Prompt Engineering 的 100 个基本

垃圾进，垃圾出（Garbage In, Garbage Out）。

为什么重要： AI 不会变魔术，它只能基于你给的材料输出。如果你输入乱七八糟，它输出也乱。

大语言模型本质上是“猜下一个词”的概率机器。

为什么重要： 理解这一点，你就不会把AI当成万能神，它只是根据训练数据猜最可能的词。

用自然语言（中文、英文）来“编程”控制AI的行为。

为什么重要： Prompt 就是你的“代码”，写得清楚，AI执行得准。

AI 是你的超级助手，不是取代你。

为什么重要： 人类提供创意和判断，AI提供速度和计算。

AI 的“记忆”只限于当前对话窗口，超出就忘。

为什么重要： 长对话要提醒它之前说了什么。

训练过程把海量知识压缩进模型，Prompt 是“解压”指南。

为什么重要： 好的Prompt能精准激活模型里的知识。

AI 编造内容（幻觉）是它的创造力副产品。

为什么重要： 创意任务需要它，事实任务要防它。

让AI的行为和人类意图对齐。

为什么重要： 模型默认行为可能偏离你的需求。

没有万能Prompt，只有适合具体情境的。

为什么重要： 避免盲目抄别人Prompt，要根据任务调整。

没有一次完美的Prompt，只有不断试错改进。

为什么重要： Prompt工程是实验过程，多试几次总能更好。

不同模型（GPT、Claude、Llama）行为不同，不能一Prompt通吃。

为什么重要： 要针对模型特性定制Prompt。

Token 是AI处理的“单词单位”，影响成本和上下文长度。

为什么重要： Token太多会贵，还容易忘前面的内容。

你强调什么，模型就重点关注什么。

为什么重要： 用大写、重复、位置来引导注意力。

冗余信息会分散模型注意力，精炼优先。

为什么重要： 短而精的Prompt往往效果更好。

简洁、实词胜过华丽修辞。

为什么重要： AI是字面主义者，花里胡哨容易误解。

把所有假设都明确写出来，别让AI猜。

为什么重要： 减少误解。

多轮问答比一次性大段Prompt更好。

为什么重要： 可以实时修正。

把AI当黑盒，通过试错了解它的行为。

为什么重要： 我们不知道内部原理，只能靠实验。

不要试图绕过模型的安全限制。

为什么重要： 安全第一，避免有害内容。

AI是工具，Prompt是它的使用说明书。

为什么重要： 用对工具才能发挥最大价值。

要求越具体越好，别让AI自己脑补。

为什么重要： 模糊指令像说“做饭”，AI不知道做中餐还是西餐。

提供足够的背景信息。

为什么重要： 没有背景，回答就泛泛而谈。

给AI分配一个角色，比如“你是资深老师”。

为什么重要： 角色能激活模型对应的知识和语气。

明确告诉AI“不要做什么”。

为什么重要： 约束往往比正面指令更有效防偏。

给1-几个例子（Few-shot）让AI模仿。

为什么重要： 示例胜过千言万语，AI学得快。

明确指定输出格式，如JSON、表格、bullet points。

为什么重要： 避免乱七八糟的输出。

把复杂任务拆成步骤。

为什么重要： AI一次处理太多容易出错。

提前定义可能有歧义的词。

为什么重要： 避免AI理解偏了。

在长Prompt中引用关键指令。

为什么重要： 提醒AI别忘重点。

用###、"""或XML标签分隔不同部分。

为什么重要： 帮助AI区分指令、示例、内容。

要求“仅基于提供的文本回答”。

为什么重要： 防止幻觉编造。

让AI在输出前检查错误。

为什么重要： 提高准确性。

指定字数、段落数或“简短”。

为什么重要： 控制输出不啰嗦。

温度高=更创意，低=更确定。

为什么重要： 创意任务调高，严谨任务调低（如果平台允许调整）。

多给几个例子让AI模仿。

为什么重要： 像教孩子，先看范例再做题。

把Prompt分成System、User、Assistant角色。

为什么重要： 结构清晰，效果更好。

用英文写指令往往更稳定。

为什么重要： 模型主要用英文训练。

告诉AI“不知道就说不知道”。

为什么重要： 减少幻觉编造。

用目标语言提问，输出更自然。

为什么重要： 避免翻译损失。

以“现在开始”或“直接回答”结尾。

为什么重要： 促使AI立刻行动，不废话。

把AI当成一个聪明但缺少常识的学生。

为什么重要： 你需要耐心引导它。

让AI自己生成思维链。

为什么重要： 自动提升推理能力。

让AI一步一步思考（Chain of Thought）。

为什么重要： 复杂问题直接答容易错，分步准得多。

不给例子，直接问。

为什么重要： 简单任务够用，节省token。

给少量例子。

为什么重要： 复杂模式需要示范。

