Prompt 实践指南

发表于 2025-11-08 更新于 2026-01-22 分类于 ai

Prompt（提示词）是一门同 LLM（大语言模型）进行沟通的语言，通过它才能让 LLM 知道应该去做什么以及怎么去做。

LLM 擅长处理以下任务：

逻辑推理与分析
信息提取与总结
多语言翻译
内容生成
...

LLM 的局限性：

幻觉问题（Hallucinations）：模型可能生成看似合理但实际错误的信息
上下文长度限制（Size Limitation）：输入和输出都有长度限制
时效性问题：训练数据有一定的时间截断，无法获取最新信息
逻辑推理边界：复杂的多步推理会导致误差累积，最后可能出现错误结果

Prompt 编写的核心原则

原则一：做什么，编写清晰的指令

为特定目标编写清晰的指令，具体技巧包括：

使用分隔符

使用清晰的分隔符来区分不同的内容部分。

"""
将下面的文本总结为要点：
[待总结的文本]
"""

常用的分隔符：

"""
< >
<tag></tag>
:

排版以及输出

标准化的排版能让 LLM 更好的理解 Prompt，而标准化的输出有利于外部系统进行结果分析。

比较常用的排版格式：Markdown
比较常用的输出格式：JSON，YAML等

请以 JSON 格式输出结果，包含以下字段：

- title: 标题
- summary: 摘要
- tags: 标签数组

检查条件

在完成任务前，要求模型检查结果是否满足条件，以及不同条件下的处理方式。

1 2	如果提供的文本中不包含日期信息，请输出"未找到日期"，否则提取并格式化日期。

Few-shot

提供更多的示例帮助模型训练，来更好的理解任务：

将下列形容词转换为比较级：

快乐 → 更快乐
高 → 更高
好 → ______

原则二：怎么做，给模型"思考"的时间

通过推理，来规划步骤，来提高模型输出的准确性。

明确给出必要的执行步骤

明确指定完成任务所需的步骤：

请按以下步骤完成任务：

1. 阅读并理解用户需求
2. 分析问题的关键点
3. 列出可能的解决方案
4. 评估每种方案的优劣
5. 给出最终建议

借助模型来规划执行步骤

由于模型擅长分析和推理，可以让模型先分析问题，然后规划出一套执行步骤，最终得出答案。

在给出最终答案前，请先：

1. 分析题目要求
2. 列出你的推理过程
3. 验证你的答案

然后再输出最终结论。

多轮对话（Conversation）

通过记忆多轮迭代对话的内容，收集足够多的上下文信息，将上下文提交给 LLM 来获得特定任务的最终答案。

常用 Prompt 模式

角色模式（Persona Pattern）

指定 AI 的角色，然后执行特定的任务。这样可以让模型基于角色的专业领域来回答问题，使答案更加准确。

核心 Prompt 模板：

1 2	你是一位 [角色名称]，具备该领域的专业知识和经验。请基于你的角色背景，帮我完成以下任务：[任务描述]

