共计 1345 个字符，预计需要花费 4 分钟才能阅读完成。
痛点分析：为什么你的提示词总翻车？
刚接触提示词工程时，最常遇到的场景就是：满怀期待输入一段指令，结果 AI 要么答非所问，要么生成一堆废话。比如想让 GPT- 4 写电商文案，输入 ” 写个手机广告 ”，得到的可能是参数罗列，而不是吸引人的卖点。这种输出不稳定的核心原因在于：
- 模糊的指令边界：未明确生成内容的格式、长度、风格等约束条件
- 缺失上下文角色：未给 AI 分配具体身份（如 ” 你是个 10 年经验的数码产品文案专家 ”）
- 缺乏任务拆解：复杂任务需要分步骤引导（先列卖点再润色文案）
结构化提示词设计框架
经过多次实践，我总结出提示词设计的黄金公式：
- 角色定义：给 AI 明确的身份定位
- 任务分解：将复杂需求拆解为子步骤
- 约束条件：设定格式、长度、风格限制
举个例子，优化后的手机广告提示词：
# 结构化提示词模板
template = """
角色：你是专注于 3C 领域的资深营销文案专家，擅长用情感化语言突出产品卖点
任务：为新款 iPhone 撰写社交媒体广告文案
要求：1. 突出夜间拍摄、续航、屏幕三个核心优势
2. 使用年轻人喜欢的网络化表达
3. 限制在 3 句话内，包含 emoji
"""代码实战：用 Python 构建对话系统
结合 OpenAI API 和 LangChain 实现多轮对话管理：
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
# 定义 few-shot 提示词模板
prompt = PromptTemplate(input_variables=["product", "features"],
template="""
你是个专业的产品经理，需要向技术团队描述需求。以下是两个示例：示例 1:
产品：智能手环
需求：实现心率异常震动提醒，要求延迟小于 1 秒
示例 2:
产品：电子书阅读器
需求：增加 PDF 批注功能，支持手写输入
现在请为 {product} 编写需求：主要功能：{features}
需求描述："""
)
# 调用 GPT-3.5
llm = OpenAI(temperature=0.7)
print(llm(prompt.format(product="智能音箱", features="声纹识别 + 多设备联动")))关键参数说明：
- temperature=0.7：平衡创意与稳定性（0- 1 范围）
- few-shot 示例：提供 2 - 3 个样例降低歧义
性能优化与避坑指南
Token 使用技巧
- 长文本使用
[重要内容优先]将核心信息放在前面 - 避免重复描述（如不要同时用中文和英文说同一件事）
- 用列表替代段落（
- 要点 1\n- 要点 2比长句子更省 token）
常见踩坑点
- 模糊指令：
- ❌ “ 写得专业点 ” → ✅ “ 使用学术论文写作风格，包含引言、方法、结论三部分 ”
- 敏感词处理：
- 添加过滤规则：” 请不要生成涉及政治、暴力等内容 ”
- 过度约束：
- 避免同时要求 ” 幽默 ” 又 ” 严谨 ” 这类矛盾指令
思考题
当你设计了 10 个不同版本的提示词时，如何量化评估它们的优劣？可以从这些维度考虑：
- 生成结果与预期的语义相似度（可用 embedding 余弦相似度）
- 人工评估分数（1- 5 分制打分）
- API 调用耗时与 token 消耗比例
在实际项目中，我通常会先用少量样本做 AB 测试，选择表现最好的 3 个模板再进行大规模应用。记住：好的提示词都是迭代出来的，不要指望一次就能写出完美版本。
正文完