让AI探索多条推理路径，像树枝分叉（Tree of Thoughts）。

为什么重要： 找到最佳答案，而不是一条路走死。

先检索外部资料，再让AI回答。

为什么重要： 解决知识截止和幻觉问题。

推理(Reason) + 行动(Act) 循环。

为什么重要： 让AI能用工具解决问题。

让不同角色互相辩论。

为什么重要： 得出更全面结论。

给出答案，让AI推Prompt。

为什么重要： 用来优化Prompt。

大问题拆成小问题逐个解决。

为什么重要： 降低复杂度。

让AI帮你写或优化Prompt。

为什么重要： AI自己更懂怎么写好Prompt。

背景 → 任务 → 指令。

为什么重要： 逻辑清晰。

让AI模拟任何系统（如Linux终端）。

为什么重要： 扩展AI能力。

AI可以模拟任何过程或工具。

为什么重要： 让它扮演各种角色。

一步步推进复杂任务。

为什么重要： 避免一次性 overload。

Prompt是在模型内部知识空间里导航。

为什么重要： 理解为什么小改动大影响。

引入一个批判角色检查输出。

为什么重要： 自检提高质量。

把成功Prompt固化成模板重复用。

为什么重要： 提高效率。

模型是通过人类反馈训练的，你的互动也在间接训练。

为什么重要： 理解模型为什么这样行为。

Capacity(能力)、Role(角色)、Insight(洞察)、Statement(语句)、Personality(个性)、Experiment(实验)。

为什么重要： 结构化确保Prompt全面。

Background(背景)、Role(角色)、Objectives(目标)、Key Results(关键结果)、Evolve(演变)。

为什么重要： 适合复杂长期任务。

先粗后细，一步步完善。

为什么重要： 一次太完美不现实。

同一任务用两个不同Prompt对比。

为什么重要： 科学找到最好方式。

分块总结 + 中间总结 + 最终总结。

为什么重要： 长文本容易丢失信息。

模仿某人语气。

为什么重要： 输出更个性化。

从文本中提取结构化数据。

为什么重要： 自动化处理信息。

让AI逐行解释代码。

为什么重要： 快速理解陌生代码。

强制只输出JSON或其他结构。

为什么重要： 方便程序解析。

让AI回答多次，取多数意见。

为什么重要： 减少随机性。

显式让AI调用外部工具。

为什么重要： 扩展AI能力（如搜索、计算）。

把长Prompt压缩成短的。

为什么重要： 节省token。

充分利用大上下文窗口。

为什么重要： 可以一次喂大量资料。

说“这对我很重要”，激发AI更认真。

为什么重要： 模型对情绪词敏感。

要求反直觉或不同视角。

为什么重要： 获得创新想法。

严格要求JSON等格式。

为什么重要： 机器可读。

让AI生成下一步Prompt。

为什么重要： 自动优化。

多个相关问题打包一次问。

为什么重要： 保持上下文连贯。

用System Prompt固定角色全程。

为什么重要： 防止角色漂移。

用System Prompt保护关键规则。

为什么重要： 用户输入不会轻易覆盖。

用户恶意输入覆盖你的指令（Prompt Injection）。

为什么重要： 在建应用时要防御。

别让AI“想太多”，直接指令。

为什么重要： 避免偏题。

输入太长，模型会忘前面内容。

为什么重要： 关键信息放前面。

某个Prompt只在某个模型好用。

为什么重要： 跨模型要测试。

复杂要求放前面。

为什么重要： 注意力机制，前面的更被重视。

AI不擅长复杂反向逻辑。

为什么重要： 用正向推理代替。

复杂计算容易错，让它用代码执行。

为什么重要： 工具更可靠。

模型知识有截止日期，别问太新的事。

为什么重要： 否则幻觉或说不知道。

别让AI输出敏感隐私信息。

为什么重要： 保护用户。

AI会很自信地说错话。

为什么重要： 永远核实关键事实。

长对话历史会干扰新任务。

为什么重要： 必要时新开对话。

System和User指令冲突。

为什么重要： 保持一致。

只测一个例子就上线。

为什么重要： 多场景测试防意外。

某些任务微调模型比Prompt更好。

为什么重要： Prompt不是万能。

简单任务也强迫思维链，反而啰嗦。

为什么重要： 因任务选技巧。

要求JSON但AI输出带解释。

为什么重要： 严格指令“只输出JSON，无多余文字”。

全靠AI，不自己思考验证。

为什么重要： AI会错，人要最终把关。

温度设置不当导致乱答或太死板。

为什么重要： 匹配任务。

触发模型安全机制，被拒绝回答。

为什么重要： 改措辞避开敏感词。

提示工程永远在进化，没有终点。

为什么重要： 模型不断更新，要持续学习。