示例：

1 2	你是一位资深的前端工程师，擅长 React 和 TypeScript。请帮我设计一个组件的状态管理方案。

信息补充模式（Give more information）

由于 LLM 的训练数据有时效性限制，提供与任务相关的更新更多信息可以帮助 LLM 更好地理解和处理任务。

被动提供，一开始就在 Prompt 中就提供相关的信息，包括示例，关联数据，论文等
主动收集，通过多轮对话的形式，让 AI 来主动收集信息

Few-shot Pattern

提供更多的示例帮助模型训练，来更好的理解任务。

示例应当：

清晰明确
细节足够
（可选）包含中间步骤

示例：

请仿照以下格式，描述"猫"这个动物：

动物：狗
特征：忠诚、友好、体型多样
寿命：10-15年

动物：猫
特征：___
寿命：___

认知验证模式（Cognitive Verifier Pattern）

用于生成一些相关问题来收集更多信息，然后生成更准确的最终答案。

核心 Prompt 模板：

当我向你提问时，请按照以下步骤回答：

1. 首先生成 3-5 个有助于更准确回答问题的补充问题
2. 等我回答这些补充问题后
3. 结合所有答案生成完整的最终答案

翻转交互模式（Flipped Interaction Pattern）

让 AI 逐步询问与任务相关的问题来收集信息，然后结合答案生成最终答案。

核心 Prompt 模板：

我希望你向我提问，以帮助我实现 [目标]。

请按以下方式进行：
1. 逐步向我提问，每次提 [数量] 个问题
2. 持续提问直到 [条件满足] 或达到目标
3. 最后结合所有答案给出最终结论

示例：

我希望你向我提问，帮助我制定一个学习 Python 的计划。

请按以下方式进行：
1. 逐步向我提问，每次提 2-3 个问题
2. 持续提问直到你充分了解我的背景和目标
3. 最后结合所有答案给出一个详细的学习计划

（AI 会开始提问：你目前有编程基础吗？你每天能投入多少时间学习？你学习 Python 的主要目的是什么？...）

尾部请求模式（Ask for input Pattern）

要开启多轮对话，一般会在 Prompt 结尾处，让 LLM 主动发起下一轮对话。

核心 Prompt 模板：

在完成上述任务后，请执行以下操作：

1. 总结你刚刚提供的内容 [重复关键要点 Y]
2. 向我提出相关问题 [询问 X]，以便继续深入或转向下一个话题
3. 等待我的进一步指示

推理

推理通过对复杂任务进行分析，分解为一个个更小粒度的子任务，并对这些子任务进行合理的规划，从而得到更严谨更准确的最终答案。

思维链（CoT，Chain of Thought）

所以让 LLM 使用推理将任务分解为步骤，这有助于 LLM 生成更加准确的答案。

核心 Prompt 模板：

请按照以下步骤逐步推理并得出结论：

1. 理解问题：[任务的具体要求]
2. 分析条件：[列出已知信息和限制条件]
3. 推理过程：[基于已知条件进行逻辑推理]
4. 验证结果：[检查推理过程是否合理]
5. 得出结论：[给出最终答案]

在给出最终答案前，请完整展示你的推理过程。

可以结合 Few-shot，提供完整的推理示例供模型学习。

大纲扩展模式（Outline Expansion Pattern）

帮助将任务分解为更详细的步骤。

核心 Prompt 模板：

请作为大纲扩展器帮我工作，工作流程如下：

1. 根据我提供的 [主题/内容]，生成一个要点大纲
2. 询问我想要扩展哪个要点
3. 为我选择的要点创建详细的子大纲
4. 完成后询问我要扩展下一个要点，还是开始其他内容
5. 重复上述过程，直到我表示完成

示例：

请作为大纲扩展器帮我工作，工作流程如下：

1. 根据我提供的主题：如何学习编程，生成一个要点大纲
2. 询问我想要扩展哪个要点
3. 为我选择的要点创建详细的子大纲
4. 完成后询问我要扩展下一个要点，还是开始其他内容
5. 重复上述过程，直到我表示完成

（AI 会生成：选择编程语言 → 学习基础语法 → 练习编程项目 → 深入学习 → 参与开源社区）
（用户选择：学习基础语法）
（AI 会展开：变量与数据类型 → 控制流 → 函数 → 数据结构 → 面向对象...）

模板模式（Template Pattern）

标准化的排版能让 LLM 更好的理解 Prompt，而标准化的输出有利于外部系统进行结果分析。

核心 Prompt 模板：

请严格按照以下模板格式输出你的答案，其中 `<PLACEHOLDER>` 是需要填充内容的占位符：

---

模板开始
-------
<PLACEHOLDER_1>: [在此填充内容]
<PLACEHOLDER_2>: [在此填充内容]
-------
模板结束

注意：请保持模板的整体格式和结构不变，只需填充占位符部分。

示例：

请严格按照以下模板格式输出你的答案，其中 `<PLACEHOLDER>` 是需要填充内容的占位符：

---

模板开始
-------

## 问题分析
<ANALYSIS>

## 解决方案
<SOLUTION>

## 注意事项
<NOTES>

-------
模板结束

注意：请保持模板的整体格式和结构不变，只需填充占位符部分。

借鉴项目管理中的SMART原则，一个好的提示词也应该遵循这些原则。

好的提示词不是一次就得到的，而是根据场景不断迭代后得到的，从简单到复杂。

下面这些模式可以帮助我们完善步骤，并提高用户体验。

使用者的角色模式（Audience Persona Pattern）

限定目标背景，声明使用者是谁，根据使用者的角色来定制化回答。

核心 Prompt 模板：

请向我解释以下内容：[主题/概念]

在解释时请注意：
- 我目前的角色/背景是：[角色描述]
- 请使用适合该背景的语言和示例
- 避免使用过于专业的术语，或对术语进行通俗解释

示例：

请向我解释以下内容：什么是"递归"

