的任务（如写邮件、生成特定格式的JSON）极其有效。
• 思维链 ：要求模型“一步一步思考”或展示其推理过程。这不仅能提高复杂问题（如数学题、逻辑推理）的答案准确性，还能让你“看到”模型的思考路径，便于调试。
• 角色扮演 ：为模型设定一个具体的角色，如“你是一位经验丰富的Python开发工程师”、“你是一位挑剔的美食评论家”。这能极大地激发模型在该领域的专业知识和表达风格。
• 分隔符与结构化输出 ：使用 ### 、 “”” 等符号清晰分隔指令、上下文和输出要求，甚至直接要求模型以JSON、XML或Markdown表格格式输出，便于后续程序自动化处理。

第三层：高级策略与实战场景 掌握了基础技巧后，便可以组合使用，应对更复杂的场景。项目会深入探讨：

• 自动提示工程 ：如何设计元提示，让模型自己优化或生成更好的提示？例如，你可以让模型扮演“提示优化专家”，来帮你改进一个效果不佳的提示。
• 处理超长上下文 ：当需要处理的文本超过模型单次处理的限制时，如何通过“总结-递归”或“地图归约”等策略来分而治之。
• 特定领域应用 ：将技巧具体应用到编程、写作、数据分析、教育培训、市场营销等垂直领域，提供该领域内经过验证的、高效的提示模板和案例。

第四层：工具、框架与前沿动态 对于开发者和深度使用者，项目会追踪和介绍相关的工具链，如 LangChain、LlamaIndex 等用于构建复杂AI应用的开源框架，以及 OpenAI Playground、PromptPerfect 等在线提示调试工具。同时，它也会持续更新业界最新的研究论文、博客文章和实践总结，确保内容的时效性和前沿性。

2.2 如何高效使用这份指南

面对如此丰富的资料，新手容易陷入“收藏了就是学会了”的误区。我建议采取以下步骤：

1. 通读目录，建立地图 ：先花10分钟浏览所有主要章节的标题，了解整个知识体系的轮廓，知道自己目前在哪，目标在哪。
2. 按需学习，即刻实践 ：不要试图一次性读完。根据你当前最迫切的需求（比如“如何让AI帮我写周报”、“如何调试代码错误”）直接找到相关章节，学习其中的技巧，并立即在你常用的AI工具中复现和修改案例。
3. 建立自己的提示库 ：在学习过程中，将那些对你特别有效、可以复用的提示词（例如：周报生成模板、代码审查指令、创意头脑风暴提示）整理到你的笔记软件（如 Notion、飞书文档）中，形成个人武器库。
4. 参与贡献，加深理解 ：如果发现指南中有可以改进的地方，或者你有成功的案例，完全可以遵循项目的指引提交PR或Issue。这个过程本身就是对知识最深度的消化。

3. 关键技巧深度解析与避坑指南

了解了整体框架，我们来深入拆解几个最核心、也最容易用错的技巧。这些技巧的掌握程度，直接决定了你与AI协作的效率天花板。

3.1 少样本提示：案例的质量远胜于数量

少样本提示的精髓在于“示范”。很多人误以为例子越多越好，其实不然。关键在于例子的 质量和代表性 。

错误示范：

请将以下用户评论分类为“正面”或“负面”。
例子1： “这个产品太棒了！” -> 正面
例子2： “我不喜欢这个。” -> 负面
例子3： “还行吧。” -> 正面？负面？
待分类： “客服响应速度很快，但产品有瑕疵。”

问题在于例子3是模糊的，这会给模型带来混淆。

正确示范：

请将以下用户评论的情感分类为“正面”、“负面”或“中性”。分类应基于评论的整体情感倾向。
例子1（正面）： “这个产品太棒了，完全超出了我的预期！” -> 正面
例子2（负面）： “质量很差，用了一次就坏了，非常失望。” -> 负面
例子3（中性）： “产品符合描述，物流速度一般，没什么惊喜。” -> 中性
待分类： “客服响应速度很快，耐心解决了我的问题，但产品本身有个小瑕疵需要改进。”

在这个改进版中，我们：

1. 明确了分类类别（增加“中性”）。
2. 在例子中强化了情感关键词（“超出了预期”、“非常失望”、“没什么惊喜”）。
3. 提供了更接近真实场景的复杂例子（同时包含正面和负面要素），并期望模型能做出“整体为正面，但指出问题”的判断（输出可能是“正面”或“正面（附带批评）”）。

