Prompt Engineering：如何跟 AI 好好说话

这是”小白讲 AI”系列的第 05 篇。前几篇我们聊了大模型是什么、怎么训练、Token 怎么算。今天我们来聊一个你每天都在做、但可能从没认真想过的事情——怎么跟 AI 说话。这件事有个听起来很高大上的名字：Prompt Engineering，翻译过来就是”提示词工程”。别被名字吓到，它的核心其实很简单：你说得越清楚，AI 干得越好。

1. 开场类比：给实习生写工作交接文档

想象一下，你公司来了个新实习生，聪明、学东西快，但对你的业务一无所知。你让他帮你写一份周报，如果你只说”帮我写个周报”，他大概率会交上来一份格式奇怪、内容空洞的东西。但如果你说”帮我写一份上周的周报，包含三个部分：本周完成的任务、遇到的问题、下周计划。每个部分用三到五个要点概括，语气正式但不要太生硬，参考这份样例……”他交上来的东西就会靠谱得多。

跟 AI 对话也是一模一样的道理。AI 本质上就是那个”超级实习生”——它读过海量的书、看过无数的代码，能力很强，但它不知道你此刻的上下文、你的偏好、你想要什么样的结果。Prompt 就是你给这个实习生写的”工作交接文档”。文档写得越清楚，产出质量越高。

这就是 Prompt Engineering 的本质：不是什么黑魔法，而是把你脑子里模糊的想法，变成 AI 能准确理解的文字指令。

2. 基础技巧：四个关键要素

好的 Prompt 通常包含四个要素，我把它们叫做”角色、任务、格式、示例”。

角色设定：告诉 AI 它是谁。比如”你是一位资深的 Python 开发者”或者”你是一位面向小学生的科普作家”。角色不同，AI 的用词、深度、风格都会随之改变。就像你跟医生和跟朋友描述同一个症状，说法完全不一样。

任务描述：清楚地说明你要它做什么。”帮我写一段代码”太模糊了，”用 Python 写一个函数，输入一个列表，返回其中所有偶数的平方和”就清楚多了。任务描述要回答三个问题：做什么、输入是什么、输出是什么。

输出格式：指定你希望结果长什么样。要 JSON 还是 Markdown？要表格还是分段文字？要中文还是英文？很多时候 AI 给出的答案”内容没问题但格式不对”，就是因为你没告诉它你要什么格式。

示例（Few-shot）：给一两个示例，效果立竿见影。比如你想让 AI 把英文产品名翻译成中文，与其长篇大论描述翻译风格，不如直接给几个例子：

iPhone → 苹果手机
AirPods → 苹果无线耳机
MacBook Pro → MacBook Pro 专业版

现在请翻译：Apple Vision Pro →

AI 一看就明白你的翻译风格和命名习惯了。这种”给几个例子让 AI 学样”的方法就叫 Few-shot Prompting，是最实用的技巧之一。

3. 思维链（Chain of Thought）：让 AI “一步一步想”

这里介绍一个听起来简单、效果却非常显著的技巧：Chain of Thought，翻译过来就是”思维链”。

做法很简单：在 Prompt 里加上一句 “请一步一步思考” 或者 “Let’s think step by step”。

为什么这么一句话就能提升效果？回忆一下你自己做数学题的经历：如果让你心算 17 × 24，你可能会卡住或者算错；但如果你拿张纸写下来，先算 17 × 20 = 340，再算 17 × 4 = 68，最后 340 + 68 = 408，就准确多了。

AI 也是一样。大模型生成文本的时候是一个 Token 接一个 Token 往外蹦的，如果你让它直接给最终答案，它就必须在”一步之内”完成所有推理，很容易出错。但如果你让它先输出中间推理步骤，每个 Token 都在为下一步做铺垫，整体准确率就大幅提升。

举个例子，你问 AI：”一个教室有 25 个学生，其中 40% 是男生，男生中有一半戴眼镜，戴眼镜的男生有几个？”如果直接问，AI 偶尔会给错答案。但如果加上”请一步一步推理”，AI 就会写出：

总人数 25，男生占 40%，所以男生 = 25 × 0.4 = 10 人
男生中一半戴眼镜，所以戴眼镜的男生 = 10 ÷ 2 = 5 人

答案正确、过程清晰。一句话的成本，换来的是可靠性的飞跃。

4. 常见反模式：这些坑你一定踩过

知道怎么写好 Prompt 很重要，知道不该怎么写同样重要。以下是三个最常见的”反模式”。

模糊指令：这是最普遍的问题。”帮我优化一下这段代码”——优化什么？是提升性能、增强可读性、还是减少内存占用？”帮我写篇文章”——什么主题、多长、给谁看？模糊的指令就像跟出租车司机说”去个好地方”，你不满意结果只能怪自己。

