知识点深化 · Prompt 工程
Prompt 工程：少样本、思维链与结构化输出
大模型是个读过全网书但不会读心的天才学生。你提问的质量，直接决定答案的质量。这一页把 Prompt 从「许愿」变成「任务说明书」：讲透少样本 Few-shot、思维链 CoT、角色设定、结构化输出四件武器，让你写出稳定、可复用、机器能解析的提示词。
① 小白第一课怎么学（4 步走，约 60 分钟）
大模型是个"读过全网书但不会读心"的天才学生——你怎么提问，决定它给出什么水平的答案：
1建立直觉（10 分钟）
读第②③部分：明白 Prompt 不是"咒语"，而是给模型的任务说明书。
2记套路（15 分钟）
读第④部分：零样本/少样本、思维链 CoT、角色设定、结构化输出四类武器。
3对比体验（20 分钟）
精读第⑤部分，看同一个问题"烂提问 vs 好提问"答案差在哪。
4刷题纠错（15 分钟）
做第⑦⑩部分，错题回到第⑥部分高频错误。
本课小目标学完你要能：① 写出带角色+任务+格式+约束的 Prompt；② 解释 Few-shot 和 CoT 各自解决什么；③ 让模型稳定输出 JSON。
② 一图看懂：Prompt 工程全地图
读法：中心是"Prompt 工程"，四大武器——少样本（给例子）、CoT（要过程）、角色（定身份）、结构化（定输出格式）；下方是应用与易错。
③ 本质直觉：Prompt 是一份"任务说明书"，不是许愿
大模型做的事本质是：根据读到的上文，一个词一个词地猜下一个最合理的字。它没有"读心术"，你写得多清楚，它就干得多准。
烂提问："帮我写个方案。"——写给谁看？多长？什么风格？有哪些约束？模型只能瞎猜。
好提问：把四件事写全——角色（你是谁）、任务（具体做什么）、格式（输出长什么样）、约束（不能怎样/必须怎样）。
为什么给例子（Few-shot）特别管用？模型是"模式补全"机器，给它 2~3 个输入→输出样例，它会自动学会你要的格式和语气，比写一堆抽象描述都有效。
为什么"让它一步步想"（CoT）会更准复杂计算题直接给答案容易错；要求"先列出步骤，再写结论"，相当于强迫模型把中间推理也生成出来，等于在"打草稿"，准确率大幅上升。
④ 完整体系：四类核心技巧与对照
零样本 vs 少样本
| 方式 | 做法 | 适用 |
|---|
| 零样本 Zero-shot | 直接下任务，不给例子 | 简单、常见任务 |
| 少样本 Few-shot | 给 2~5 个输入→输出样例 | 格式特殊、风格挑剔、边界模糊 |
Prompt 四段式结构
一个高质量 Prompt 的骨架
【角色】你是一位资深 XX 专家 ｜ 【任务】请完成 XX
【格式】输出为 JSON，字段：… ｜ 【约束】不得编造、不知道就说不知道
主流技巧对照
| 技巧 | 解决什么 | 关键词 |
|---|
| CoT 思维链 | 复杂推理/计算出错 | "请一步步思考""先推理再结论" |
| 角色设定 | 语气/专业度不对 | "你是有 10 年经验的…" |
| 结构化输出 | 格式飘、机器不好解析 | "只输出 JSON，不要多余解释" |
| 自洽 Self-Consistency | 答案不稳定 | 采样多次取多数票 |
一个可直接套用的 Prompt 模板
你是一名严谨的数据标注员。
任务：从下面评论中抽取情感倾向。
输出：严格输出 JSON，仅两个字段 sentiment(正面/负面/中性) 和 reason(≤20字)。
示例：评论"太慢了" → {"sentiment":"负面","reason":"吐槽物流慢"}
待处理评论：{{用户输入}}
温度 temperature0 附近输出稳定、适合抽取/分类；0.8+ 更有创意、适合写作。结构化任务务必调低温度。
⑤ 用法场景与典型例题
例1（少样本改写）要把"长句缩成标题"，怎么写 Prompt？
给一两个样例最省事。
① 写任务："把下面正文压缩成一个不超过 15 字的标题。"
② 给样例：正文"今天公司发布了新手机"→ 标题"公司发布新手机"。
③ 再贴待处理正文。模型会照着"压缩+≤15字"的模式做。
答案：少样本靠"示例对齐格式"，比描述要求更可靠。
例2（CoT 提准）问"小明有 5 个苹果，给了小红 2 个，又买了 3 个，现在几个？"为何要 CoT？
两步运算直接答容易漏。
① 直接问，模型有时脱口"6"或"7"。
② Prompt 改为"请先列式子，再给最终答案"：5−2=3，3+3=6。
③ 中间步骤被显式生成，错误率显著下降。
答案：CoT 让推理过程外显，复杂题更准。
例3（结构化输出）要让模型返回可被程序解析的 JSON，关键约束是什么？
禁止多余文字、固定字段。
① 写死格式："只输出 JSON，不要任何解释、不要 Markdown 代码块。"
② 列清字段：name(string)、age(int)。
③ 配合低 temperature（≈0），并在后端做 JSON 解析容错。
答案："只输出 JSON + 字段清单 + 低温度"三件套。
迭代心法 Prompt 工程不是一次写对，而是"跑一次→看错在哪→补一句约束"。输出啰嗦就加"简短"；编造就加"不知道就说不知道"。
⑥ 高频错误诊断（4 条）
错误 1：只说"帮我写个 XX"，不给对象和约束这是最常见的懒病。没说读者是谁、多长、什么风格，模型只能平均发挥。
