在大模型应用开发中，写好提示词（Prompt）是让 LLM 准确回答问题的核心，本质是通过清晰的指令 “引导模型理解需求、限定输出范围、规避错误”。以下是通俗且可落地的技巧，附具体例子：

1. 明确任务：告诉模型 “你要做什么”

LLM 需要清晰的任务定义，避免模糊表述。

• 错误示例：“谈谈人工智能”（太宽泛，模型可能东拉西扯）。
• 正确示例：“用 300 字解释人工智能的核心技术（列举 3 个），并说明其在医疗领域的 1 个具体应用”（限定主题、结构、字数）。

2. 给足上下文：提供 “背景信息”

模型的回答依赖输入的信息，缺失关键背景会导致偏差。

• 场景：让模型分析用户投诉 “订单迟迟不到”。
• 差的提示：“用户说订单没到，怎么回复？”（模型不知道订单状态、用户历史等）。
• 好的提示：“用户 ID：123，订单号：456，下单时间：2023-10-01，物流显示‘3 天前已到达当地网点但未派送’。请以客服身份回复用户，解释原因并给出解决方案，语气诚恳。”

3. 限定输出格式：让结果 “结构化”

指定输出格式（如列表、表格、JSON），避免模型自由发挥导致结果混乱，尤其适合开发中需要解析结果的场景。

• 需求：让模型从产品描述中提取关键信息。
• 提示词：“从以下产品描述中提取：产品名称、价格、材质。输出格式为 JSON，键分别为 name、price、material。描述：‘这款户外背包名为 “探险者”，售价 299 元，采用防水尼龙面料，容量 30L。’”
• 模型会输出：{"name": "探险者", "price": "299元", "material": "防水尼龙面料"}（直接可用代码解析）。

4. 设定角色：让模型 “代入场景”

给模型设定具体身份（如医生、程序员、老师），会让回答更贴合场景专业度。

• 需求：解释 “高血压”，给老年人看。
• 提示词：“假设你是社区医生，用口语化的话给 60 岁以上老人解释：什么是高血压？平时要注意啥？别用专业术语，举 2 个生活中的例子（比如饮食、运动）。”

5. 补充示例：用 “few-shot” 教模型 “怎么答”

如果任务复杂（如分类、翻译风格），给 1-2 个示例，模型会快速对齐你的需求。

• 需求：将用户评论分为 “物流问题”“质量问题”“价格问题” 三类。
• 提示词：“请给用户评论分类，类别只能是‘物流问题’‘质量问题’‘价格问题’。示例 1：‘东西很好，但快递送了 10 天才到’→ 物流问题。示例 2：‘衣服洗一次就破了’→ 质量问题。现在分类：‘这个价格比别家贵太多了’→？”

6. 规避错误：提前 “堵住漏洞”

如果知道模型可能犯的错（如虚构信息、答非所问），直接在提示词中限制。

• 需求：让模型回答 “Python 有哪些内置函数”，避免列举不存在的函数。
• 提示词：“列出 Python 中 5 个常用内置函数，只写真实存在的，每个函数用一句话说明用途，不要编造。”

核心逻辑总结

写提示词就像 “给别人布置任务”：

1. 说清楚 “做什么”（任务）；
2. 给足 “参考信息”（上下文）；
3. 规定 “做成什么样”（格式 / 角色）；
4. 提醒 “别做错什么”（避坑）。

通过这几点，能让 LLM 的回答准确率大幅提升，尤其适合开发中需要稳定输出结果的场景（如客服机器人、数据提取工具等）。