我从Java后端转大模型应用开发，踩坑最多的不是LangChain、不是RAG，而是提示词。

同一个需求——"帮我写产品推广文案"，3种写法的输出质量差10倍。不是模型不行，是提示词写得烂。

这篇文章用真实踩坑案例+可复制代码，讲透提示工程的4个核心技巧。读完直接能用在你的项目里。

---

目录

• 同一个需求，3种提示词效果差10倍
• 踩坑1：开放式提问，AI输出一堆废话
• 踩坑2：指令含糊，AI理解偏了方向
• 技巧1：角色设定法——给AI装个"职业滤镜"
• 技巧2：约束限定法——堵死AI的废话路径
• 技巧3：思维链提示（CoT）——让AI一步步想
• 技巧4：结构化模板——1分钟写出高质量提示词
• Java开发者写提示词的思维转换
• 4个技巧总结表

---

需求很简单：给一款智能手表写推广短文案。

写法1：随便问问（效果1分）

帮我写个智能手表的推广文案

AI输出：

智能手表是现代生活中不可或缺的科技伴侣。它不仅可以追踪您的健康数据，还能让您随时保持联系。无论是运动监测、心率追踪还是消息提醒，智能手表都能为您提供全方位的便捷体验。快来选购属于您的智能手表吧！

问题： 模板化废话、没有产品亮点、没有目标人群、看完毫无购买欲望。

写法2：加了点要求（效果4分）

帮我写一条智能手表推广文案，产品叫"星环Watch Pro"，主打运动健康监测，面向25-35岁上班族，控制在200字以内

AI输出：

星环Watch Pro——你的职场运动搭子。精准心率+睡眠监测，让你在996的间隙也能守护健康。7天续航不充电，午休跑步不摘表。25-35岁的你，值得一块懂你的智能手表。

好了一点——有产品名、有人群、有字数限制。但还是不够精准，风格偏泛化。

写法3：角色+约束+示例（效果10分）

角色：请你扮演资深电商文案策划，5年3C数码推广经验，擅长用短句+数字冲击力打动消费者

任务：为"星环Watch Pro"智能手表写一条朋友圈推广文案

背景：产品主打运动健康监测，目标用户是25-35岁上班族，常加班少运动，关注健康但没时间锻炼

约束：
1. 100字以内
2. 至少包含1个数据点（心率/续航/步数）
3. 用短句，每句不超过15字
4. 禁止使用"不可或缺""全方位""智能伴侣"等模板化词汇
5. 结尾用行动号召句式（如"点击了解→"）

示例参考：
"78%上班族心率异常。星环Watch Pro，实时监测+7天续航。你的健康，别再拖延。点击了解→"

AI输出：

久坐8小时，心率悄悄超标。星环Watch Pro实时预警，7天续航不间断监测。你的健康数据，一抬手就看。别等体检报告提醒——点击了解→

对比：

维度	写法1	写法2	写法3
产品信息	无	有名称	有名称+数据
目标人群	无	有	有+痛点切入
文案风格	模板废话	还行	短句冲击力
行动号召	无	无	有
说服力	1分	4分	10分

差距不是模型能力，是提示词设计。 同一个AI，写法3的输出质量是写法1的10倍。

---

翻车现场：

写一篇关于Python的文章

AI给你2000字的泛泛之谈——从历史讲到语法再讲到应用，看完啥也没学到。

本质原因： 大模型是概率预测引擎，不是思考引擎。你给的信息越少，AI脑补的空间越大，输出就越泛化。

类比理解（Java开发者秒懂）： 就像写接口没有入参校验——String name不限定长度和格式，用户传什么你都接受，结果数据库里一堆乱数据。提示词就是AI的"入参校验"，限定越清晰，输出越可控。

修复方式： 把开放式提问改成封闭式：

# 用LangChain做结构化提示词
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template(
    """角色：Python技术博主，3年写作经验
任务：写一篇Python列表推导式的入门教程
约束：
1. 800字以内
2. 包含3个代码示例，从简单到复杂
3. 每个示例配有1句话解释
4. 禁止讲历史、禁止泛泛介绍Python"""
)

chain = prompt | model | StrOutputParser()
result = chain.invoke({})

