从“训练模型的人”到“与模型对话的架构师”，你需要这门新语言。

前言：学习阶段的根本转变

如果你和我一样，刚完成了 BERT 分类、微调、评估，熟悉了 Transformer、注意力机制，那么恭喜——你已经掌握了传统 NLP 的基石。但现在，我们要正式进入 大模型应用开发的核心实战：提示词工程。

这次转变，不仅仅是技术栈的变化，更是思维方式的跃迁：

之前（模型训练阶段）	现在（提示词工程阶段）
重心在修改代码、调整参数	重心在设计输入输出、优化指令
评估指标：损失、准确率、F1	评估指标：任务完成度、稳定性、成本
需要 GPU、大量数据、长时间训练	只需 API 或本地推理，即时反馈
调试：print、断点、梯度监控	调试：修改提示词、A/B 测试

提示词工程绝不是“随便写两句话”那么简单。它在真实应用中扮演着 四个关键角色。

---

一、角色1：需求翻译器 —— 将模糊意图转化为精确指令

用户输入往往是模糊、不完整的。比如用户说：“帮我总结一下这篇文章。”——没说明长度、侧重点、格式。

提示词工程需要：

• 拆解用户需求为模型可执行的子任务

• 补充隐含约束（长度、风格、输出结构）

• 处理边界情况（信息不足时拒绝回答）

示例：

python

# 原始用户输入
user_query = "总结一下这篇文档"

# 经过提示词包装后的模型输入
prompt = f"""
你是一个专业的文档分析师。请对以下文档进行总结，要求：
1. 控制在200字以内
2. 分三个要点：核心观点、支持论据、结论
3. 如果文档内容不足，请直接回答"信息不足，无法总结"

文档内容：{document}
"""

没有这层翻译，模型可能输出过长、过短、格式混乱或捏造的内容。

---

二、角色2：行为约束器 —— 控制模型的输出空间

大模型本质是概率生成器，不加约束时输出空间无限。提示词工程通过：

• 格式约束：指定 JSON、Markdown、纯文本 → 输出可解析

• 内容边界：禁止某些词、限定主题范围

• 风格控制：设定语气、人称

这使得模型从“天马行空的创作者”变成 “可编程的执行者”。例如 Agent 需要调用天气 API，必须先让模型输出 {"city": "北京", "date": "2025-04-04"}。通过 Few-shot 示例和 JSON 格式约束，可以做到 100% 可解析，避免程序崩溃。

---

三、角色3：知识激活器 —— 在 RAG 中连接检索与生成

在 RAG（检索增强生成）系统里，提示词工程承担 整合检索结果、指导生成、拒绝幻觉 三重任务：

python

rag_prompt = f"""
请基于以下【文档片段】回答问题。如果片段中没有相关信息，请直接说“根据现有资料无法回答”，不要编造。

【文档片段】
{retrieved_chunks}

【问题】
{user_question}

【要求】
1. 回答中需要引用片段中的具体句子（用引号标出）。
2. 如果多个片段信息矛盾，请指出矛盾点。
3. 输出格式：首先给出答案，然后列出依据。
"""

这个提示词：

• 明确了信息源，阻止模型使用内部知识编造

• 强制引用，增加可信度

• 处理矛盾信息，提升鲁棒性

没有精心设计的提示词，RAG 系统会变成“检索什么就胡说八道”的工具。

---

四、角色4：流程编排器 —— 在 Agent 中实现多步推理

Agent 需要完成 规划 → 调用 → 观察 → 再规划 的循环。提示词工程定义了工具接口、引导推理步骤、处理错误。

ReAct 模式提示词示例：

text

你是一个能使用工具的助手。你有以下工具：
- 搜索[query]：返回相关网页摘要
- 计算[表达式]：返回数学计算结果

请按照以下格式输出：
思考: <你的推理过程>
行动: <工具名>[参数]
观察: <工具返回的结果>
...（重复思考-行动-观察，直到得出最终答案）
最终答案: <回答>

问题：北京今天气温是15度，纽约是20度，两者温差多少度？

模型会依次输出：

text

思考: 我需要先获取两地气温，然后计算差值。
行动: 搜索[北京今天气温]
观察: 15度
行动: 搜索[纽约今天气温]
观察: 20度
思考: 现在有了两个温度，需要计算差值。
行动: 计算[20-15]
观察: 5
最终答案: 两地温差为5度。

通过提示词，我们教会了模型 何时调用工具、如何解析结果、如何组合信息。

---

五、为什么“简单输入”不够？

你可能觉得：“我每次手工写一句也能工作。”但在工程化应用中，你必须考虑：

• 稳定性：面对千变万化的用户输入，输出格式必须一致

• 可维护性：提示词需要像代码一样版本管理、测试、优化

• 成本控制：提示词长度直接影响 token 消耗，需要精炼

• 多模型适配：同一个应用可能需要切换 GPT、Claude、本地模型，提示词要可迁移

因此，提示词工程已经演变为一门 工程学科，有专门的角色“提示词工程师”，使用 LangChain 的 PromptTemplate、版本控制、自动化测试等工具。

---

六、总结：你的角色转变

维度	传统编程	提示词工程
输入	代码	自然语言指令
输出	确定性的结果	概率性的文本
调试方式	断点、日志	修改提示词、对比输出
核心能力	算法、数据结构	语言表达、逻辑拆解、实验设计

你现在正在从“代码编写者”转向 “模型行为设计师”。提示词工程就是这个新角色的核心工具。

下一步，不妨打开一个聊天界面（或 API），尝试设计一个包含角色、任务、格式、Few-shot 示例的提示词，完成一个小任务（如评论分类）。你会亲身体验到：好的提示词，就是最好的“模型微调”。

---

参考资料：

• OpenAI Prompt Engineering Guide

• Learn Prompting (learnprompting.org)

• LangChain Prompt Templates

本文为原创，转载请注明出处。如果你觉得有帮助，欢迎点赞、收藏、分享！