错误 2：要 JSON 却允许它"顺便解释一下"模型常在 JSON 前后加废话，导致程序解析失败。必须明确"只输出 JSON"。
错误 3：让它查事实却不防幻觉模型会一本正经编造参考文献/数据。加"不知道就明确说不知道，禁止编造"，并接入 RAG 给真实资料。
错误 4：把 Prompt 当玄学咒语不要堆砌"请像神一样思考"这种空话。有效的 Prompt 靠清晰的角色/任务/格式/约束，不是魔法词汇。
⑦ 考点真题演练（4 题）
考点分布
| 考法 | 出题形式 | 应对 |
|---|
| 少样本作用 | 问给例子有什么用 | 对齐格式/风格，减少抽象描述 |
| CoT 作用 | 问复杂推理为何更准 | 外显中间步骤，降低直接答错 |
| 结构化输出 | 问如何稳定拿 JSON | 只输出JSON+字段+低温度 |
真题基础1. Few-shot（少样本）提示的核心作用是？
真题中档2. "请一步步思考，先列推理过程再给结论"是哪种技巧？
真题中档3. 希望程序稳定解析模型输出的 JSON，下列做法不恰当的是？
真题拔高4. 模型总编造不存在的资料，最有效的 Prompt 侧对策是？
⑧ 必背知识点卡
本质：Prompt 是任务说明书，模型是模式补全机器 不读心
四段式：角色 + 任务 + 格式 + 约束 缺一段就跑偏
Few-shot：给 2~5 个输入输出样例对齐格式 照猫画虎
CoT："一步步思考再下结论" 复杂推理提准
结构化：只输出 JSON + 字段清单 + 低温度 机器可解析
防幻觉：不知道就说不知道，配 RAG 喂真实资料 禁止编造
温度：抽取/分类用低，写作用高 稳定 vs 创意
⑨ 应用输出：把"客服回复"写成可复用 Prompt
实战场景：自动生成退款客服话术
① 角色："你是某电商耐心的客服主管，语气礼貌但不卑不亢。"
② 任务："根据用户投诉，生成一段不超过 120 字的回复，先共情、再给解决方案、最后给预期时效。"
③ 格式：纯文本，分三句，每句以【共情】【方案】【时效】开头。
④ 约束：不承诺超出政策的赔付；不知道的进度不要编造；用户情绪激动时先道歉。
⑤ 跑一遍：用户说"三天了还没发货" → 模型输出三句固定结构的回复，客服可直接复制微调。
口述心法合上书说："Prompt 就是把话说清楚——你是谁、要我干嘛、输出长啥样、什么不能做；格式特殊就给例子，要动脑就让它一步步想，要被程序用就强制 JSON 并防幻觉。"
⑩ 分层练习 16 题（基础 6 + 中档 5 + 拔高 5）
▍基础 6 题
基础1Prompt 在大模型里本质相当于什么？
任务说明书/上文，模型据它补全下文。
基础2零样本和少样本的区别？
零样本不给例子直接下任务；少样本给几个输入→输出样例。
基础3CoT 的中文名叫什么？
思维链，让模型一步步推理。
基础4结构化输出最常要求输出什么格式？
JSON（或固定字段的表格）。
基础5temperature 高更稳定还是更有创意？
高更有创意但不稳定；低更稳定。
基础6"你是一位资深老师"属于 Prompt 的哪部分？
角色设定。
▍中档 5 题
中档7为什么说 Few-shot 比写抽象描述更有效？
模型擅长模式补全，示例直接示范格式/风格，比文字描述更精确。
中档8要做信息抽取，temperature 应该调高还是低？
调低，要稳定一致，不要发挥。
中档9用户评论抽取情感，输出被 Markdown 代码块包住了怎么办？
Prompt 加"不要 Markdown 代码块、只输出纯 JSON"；后端再做容错剥离。
中档10CoT 为什么能提高计算题正确率？
中间推理被显式生成，避免跳步直接蒙答案。
中档11角色设定对结果的主要影响是什么？
影响语气、专业深度和立场，让输出更贴合目标人群。
▍拔高 5 题
拔高12Self-Consistency 是什么思路？
同一题多次采样生成多条推理，取出现最多的答案，降低偶然性。
拔高13Prompt 工程和微调的边界在哪？
改不改权重的区别：Prompt 不改模型、即改即用；微调改参数、成本高但可固化能力。
拔高14如何防止模型"顺着用户错误前提"回答？
加约束："若前提有误请先指出错误再回答"，必要时让它先校验事实。
拔高15长上下文里如何让模型聚焦关键信息？
把任务要求放在开头和结尾（首因/近因效应），关键资料用分隔符包裹并明确引用范围。
拔高16为什么"只输出 JSON"仍可能解析失败？
模型可能截断、字段名漂移或加注释。需后端 try/except 容错，必要时用结构化输出能力（function calling/JSON schema）。
⑪ 记忆口诀 + 7 天复习计划
三句口诀
① Prompt 是说明书：角色、任务、格式、约束，四件写全。
② 格式特殊给例子（Few-shot），要动脑就让它一步步想（CoT）。
③ 机器用就强 JSON、低温度，怕幻觉就"不知道别编"。
| 天 | 任务 | 自检 |
|---|
| 第 1 天 | 读②③④，抄一遍四段式模板 | 能说出四段各是什么 |
| 第 2 天 | 背知识点卡 + 基础 1-6 | 基础全对 |
| 第 3 天 | 做中档 7-11，写一个抽取 Prompt | 输出能解析成 JSON |
| 第 4 天 | 做拔高 12-16 | 懂 Prompt vs 微调边界 |
| 第 5 天 | 做⑦真题 4 题 | 限时每题 2 分钟 |
| 第 6-7 天 | 合上书口述三句口诀，手写四段式 | 不看资料全默对 |
← 返回算法与AI总览