---

翻车现场：

帮我优化这段代码

AI以为你要"提升性能"，给你重构了算法逻辑。但其实你要的是"提升可读性"——加注释、改命名。

本质原因： "优化"这个词在人类语境里是模糊的——性能优化？可读性优化？安全优化？AI会按概率最高的理解走，而概率最高的理解未必是你的需求。

修复方式： 用具体动词+明确目标替代模糊词：

模糊词	替换为
"优化"	"提升可读性：加注释+改命名" 或 "提升性能：减少循环次数"
"写好"	"写一篇1000字、逻辑严谨、适合初学者的教程"
"简单说"	"用3句话概括，每句不超过20字"
"分析"	"从3个维度分析：性能、安全、可读性，每个维度列1个指标"

---

给AI赋予专业身份，等于给它装了个"职业滤镜"——只从该角色的视角思考和表达。

公式： 角色 + 能力/经验 + 风格/擅长领域 + 任务

实战代码（LangChain版）：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 角色设定模板
prompt = ChatPromptTemplate.from_template(
    """你是一位{role}，拥有{experience}年{domain}经验，
擅长{style}的表达风格。

请完成以下任务：{task}

输出要求：
1. {constraint_1}
2. {constraint_2}"""
)

# 不同角色，不同风格
configs = [
    {"role": "资深Java架构师", "experience": "8", "domain": "分布式系统",
     "style": "严谨+代码驱动", "task": "分析微服务拆分方案",
     "constraint_1": "给出3种方案对比", "constraint_2": "每种方案配代码片段"},

    {"role": "技术自媒体博主", "experience": "3", "domain": "AI应用开发",
     "style": "通俗易懂+踩坑视角", "task": "写LangChain入门教程",
     "constraint_1": "800字以内", "constraint_2": "至少2个踩坑案例"},
]

for config in configs:
    chain = prompt | model | StrOutputParser()
    result = chain.invoke(config)
    print(result)

关键： 角色设定不只是开头加一句"你是XX"，而是让角色贯穿整段提示词——能力限定思考深度，风格限定表达方式，任务限定输出范围。

---

约束就像代码里的if-else边界检查——明确告诉AI"可以做什么"和"不能做什么"。

5种常用约束：

约束类型	示例	效果
字数约束	"200字以内"	杜绝啰嗦
结构约束	"分3点回答"	杜绝流水账
格式约束	"输出JSON格式"	杜绝自由文本
禁忌约束	"禁止用'不可或缺'"	杜绝模板化表达
必含约束	"必须包含1个数据点"	杜绝空洞论述

实战代码（结构化输出约束）：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field

# 用Pydantic定义输出结构（Java开发者类比：定义DTO类）
class ProductReview(BaseModel):
    product_name: str = Field(description="产品名称")
    score: int = Field(description="评分1-10")
    pros: list[str] = Field(description="优点列表，最多3条")
    cons: list[str] = Field(description="缺点列表，最多3条")
    summary: str = Field(description="一句话总结，不超过30字")

parser = PydanticOutputParser(pydantic_object=ProductReview)

prompt = ChatPromptTemplate.from_template(
    """请对以下产品做评价：{product}

{format_instructions}

约束：
1. 评分必须是1-10整数
2. 优点缺点各不超过3条
3. 总结不超过30字"""
).partial(format_instructions=parser.get_format_instructions())

chain = prompt | model | parser
result = chain.invoke({"product": "星环Watch Pro智能手表"})
print(result)
# 输出：ProductReview(product_name='星环Watch Pro', score=8,
#        pros=['7天续航', '实时心率', '轻量设计'],
#        cons=['App功能偏少', '无NFC支付'],
#        summary='续航强+监测准，功能待完善')

类比理解： Pydantic约束 ≈ Java的DTO + @NotNull + @Size(max=30)。用代码结构约束AI输出，比文字约束靠谱得多。

---

复杂推理任务直接让AI给结论，错误率极高。加上"分步思考"，准确率大幅提升。

翻车对比：

# 没有CoT——AI直接给错误答案
问：一个餐厅有23桌客人，每桌平均消费185元，总营收是多少？
答：4255元  ← 错了（23×185=4255是对的，但AI可能算错）

# 加CoT——AI一步步算，准确率提升
问：请分步计算：一个餐厅有23桌客人，每桌平均消费185元，总营收是多少？
    第一步：列出计算公式
    第二步：代入数字计算
    第三步：给出最终答案
答：第一步：总营收 = 桌数 × 平均消费 = 23 × 185
    第二步：23 × 185 = 4255
    第三步：总营收为4255元  ← 正确！

