Prompt Engineering（提示工程）已经成为解锁大型语言模型（LLM）潜力的关键技能。本文将深入探讨提示工程的基础知识，揭示其重要性，并提供实用的技巧和策略，帮助你从零开始，成为一名提示工程领域的专家。

在人工智能领域，一个有趣且日益重要的现象正在发生：两个经验水平相当的开发者，面对相同的项目需求，却在使用人工智能工具时表现出截然不同的结果。一个开发者能够持续地从AI那里获得干净、可用的代码，而另一个开发者则苦于应对令人沮丧的输出，不得不不断重写提示。造成这种差异的根本原因是什么？答案就是提示工程的掌握程度。这不仅仅是运气问题，而是一门可以学习和精通的技能，它能够显著提升你与大模型交互的效率和效果。就像文章开篇提到的例子，作者的朋友抱怨“AI从不给我可用的代码！”，而作者本人则依赖于“20-70-10”的工作流程：20%的时间用于计划和系统设计，70%的时间用于通过精确的提示进行AI执行，10%的时间用于审查和测试。最终的秘密不在于AI模型本身，而在于如何与它沟通。

提示工程的重要性：弥合AI性能差距

近期发布的基准测试结果揭示了一个惊人的事实：即使是相同的AI模型，仅仅由于提示质量的不同，其性能也会产生巨大的差异。例如：

• Claude Opus 4: 在SWE-bench测试中得分72.5%
• Claude Sonnet 4: 在SWE-bench测试中得分72.7% (免费版本!)
• GPT-4.1: 在相同基准测试中得分54.6%
• Gemini 2.5 Pro: 在SWE-bench测试中得分63.2%

SWE-bench是一个软件工程基准测试，用来评估AI模型生成代码的能力。从这些数据可以看出，精心设计的提示能够显著提升模型的性能，使你能够获得生产级别的代码，而不是花费大量时间调试无效的AI生成代码。这种差距凸显了提示工程的重要性，它不再是一个可选项，而是成为了高效利用AI的必备技能。

提示工程的局限性：并非万能药

虽然提示工程非常重要，但它并非万能药。我们需要清醒地认识到它的局限性。

• 无法修复根本的逻辑错误：提示工程不能代替你对软件架构和问题本身的理解。如果你对问题理解不透彻，即使是最好的提示也无法生成正确的代码。
• 无法生成你自身不理解的代码：提示工程只能在你理解的范围内提供帮助。如果你要求AI生成你完全不理解的代码，你将无法验证其正确性，也无法进行必要的修改。
• 无法在缺乏足够信息的情况下创造奇迹：AI需要足够的信息才能生成有用的结果。如果你的提示缺乏足够的上下文或提出了不可能的要求，AI将无法满足你的期望。

理解LLM的工作机制：预测下一个Token

要成为一名优秀的提示工程师，你需要理解LLM的工作机制。LLM本质上是一个非常复杂的预测引擎。它接收一段文本作为输入，然后根据训练数据预测下一个Token应该是什么。Token可以是单词、字符或代码片段。每一个词、每一个空格、每一个指令都会影响下一个预测。

例如，比较以下两个提示：

Before (理解不足):

“写一些用户认证的代码”

After (理解Token预测):

“你是一名资深的Full-Stack开发者。使用Node.js和JWT tokens编写一个安全的用户认证系统。包括：

1. 带有邮箱验证的注册接口
2. 带有速率限制的登录接口
3. 使用bcrypt进行密码哈希
4. JWT token生成和验证中间件

返回带有注释的工作代码，解释安全措施。”

第二个提示为模型提供了清晰的上下文，使其能够预测出更有用、更安全、更适合生产环境的代码。

配置基础：温度(Temperature)与Top-K/Top-P

除了编写清晰的提示，还需要掌握一些基本的配置参数，例如温度(Temperature)、Top-K和Top-P。

• 温度(Temperature)：控制Token选择的随机性。较低的温度会产生更确定性的结果，而较高的温度会产生更多样化和意外的结果。
  • 实际应用：
    • 生成标准登录函数：温度 0.1 (可预测，可靠)
    • 撰写创意营销文案：温度 0.8 (多样化，引人入胜)
• Top-K 和 Top-P：微调输出质量。Top-K采样选择模型预测分布中可能性最高的K个Token。Top-P采样选择累积概率不超过特定值的Top Token。
  • 实际应用：
    • 生产代码：Top-K: 20, Top-P: 0.9 (专注，可靠)
    • 头脑风暴：Top-K: 40, Top-P: 0.95 (创意，多样化)
    • 数学问题：温度: 0, Top-K: 1 (确定性)

核心技巧：你的提示工程工具包

以下是一些核心的提示工程技巧，可以帮助你更有效地利用LLM。

1. 零样本 提示(Zero-Shot Prompting)：在没有提供任何示例的情况下，直接向模型提出问题或请求。

   Before (模糊):

   “创建一个数据库Schema”

   After (具体的零样本提示):

   “为一个电子商务平台设计一个PostgreSQL数据库Schema。包括：

   • 带有认证字段的用户表
   • 带有库存跟踪的产品表
   • 带有支付状态的订单表
   • 具有适当外键的关系
   • 用于性能优化的索引

   返回带有约束的SQL CREATE语句。”

2. 少样本 提示(Few-Shot Prompting)：通过提供多个示例来“教导”模型。这种方法向模型展示了它需要遵循的模式。

   Before (没有示例):

   “为这个API端点编写文档”

   After (带有示例的少样本提示):