实操心得 ：编写少样本示例时，你自己先要明确任务的“评判标准”。好的示例应该能清晰地向模型展示这个标准是什么。如果任务复杂，不妨先让AI帮你生成几个高质量的示例，你再进行微调和确认。

3.2 思维链：不仅仅是“请一步步思考”

思维链提示能显著提升模型在推理、数学和复杂规划任务上的表现。但简单的“请一步步思考”有时并不够。

基础用法：

问题：小明有5个苹果，他吃了2个，又买了3袋苹果，每袋有4个。他现在一共有多少个苹果？
请一步步思考。

这通常有效，但对于更复杂的问题，可能需要更细致的引导。

进阶用法：分解子问题与指定格式

问题：一个会议室长8米，宽6米，需要铺设边长为0.5米的正方形瓷砖。不考虑损耗，需要多少块瓷砖？如果每箱瓷砖有20块，需要购买多少箱？
请按以下步骤思考并给出答案：
1. 计算会议室的面积。
2. 计算每块瓷砖的面积。
3. 计算所需瓷砖的总块数（会议室面积 ÷ 每块瓷砖面积）。
4. 根据总块数和每箱块数，计算需要购买的箱数（向上取整）。
请确保每一步都有清晰的计算过程和中间结果。

通过将复杂问题分解为模型更容易处理的子问题序列，并明确要求展示中间结果，我们不仅提高了答案的准确性，还使得整个推理过程可验证、可调试。如果答案错误，你可以快速定位是哪一步的计算或逻辑出了问题。

常见陷阱 ：

• 虚假的思维链 ：模型有时会生成看似合理、实则错误的推理步骤，最后“蒙”对一个正确答案，或者强行将错误推理导向一个看似合理的答案。 应对方法 ：对于关键任务，一定要人工检查其推理过程的每一步逻辑是否坚实，计算是否正确。
• 过度依赖 ：对于简单的事实性问题（如“法国的首都是哪里？”），使用思维链反而显得冗余，可能增加不必要的计算开销和出错概率。

3.3 系统提示词：设定对话的“底色”

系统提示词（在OpenAI API中对应 system 角色，在聊天界面中通常是最初的指令）用于设定模型的整体行为、角色和对话边界。这是塑造AI“人格”和能力的强大工具，但容易被忽视或滥用。

一个强大的系统提示词示例：

你是一位资深软件架构师，擅长Python和系统设计。你的回答应专业、清晰且具有实操性。你会先理解问题的核心，然后给出原理分析，最后提供代码示例或架构图建议。如果你不确定，你会坦诚说明，而不是编造信息。请避免讨论与信息技术无关的内容。

这个提示词做了以下几件事：

1. 设定角色与专业领域 ：明确了模型的专业身份和边界。
2. 定义回答风格与结构 ：要求回答是专业、清晰、有结构的（分析->原理->示例）。
3. 规定伦理与安全边界 ：要求诚实，不编造，并限定了话题范围。

设计系统提示词的要点：

• 前置性 ：它应该在对话开始时设定，并持续影响整个会话。
• 具体性 ：“有帮助的助手”是模糊的，“精通React的前端调试专家”是具体的。
• 正向引导 ：多用“请做…”，而非“不要做…”。虽然有时需要禁令，但正向描述通常更可靠。
• 长度适中 ：过于冗长可能会让模型忽略部分指令，过于简短可能无法充分设定约束。

注意事项 ：不同的模型和平台对系统提示词的处理方式不同。有些模型（如早期版本的ChatGPT）可能不会严格遵循系统指令。在实际应用中，可能需要将最重要的规则在用户的首条消息中再次强调。此外，过于复杂的系统提示可能会与后续的用户指令产生冲突，需要在实际使用中测试和权衡。

4. 从学习到创造：构建你自己的提示工作流

学习各种技巧的最终目的，是为了将其内化，并组合运用，形成一套适合自己的、高效稳定的AI协作工作流。这里分享一个我经过多次迭代后形成的个人工作流，它适用于大多数需要深度思考和创作的任务。