实战代码（LangChain CoT版）：

from langchain_core.prompts import ChatPromptTemplate

cot_prompt = ChatPromptTemplate.from_template(
    """请分步回答以下问题：

问题：{question}

思考步骤：
1. 先分析问题涉及的关键信息
2. 列出解题思路/推理逻辑
3. 逐步推导，不要跳步
4. 最后给出结论

请严格按照以上步骤输出。"""
)

chain = cot_prompt | model | StrOutputParser()

# 代码调试场景——CoT让AI排查bug更靠谱
result = chain.invoke({
    "question": "这段Python代码输出None而不是预期列表，为什么？\n"
    "def get_items(data):\n"
    "    result = []\n"
    "    for item in data:\n"
    "        if item > 0:\n"
    "            result.append(item)\n"
    "    # 忘记return result"
})
print(result)

Java开发者类比： CoT ≈ Debug时的断点调试。不加CoT = print(result) 直接看最终值；加了CoT = 一步步print()追踪中间变量，更容易定位问题。

---

把以上3个技巧整合成一个可复用模板，1分钟填完就能用：

角色：请你扮演【专业角色】，具备【核心能力/经验】，擅长【表达风格】

背景：本次任务的场景是【具体场景】，目标受众是【人群描述】，核心目的是【想要什么结果】

任务：请完成【具体任务描述】

约束：
1. 字数/格式：【如：200字以内/分3点/JSON格式】
2. 风格/语言：【如：口语化/专业严谨/代码驱动】
3. 禁忌：【如：禁止模板化表达/禁止编造数据】
4. 必含：【如：必须包含1个数据点/必须给出代码示例】

思考步骤（可选）：
1. 先分析【XX】
2. 再推导【XX】
3. 最后结论【XX】

输出格式：【如：先给结论，再给3条理由/表格对比/代码+注释】

实战：1分钟生成技术文章提示词

角色：资深技术博主，3年AI应用开发写作经验，擅长通俗易懂+踩坑视角

背景：面向Java后端开发者转大模型方向，核心目的是让读者看完就能用CoT技巧优化自己的提示词

任务：写一篇思维链提示（CoT）的实战教程

约束：
1. 800字以内
2. 包含2个对比案例（有CoT vs 无CoT）
3. 禁止讲学术理论
4. 必含1段可直接复制的LangChain代码

输出格式：先给翻车案例→再给修复案例→最后给代码模板

---

从Java转大模型，最容易犯的思维误区：

Java思维	提示词思维	区别
写函数先定义入参类型	写提示词先定义角色和约束	入参是数据，提示词是"语境"
代码逻辑靠if-else控制	AI输出靠"约束+禁忌"控制	if-else是硬规则，提示词是"软引导"
出bug看日志定位	AI答偏了看提示词定位	日志是代码问题，答偏是提示词问题
接口返回定义DTO	AI输出定义Pydantic/JSON	DTO约束Java对象，Pydantic约束AI文本
单元测试验证逻辑	对比测试验证提示词	测试代码是确定性的，测试提示词是概率性的

核心转换： Java开发者习惯"确定性思维"——代码写了什么就执行什么。但AI是概率模型，提示词不是"命令"，是"引导"。同样的提示词跑两次，结果可能不同。

所以提示词设计要像写防御性代码一样： 多加约束、多设边界、多给示例，把AI"脑补"的空间压缩到最小。

---

技巧	解决什么问题	一句话用法	对应代码工具
角色设定	AI输出不够专业	"扮演XX角色，完成XX任务"	ChatPromptTemplate.from_template()
约束限定	AI废话太多/格式不对	"字数XX/禁止XX/必须XX"	PydanticOutputParser
思维链CoT	AI推理出错	"请分步思考"	CoT模板 + StrOutputParser
结构化模板	提示词写得慢/质量不稳	填模板1分钟出高质量提示词	模板变量 + prompt.partial()

提示工程的核心不是"写得长"，是"写得准"。 就像Java代码——最优雅的代码不是最长的，是最精准的。

有问题评论区交流，你写提示词踩过什么坑？