在AI技术迅速发展的今天，提示词工程（Prompt Engineering）正成为产品经理和技术从业者必须掌握的核心技能。本文系统梳理了提示词的基本概念、设计流程、常用框架与实用技巧，帮助你从“会用AI”迈向“用好AI”。
希望任何看完这个系列教程的人都能掌握撰写生产级提示词的方法，再也不用寻找零碎的知识点！
在人工智能的语境中，提示词（Prompt）是用户提供给模型的、用以引导其生成特定响应的输入文本 。它可以是简单的问题、一串关键词，也可以是包含复杂说明、上下文信息乃至代码片段的详细指令
从本质上讲，提示词是我们与生成式AI模型进行沟通和下达任务的“自然语言” 。
一个设计精良的提示词通常可以包含以下四种核心要素 ：
并非所有提示词都必须包含全部四要素，其具体构成取决于任务的复杂度和需求 (5)。然而，理解这些构成要素，是系统化设计高效提示词的第一步。
提示词的质量直接决定了AI输出内容的质量、相关性和准确性 。在实际应用场景中，这一点尤为关键。
一个模糊或结构不佳的提示词可能导致模型产生不一致、偏离主题甚至事实错误的输出（即“幻觉”），这对于依赖AI提供稳定服务的产品而言是不可接受的。
相反，一个精心设计的提示词，就如同为AI助手提供了一份清晰的工作说明书，能够有效地引导模型，使其产出符合预期的、高质量且可靠的结果 。
这不仅能提升用户体验，还能显著降低因AI输出错误而产生的业务风险和后期人工修正成本 。因此，掌握提示词撰写技巧，意味着掌握了精确控制和利用AI能力的钥匙。
在实践中，我们可以将提示词分为两大类：日常对话提示词和生产级提示词。
理解二者的区别，是产品和业务人员从AI的普通使用者转变为专业AI应用设计者的关键一步。
1）日常对话提示词
这类提示词是我们日常与ChatGPT等聊天机器人互动时使用的、非结构化的、即兴的自然语言查询。例如，“给我推荐几部科幻电影”或“解释一下什么是黑洞”。这类提示词的特点是简单、直接，依赖于模型庞大的预训练知识库进行回答。它们非常适合探索性、非正式的知识获取和娱乐场景。
2）生产级提示词
生产级提示词是为集成在软件应用或业务流程中而专门设计的，其首要目标是确保输出的可靠性、一致性和可扩展性。
与日常对话提示词的根本区别在于，生产级提示词是一种经过“工程化”设计的指令，它必须在各种输入条件下都能稳定地产生可预测的、符合格式要求的输出 。
一个核心的认知转变在于：
日常对话是一种“交谈”，而生产级应用是一种“指令”。
专业应用无法承受AI“看心情”式的回答，它要求的是每一次服务都达到可预期的标准。
生产级提示词通过提供明确的角色、严格的规则、清晰的上下文和固定的输出格式，极大地减少了模型解读的模糊性，从而将AI的“创造力”约束在可控的业务框架内，使其成为一个稳定可靠的自动化工具 。
生产级提示词包含从需求定义到解决方案的闭环。因此，对于产品经理而言，学习设计生产级提示词，本质上是学习如何将业务需求精确地转化为AI能够稳定执行的规范。
1）定义与过程
提示词工程（Prompt Engineering）是一门新兴的学科，它专注于开发和优化提示词，帮助用户更有效地利用语言模型完成各种复杂的任务 。
撰写生产级提示词的过程，就是提示词工程的实践。这个过程并非一蹴而就，而是一个类似于软件开发或机器学习的迭代循环 。
通常包括需求分析、初始设计、测试评估和持续优化等环节 。提示词工程师需要弥合最终用户需求与大型语言模型能力之间的鸿沟，通过不断的实验和调整，找到能够激发模型最佳性能的输入文本组合 。
2）提示词工程的价值
对于企业而言，提示词工程提供了一种比模型微调（Fine-tuning）更高效、更灵活地利用AI能力的方式 。
成本与效率：模型微调需要对模型本身的参数进行重新训练，这个过程不仅需要海量的标注数据，而且计算成本高昂，周期漫长。而提示词工程则是在不改变模型自身参数的前提下，通过优化输入指令来激发模型内部已有的知识和能力 。这使企业能够以更低的成本、更快的速度进行AI应用的原型设计和功能迭代。
灵活性与可控性：提示词可以被看作是应用的“软逻辑”，可以随时进行修改和部署，而无需重新训练整个模型。这种灵活性使得产品团队能够快速响应业务变化和用户反馈，持续优化AI功能。
掌握提示词工程，意味着产品和业务团队获得了直接塑造和控制AI行为的能力，能够更快地将AI技术转化为实实在在的商业价值。