4.1 四阶段提示工作流

我将与AI的协作分为四个阶段： 定义 -> 发散 -> 收敛 -> 定型 。

第一阶段：定义（使用系统提示词+清晰的任务描述）

• 目标 ：与AI对齐任务目标、输出格式、角色背景。
• 操作 ：在对话开始时，发送一个组合提示。例如：

  [系统角色设定]：你是我的创业想法分析伙伴，擅长从多角度评估商业概念的可行性与风险。
  [任务描述]：我将提供一个初步的创业想法，请你：
  1. 用一段话概括这个想法的核心价值。
  2. 从市场潜力、技术实现、商业模式、竞争壁垒四个维度进行分析，每点列出2-3条关键内容。
  3. 最后给出一个综合风险评级（高/中/低）及最主要的两条风险。
  请以Markdown表格形式呈现2和3的分析结果。
  

• 要点 ：此阶段不求创意，只求对齐。确保AI完全明白你要什么、以什么形式给。

第二阶段：发散（使用角色扮演+思维链进行头脑风暴）

• 目标 ：激发尽可能多的可能性、角度和创意。
• 操作 ：基于第一阶段，让AI扮演不同的角色来审视问题。例如：

  好的，现在请分别扮演一位风险投资家、一位目标用户（25岁白领）、一位潜在竞争对手的产品经理，从他们各自的视角，对上面这个“智能健身镜”创业想法发表看法。请为每个角色生成一段独立的、带有其典型口吻和关注点的评述。
  

• 要点 ：此阶段鼓励“胡思乱想”，不评判质量，只追求数量和新视角。可以多次更换角色提示。

第三阶段：收敛（使用少样本提示进行筛选与结构化）

• 目标 ：从发散的结果中，筛选出有价值的信息，并组织成结构化的内容。
• 操作 ：将第二阶段的输出作为材料，给AI一个新的、更聚焦的指令。例如：

  现在，请综合以上所有角色的意见，提炼出关于这个“智能健身镜”想法的三个最大机遇和三个最严峻的挑战。请为每个机遇和挑战配备一句简要的解释和一个可能对应的应对策略。
  请按照以下格式输出：
  **机遇**：
  1. [机遇描述] - [解释] - [应对策略]
  ...
  **挑战**：
  1. [挑战描述] - [解释] - [应对策略]
  ...
  

• 要点 ：此阶段需要你提供明确的筛选标准和输出格式，引导AI进行逻辑归纳和整理。

第四阶段：定型（迭代优化与润色）

• 目标 ：对结构化的内容进行精炼、润色，形成最终可交付的成果。
• 操作 ：针对第三阶段的输出，提出具体的修改意见。例如：

  将“应对策略”部分的语言修改得更具行动导向，每一条策略都以动词开头。同时，将整个内容的语气调整得更加积极、富有说服力，适合放入商业计划书的“机遇与挑战分析”章节。
  

• 要点 ：此阶段是打磨阶段。指令要非常具体，可以多次迭代，每次只聚焦一个修改点（如语言、语气、长度、格式）。

这个工作流的核心思想是 将复杂的创造性任务分解为AI更擅长处理的子任务 （角色扮演、多角度分析、结构化整理、文本润色），并通过清晰的提示词串起整个流程。你始终是流程的导演和编辑，AI则是强大的执行演员和撰稿人。

4.2 工具加持：提升提示管理效率

随着使用的提示词越来越多，管理它们成为一个挑战。除了用文档记录，还可以借助一些工具：

• 浏览器插件 ：如 AI Prompt Genius 、 ShareGPT ，可以保存和分类你常用的提示模板。
• 笔记软件的模板功能 ：在 Notion、Obsidian 中建立提示词库模板，方便随时调用。
• 专用提示词管理平台 ：一些在线的提示词市场和管理工具，但需注意数据隐私。
• 代码化提示 ：对于开发者，可以将复杂的提示逻辑（如包含变量替换、条件判断）编写成函数或配置文件，集成到你的应用中。

5. 常见问题与实战排错实录

在实际使用提示工程时，你一定会遇到各种“翻车”现场。下面是我总结的一些典型问题及其排查思路，相当于一份“急救手册”。

5.1 问题一：模型完全无视或误解我的指令

• 症状 ：你要求用表格输出，它却用段落；你让它扮演专家，它回答得像个新手。
• 排查与解决 ：
  1. 检查指令清晰度 ：你的指令是否有多义性？比如“分析一下”就很模糊，应改为“从成本、效率、用户体验三个维度对比分析”。
  2. 强化格式要求 ：在指令中明确写出“请以Markdown表格形式输出，包含‘维度’、‘优势’、‘劣势’三列”。甚至可以提供一个极其简单的表格样例。
  3. 调整指令位置 ：对于非常重要的格式或角色要求，尝试将其放在提示词的最开始或最后，并用分隔符（如 --- ）强调。有时模型对提示词末尾的内容印象更深。
  4. 使用更强大的模型 ：如果经过多次调试仍无效，可能是当前模型的能力边界问题。尝试切换到更新或能力更强的模型版本（如从 GPT-3.5 切换到 GPT-4）。