   “按照以下格式为以下API端点编写文档：

   EXAMPLE:

   POST /api/users

   Description: 创建一个新的用户账号

   Parameters:

   • email (string, required): 用户的邮箱地址
   • password (string, required): 至少8个字符

   Response: 201 Created with user object

   EXAMPLE:

   GET /api/users/{id}

   Description: 根据ID检索用户信息

   Parameters:

   • id (integer, required): 用户的唯一标识符

   Response: 200 OK with user object or 404 Not Found

   现在为以下端点编写文档：

   PUT /api/products/{id}/inventory“

3. 系统 提示(System Prompt) vs 用户 提示(User Prompt)：

   • 系统提示(System Prompt)：用于设置上下文和角色，例如：”你是一位拥有10年经验、专注于安全的后端开发人员。始终优先考虑数据保护并遵循OWASP指南。回复包含错误处理的生产就绪代码。”
   • 用户提示(User Prompt)：用于提出具体的任务，例如：”为我们的用户管理系统创建一个密码重置流程。”

   将系统提示和用户提示结合使用，可以产生比将所有内容混合在一起更好的结果。

20-70-10 工作流程：提升效率的秘诀

作者分享了他个人使用的一个系统方法，这个方法极大的改变了他使用AI进行开发的过程，这就是 20-70-10 工作流程。

1. 20% — 计划 & 系统设计

   • 清晰地定义问题
   • 分解为逻辑组件
   • 识别集成点
   • 选择适当的AI配置

2. 70% — 通过精确 提示 进行 AI 执行

   • 编写角色特定的提示
   • 提供全面的上下文
   • 在需要时使用少样本示例
   • 指定确切的输出要求

3. 10% — 审查和测试

   • 验证AI输出
   • 测试集成点
   • 根据结果改进提示
   • 记录成功的模式

案例研究：作者需要构建一个实时聊天系统。 使用 20-70-10 工作流程：

• 3小时计划：架构设计、数据库Schema、安全要求、WebSocket考虑
• 4小时 提示 & 迭代：生成服务器代码、客户端实现、数据库设置。当初始提示遗漏了边缘情况时，需要3轮改进。
• 2小时测试 & 集成：发现身份验证中间件Bug，需要手动调试。

结果：在 9 小时内完成了一个可用的聊天系统，而从头开始编码估计需要 16-20 小时。

关键在于 AI 处理了样板代码和标准模式，而作者则专注于架构和集成挑战。

避免常见的提示错误：提升输出质量

以下是一些常见的提示错误，以及如何避免它们：

1. 模糊性陷阱

   • 错误：“让这段代码更好”
   • 正确：“通过减少数据库查询和实现缓存来优化这段代码的性能”

2. 上下文真空

   • 错误：“修复这个Bug” [提供代码片段]
   • 正确：“这个Express.js身份验证中间件抛出 ‘Cannot read property of undefined’ 错误。当用户访问受保护的路由时会发生这个Bug。这是相关的代码和错误堆栈跟踪……”

3. 输出格式盲区

   • 错误：“生成单元测试”
   • 正确：“生成遵循以下确切结构的Jest单元测试：用于组件的describe块，用于单个函数的test块，带有清晰描述的expect断言，以及模拟外部依赖项”

快速提升技巧：立即改善提示效果

1. 推理语言(谨慎使用)

   研究表明，某些短语可以改善复杂任务中的推理：“深吸一口气，逐步解决这个问题” 或 “仔细思考这个问题”。 但是，不要依赖这些作为灵丹妙药 – 清晰的上下文和示例更重要。

2. 结构化模板

   • 角色(Role)：[AI应该扮演什么角色？]
   • 任务(Task)：[你到底想要什么？]
   • 上下文(Context)：[哪些背景信息很重要？]
   • 格式(Format)：[输出应该是什么样子？]
   • 约束(Constraints)：[存在哪些限制？]

3. 迭代策略

   • 从宽泛开始，然后缩小：
     • 让基本结构工作起来
     • 改进特定组件
     • 优化边缘情况
     • 润色和记录

何时不应该使用 AI：关键的局限性

避免在以下情况下使用AI：

• 安全关键的逻辑：身份验证流程、加密实现
• 你不理解的复杂算法：如果你无法验证正确性，不要让 AI 编写排序算法
• 数据库迁移：需要仔细手动审查的高风险操作
• 性能关键的代码：AI 通常优先考虑可读性而不是优化

失败案例：作者曾经要求 AI 优化一个数据库查询。 AI 建议了一个看起来合理的索引，但实际上由于特定数据模式而降低了性能。 教训？ AI 不了解你的数据特征 – 你了解。

展望未来：你的提示工程之旅

提示工程既是一门语言和沟通的艺术，也是一门技术专长。 你在这里学到的基础知识 – 理解模型机制、使用适当的配置、应用核心技术 – 为未来的所有内容奠定了基础。

你的任务

选择一个你本周难以完成的编码任务。 应用 20-70-10 工作流程：

• 花费 20% 的时间计划和分解问题
• 使用 70% 的时间为 AI 辅助创建精确的、上下文丰富的提示
• 花费 10% 的时间审查和测试输出
• 记录什么有效，什么无效 – 你会惊讶地发现，系统的提示工程可以多么快速地改善你的结果。

提示工程是一项不断发展的技能，需要持续学习和实践。通过理解LLM的工作机制，掌握核心技巧，并不断迭代和改进你的提示，你将能够解锁AI的潜力，提高你的开发效率，并成为一名真正的提示工程专家。持续学习，持续实践，你将在提示工程的道路上越走越远！