设计生产级提示词是一门兼具逻辑与创意的艺术。它要求我们像产品经理规划功能、像工程师设计架构一样，系统化地构建与AI的沟通桥梁。本部分将深入探讨提示词的设计流程、常用框架和核心技巧，为产品和业务人员提供一套可复用的方法论。
一个成功的提示词需要遵循严谨的设计流程。我们可以将其类比为微型的产品开发周期，确保最终产出能够精准满足业务需求。
第一步：需求分析（ “Why”）
在动笔之前，首先要清晰地定义业务目标和用户需求 。问自己几个关键问题：
这一步相当于编写产品需求文档（PRD）或用户故事，是整个设计过程的基石。
第二步：初始提示词设计（ “What”）
基于需求分析，草拟第一个版本的提示词。此时，应有意识地包含之前提到的核心要素 ：
第三步：测试与评估（ “How Well”）
使用一系列输入数据来测试提示词，这些数据应覆盖典型使用场景和潜在的边缘情况。然后，根据第一步定义好的成功标准来评估AI的输出。评估的维度将在后续笔记中具体介绍
第四步：迭代与优化（”Improvement Loop”）
根据测试结果，对提示词进行持续的优化和精炼。这可能包括：调整措辞、增加或修改示例、强化约束条件、改变赋予的角色、甚至切换模型等。这是一个不断循环的过程，直到提示词在各种测试下都能稳定地产生高质量的输出。
提示词框架如同写作的模板，它们提供了一种经过验证的结构，帮助我们在设计提示词时不遗漏关键信息，从而系统性地提升提示词的质量和稳定性 。
为了帮助产品和业务人员快速选择合适的工具，下表对比了几个主流的提示词框架及其适用场景。
TAG框架：简洁高效
TAG框架是最简单直接的结构之一，非常适合日常的快速任务定义 。
APE框架：强调意图
APE框架与TAG相似，但更侧重于让模型理解任务背后的“目的”，这有助于模型做出更智能的决策
COAST框架：应对复杂战略
当面对需要综合多个因素的复杂或战略性任务时，COAST框架提供了一个全面的思考结构 。
LangGPT框架：构建专属AI智能体
LangGPT是一种高度结构化的提示词设计范式，它将提示词设计类比为面向对象编程，旨在创建具有特定角色、规则和工作流程的、可复用的AI智能体 。它通常使用Markdown格式，包含以下模块
例如，一个“唐代诗人”的LangGPT提示词，会详细定义其诗人身份、擅长的诗歌体裁（如七言律诗）、必须遵守的格律规则，以及如何与用户互动（要求用户提供主题和形式）。这种框架非常适合构建需要长期保持一致性和专业性的虚拟助手或专家系统。
掌握了框架之后，还需要一系列具体的技巧来进一步打磨和优化提示词，以应对不同的任务需求。
零样本提示：在不提供任何范例的情况下，直接要求模型完成任务。这完全依赖于模型在预训练阶段学到的通用能力 。
应用：适用于任务简单直接（如“翻译‘你好’到英文”）、或快速验证一个AI功能概念的场景。
少样本提示：在提示词中提供一个或多个（通常不超过5个）完整的任务范例（“shot”），向模型展示期望的输入和输出格式。这是一种强大的“情境学习”（In-context Learning）技术 。
应用：当需要强制模型遵循特定的输出格式、语气或风格时极为有效。例如，在生成客服邮件时，提供2-3个符合公司规范的邮件范例，能让新生成的邮件质量大幅提升。
提供范例是LLM这种模式匹配引擎最直接有效的引导方式之一。它将模糊的“指令”转化为清晰的“模式”，极大地降低了模型“猜错”用户意图的概率，是产品经理在不进行代码级开发的情况下提升AI性能的最有力工具。
分解，也称为“提示链”（Prompt Chaining），是将一个复杂的大任务拆分成一系列更简单、更小的子任务，然后通过多个提示词按顺序完成 。
任务：分析一份冗长的年度财报。
提示词1（提取）：“从以下财报文本中，提取所有关键财务数据（收入、利润、现金流），并以JSON格式输出。”
提示词2（分析）：“基于以下财务数据，识别出三大主要财务风险。”
提示词3（生成）：“根据识别出的财务风险，草拟一封给管理层的预警邮件。”
这种方法降低了单次任务的复杂度，让模型能更专注、更准确地完成每一步 。
即赋予AI一个特定的身份或专家角色，如“你是一位拥有20年经验的营销总监”或“假设你是一名严谨的法律顾问” 。