过度约束：有些人走向另一个极端，写了几百字的约束条件，结果 AI 在满足 A 条件的时候违反了 B 条件，左右为难。Prompt 太长、规则太多的时候，AI 很容易”顾头不顾尾”。好的做法是保持约束精简，把最重要的规则放在最前面和最后面（因为 AI 对开头和结尾的注意力更强）。

自相矛盾的要求：比如”用通俗易懂的语言详细解释量子力学的数学推导”——通俗易懂和数学推导本身就很难兼得。再比如”写一段简短的、涵盖所有细节的产品介绍”——简短和涵盖所有细节互相矛盾。遇到这种情况，你需要先想清楚自己到底要什么，做出取舍，而不是把矛盾甩给 AI。

5. System Prompt vs User Prompt：不同角色各司其职

如果你用过 ChatGPT 的 API 或者搭建过自己的 AI 应用，你会发现 Prompt 其实有两种角色：System Prompt 和 User Prompt。

打个比方：System Prompt 就像公司的”员工手册”，定义了 AI 的身份、行为准则和全局规则。比如”你是一个客服助手，只回答和产品相关的问题，语气友好专业，不讨论政治话题”。这些规则在整个对话过程中始终生效。

User Prompt 就是用户的具体提问，”我的订单什么时候到？””这款产品支持退货吗？”每次都不一样。

两者的分工很清楚：

	System Prompt	User Prompt
谁写	开发者/产品经理	最终用户
什么时候设定	部署前，一次性	每次对话
管什么	身份、规则、边界	具体任务、具体问题
可见性	用户通常看不到	用户自己写的

如果你只是在网页上跟 ChatGPT 聊天，你写的每一条消息都是 User Prompt。但如果你在开发 AI 应用，合理设计 System Prompt 是非常关键的一环——它决定了你的 AI 助手的”人设”和”边界”。

6. 实际案例对比：差 Prompt vs 好 Prompt

光说不练假把式，我们来看一个真实的对比。

任务：让 AI 帮你写一封邮件，跟客户解释项目延期。

差 Prompt：

帮我写封邮件说项目延期了。

AI 可能会给出一封泛泛而谈的邮件，语气不确定、细节缺失、格式随缘。

好 Prompt：

你是一位项目经理，需要给客户王总写一封邮件。背景：我们的电商平台改版项目原定 6 月 30 日上线，因为第三方支付接口联调出了问题，需要延期两周到 7 月 14 日。请写一封邮件，要求：

语气诚恳、专业，不卑不亢

简要说明延期原因（不要过度暴露技术细节）

给出新的时间节点

提出一个补偿措施（比如加送一个月免费运维）

邮件控制在 200 字以内

这封 Prompt 包含了角色、背景、具体要求、语气、格式和长度限制，AI 给出的结果通常一次就能用。

两者的差距不在 AI 的能力，而在你”交代任务”的能力。好的 Prompt 不是在讨好 AI，而是在帮你自己想清楚需求。

7. Prompt 不是万能的：什么时候该用别的方案

Prompt Engineering 很强大，但它不是银弹。以下几种情况，光靠 Prompt 是不够的：

需要私有知识时 → 用 RAG。大模型的知识来自训练数据，它不知道你公司的内部文档、产品手册、客户数据。这时候你需要 RAG（检索增强生成）——简单说就是先从你的知识库里搜出相关内容，再把它塞进 Prompt 里让 AI 参考。这样 AI 就能基于你的私有数据回答问题。

需要稳定、特定风格时 → 用 Fine-tuning。如果你希望 AI 始终用某种特定格式输出（比如你公司独有的法律文书模板），或者你需要它在某个狭窄领域表现得特别好，微调（Fine-tuning）是更好的选择。相当于给 AI 做了一次”专项培训”。

需要 100% 准确时 → 不该单独用 AI。AI 会犯错，这是由它的工作原理决定的（概率模型嘛）。如果你的场景容错率为零——比如金融交易、医疗诊断——你应该让 AI 作为辅助，最终决策由人来把关。

一个实用的判断标准：如果你反复调 Prompt 超过五六次还达不到满意的效果，大概率说明这个问题已经超出了 Prompt Engineering 的能力范围，该考虑 RAG 或 Fine-tuning 了。