5.2 问题二：模型“捏造”事实或信息

• 症状 ：AI言之凿凿地引用了一个不存在的论文，或者编造了某个产品的错误参数。
• 排查与解决 ：
  1. 明确知识边界 ：在系统提示词或任务开始时声明：“如果你对某个信息不确定，请明确说明‘我不确定’或‘根据公开信息推测’，不要编造细节。”
  2. 提供参考信息 ：对于关键事实，尽可能在提示词中提供准确的来源或上下文。例如：“根据以下提供的2023年财报数据（数据：…），请分析…”
  3. 要求标注不确定性 ：指令模型在可能存疑的陈述后加上标注，如“（此信息需要进一步核实）”。
  4. 理解本质 ：大语言模型本质上是“模式生成器”，而非“事实数据库”。它的目标是生成最符合语言模式和上下文“看起来合理”的文本，而非保证真实性。因此，对于关键事实，必须进行二次核实。

5.3 问题三：输出内容冗长、啰嗦或偏离主题

• 症状 ：回答又臭又长，包含大量无关的背景介绍，或者在某个次要点上过度展开。
• 排查与解决 ：
  1. 设定输出长度 ：明确要求“请用不超过200字总结”、“分三点简要说明”。
  2. 指定结构，聚焦主线 ：使用“首先…其次…最后…”或“核心观点是…，理由是…，举例来说…”这样的结构指令，约束模型的表达路径。
  3. 使用“停止序列” ：在API调用中，可以设置 stop 参数，例如 stop=["\n\n", "综上所述"] ，当模型生成这些序列时自动停止，防止其无限延伸。
  4. 迭代式精简 ：如果第一次输出冗长，不要气馁。将它的输出作为新提示的输入：“将上面这段文字压缩到原来长度的三分之一，只保留核心结论和最关键的数据。”

5.4 问题四：处理复杂、多步骤任务时效果不佳

• 症状 ：让AI写一个包含多个模块的小程序，它要么遗漏步骤，要么逻辑混乱。
• 排查与解决 ：
  1. 任务分解 ：不要试图用一个提示解决所有问题。将大任务拆解为顺序执行的子任务，分多次交互完成。例如，先让AI设计程序架构和模块接口，再针对每个模块分别生成代码。
  2. 使用思维链并要求分步输出 ：如前所述，明确要求“请按步骤进行”，并让它在每一步后暂停，等待你的确认或提供更多输入。
  3. 引入外部记忆或状态管理 ：对于非常长的对话，模型可能会“忘记”之前的约定。可以定期在提示中复述关键目标和当前进度，或者使用具备长上下文记忆能力的模型或框架（如利用LangChain的Memory模块）。

5.5 问题五：提示词在A模型有效，在B模型无效

• 症状 ：为ChatGPT-4调校的完美提示，换到Claude或国内某个大模型上，效果大打折扣。
• 排查与解决 ：
  1. 理解模型差异 ：不同模型的训练数据、指令微调方式、对提示风格的偏好都存在差异。Claude可能更擅长长文本分析和安全合规，而GPT-4可能在代码和创意写作上更强。
  2. 抽象通用原则，调整具体表述 ：保留提示词的核心结构（角色->任务->输出格式），但调整具体的措辞。例如，GPT系列对“请扮演…”反应良好，而其他模型可能更适应“假设你是…”。
  3. 进行提示词移植测试 ：将提示词在新模型上用小规模任务测试，观察其失效点，然后进行针对性微调。这通常是一个必要的“本地化”过程。
  4. 查阅模型官方文档 ：关注目标模型的技术报告或最佳实践指南，了解其特定的提示设计建议。

掌握这些排查技巧，你就能从被动的“提示词尝试者”转变为主动的“提示词调试工程师”，能够系统地分析和解决与AI协作中遇到的大多数问题。记住，调试提示词和调试代码一样，需要逻辑、耐心和一套科学的方法。