作用原理：角色提示为模型提供了强大的上下文，能够激活其知识库中与该角色最相关的部分，从而使其输出的语气、风格和专业知识更符合预期 。
技巧：角色的定义越具体越好。“你是一名数据科学家”是好的开始，但“你是一名专注于B2B SaaS领域客户流失预警模型的数据科学家”则能带来更精准的输出 。
这是一种引导模型在给出最终答案前，先展示其“思考过程”的技术 。通过在提示词中加入“让我们一步一步地思考”或提供包含推理步骤的范例，可以显著提升模型在逻辑推理、算术和复杂问题解决上的准确性 。
商业应用：解决一个多步骤的计算问题，如“A套餐每月50元，含1000分钟通话，超出部分每分钟0.1美元。B套餐每月70元，不限通话。如果客户上月通话1200分钟，哪个套餐更划算？” 使用CoT，模型会先计算A套餐的总费用，再与B套餐比较，最后给出结论，过程清晰且不易出错 。
零样本CoT：一个非常实用的技巧，只需在你的问题后加上一句“让我们一步一步地思考”（Let’s think step-by-step），就能在不提供范例的情况下，有效激发模型的推理能力 。
需要注意的是：随着推理模型的普及，这种提示技巧的必要性可能在下降
ToT是CoT的进阶版。当一个问题存在多个可能的解决路径时，ToT允许模型同时探索多个“思维分支”，对每个分支进行评估，甚至在发现某个分支是死胡同时进行“回溯”，转而探索其他路径 。
应用：进行战略规划或头脑风暴。例如：“为我们的新产品制定上市策略。请从‘线上营销’、‘线下活动’和‘渠道合作’三个方向进行探索，并分别评估每个方向的优缺点和潜在风险。” 模型会将这三个方向作为不同的分支进行深入思考 。
这是一种让模型对其自身的输出进行评估和改进的技术 。在模型生成初步答案后，可以追加一个提示词，如：“请检查你刚才的回答。是否存在事实错误？逻辑是否严谨？有哪些可以改进的地方？” 这利用了模型强大的文本分析能力来优化其自身的生成能力。
明确告知模型不要做什么。例如，“回答中不要包含任何技术术语”或“在生成的文案中，禁止使用‘革命性’、‘颠覆性’等夸大词汇”。这个技巧在使用得当的情况下，能非常有效地对输出内容进行“塑形”，确保其符合特定的沟通规范。
一些需要根据使用场景具体分析的技巧：
负面约束：具体效果不一定好，也不一定不好。过多或复杂的负面约束可能会让模型感到困惑，导致性能下降。建议保持负面约束的简洁和明确。
角色提示：在需要生成创造性内容或模仿特定风格的任务中（如写营销文案、扮演客服），角色提示效果较好。但在纯粹要求事实准确性的任务中（如从文本中提取数据），其作用相对有限，清晰的指令和输出格式定义更为重要。
除了优化提示词文本，调整模型的生成参数也是提示词工程的重要一环。对于产品和业务人员来说，可以将这些参数理解为控制AI输出风格的旋钮。
定义：Temperature控制着模型生成下一个词时的随机性程度。
一个较低的温度值（如0.2）会使得模型更倾向于选择概率最高的词，从而产生更可预测、更保守的文本。一个较高的温度值（如0.8或更高）则会“拉平”词语间的概率差异，让概率较低的词也有机会被选中，从而产生更多样、更具创造性甚至出人意料的文本 。
在提示词设计中的应用：
定义：Top-p，也称核采样（Nucleus Sampling），是一种动态控制词汇选择范围的方法。它设定一个概率阈值p（如0.9），模型会从输出概率最高的词开始，不断累加它们的概率，直到总和达到p为止，然后模型只从这个“核心”（nucleus）词汇集中进行抽样 。
与Top-k固定数量不同，Top-p的词汇集大小是动态变化的，模型越确定，词汇集越小；模型越不确定，词汇集越大 。
在提示词设计中的应用：
定义：Top-k是最简单的采样控制方法。它直接限制模型在生成下一个词时，只能从概率最高的k个词中进行选择 。例如，设置Top-k为10，模型无论面对什么情况，都只会在10个备选词中挑选。
在提示词设计中的应用：
在实际应用中，通常会调整Temperature和Top-p中的一个，而不是同时调整两者，以避免不可预测的效果。
对产品和业务人员而言，理解这些参数的含义，意味着你可以在不改动提示词文本的情况下，通过调整这些参数来改变AI应用的输出风格，以适应不同的业务场景。
本文由 @Mrs.Data 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。