在解释时请注意：
- 我目前的角色/背景是：完全没有编程经验的小学生
- 请使用适合该背景的语言和示例，比如用"俄罗斯套娃"或"照镜子"来类比
- 避免使用堆栈、调用栈等专业术语，或用简单的语言解释这些术语
- 多举日常生活中的例子帮助理解

问题优化模式（Question Refinement Pattern）

基于上下文以更专业的方式来描述用户输入的问题。

核心 Prompt 模板：

每当我向你提问时，请先执行以下操作：

1. 分析我的问题，理解我的真实意图
2. 建议一个更精确、更专业的问题版本
3. 说明为什么建议的版本更好
4. 询问我是否使用优化后的问题来回答

例如：
我的问题：怎么让网站更快？
你建议：如何优化网站的前端加载性能？
原因：...

食谱模式（Recipe Pattern）

通过填充缺失的步骤来完成任务的所有步骤。

核心 Prompt 模板：

我想实现以下目标：[目标描述]

我已经知道需要执行的部分步骤：
1. [步骤 A]
2. [步骤 B]
3. [步骤 C]

请帮我：
1. 补充完整的步骤序列
2. 填充我遗漏的必要步骤
3. 识别并移除不必要的步骤
4. 按正确顺序排列所有步骤

示例：

我想实现以下目标：在本地搭建一个个人博客网站

我已经知道需要执行的部分步骤：
1. 购买域名
2. 写文章

请帮我：
1. 补充完整的步骤序列
2. 填充我遗漏的必要步骤
3. 识别并移除不必要的步骤
4. 按正确顺序排列所有步骤

（AI 会补充：选择博客框架 → 配置本地开发环境 → 安装主题 → 编写测试文章 → 部署到服务器 → 配置域名解析 → 设置 HTTPS 等）

替代方案模式（Alternative Approaches Pattern）

核心 Prompt 模板：

针对以下任务 [任务描述]，请提供多种解决方案：

1. 列出 3-5 种可行的替代方法
2. 对比每种方法的优缺点
3. 说明各自的适用场景
4. （如果需要）包含我原本提出的方法
5. 给出你的推荐并说明理由
6. 询问我倾向于使用哪种方法

其他模式

提供快捷命令列表，识别用户意图并执行。

核心 Prompt 模板：

我将使用快捷命令与你交互，请按以下规则响应：

命令列表：
- 当我输入 [命令 X] 时，执行：[操作 Y]
- 当我输入 [命令 Z] 时，执行：[操作 Q]
- 当我输入 [命令 R] 时，执行：[操作 S]

执行完操作后，请询问我下一个指令是什么。
如果输入不在命令列表中，请提示我使用有效的命令。

示例：

我将使用快捷命令与你交互，请按以下规则响应：

命令列表：
- 当我输入 /s 时，执行：用 3 个要点总结当前对话的核心内容
- 当我输入 /c 时，执行：确认是否清空对话历史
- 当我输入 /h 时，执行：列出所有可用的快捷命令
- 当我输入 /e 时，执行：用更专业的语言重新表述上一个回答
- 当我输入 /x 时，执行：给出上一个回答的具体代码示例

执行完操作后，请询问我下一个指令是什么。
如果输入不在命令列表中，请提示我使用 /h 查看可用命令。

事实清单模式（Fact Check List Pattern）

根据事实清单，对答案进行最后的校验，减小模型的幻觉，提高回答的准确性和可靠性，会在答案后面附上相关的事实来源。

核心 Prompt 模板：

在提供答案时，请执行事实检查：

1. 列出支撑你答案的所有关键事实
2. 将这些事实插入到输出的 [指定位置，如文末或文首]
3. 这些事实应该是：如果其中任何一项错误，会导致整个答案不成立的基本事实
4. 格式如下：

   关键事实：
   - 事实 1：[描述]
   - 事实 2：[描述]
   - 事实 3：[描述]

示例：

在提供答案时，请执行事实检查：

1. 列出支撑你答案的所有关键事实
2. 将这些事实插入到输出的文末
3. 这些事实应该是：如果其中任何一项错误，会导致整个答案不成立的基本事实
4. 格式如下：

   关键事实：
   - 事实 1：React 18 于 2022 年 3 月发布
   - 事实 2：React 18 引入了并发渲染机制
   - 事实 3：useTransition 是 React 18 新增的 Hook
   - 事实 4：Concurrent Mode 需要显式启用

（AI 在回答完关于 React 18 的问题后，会在文末列出并验证这些事实）

组合使用模式

实际应用中，可以将多个模式组合使用以获得更好的效果。

示例：结合角色 + 模板 + 思维链

你是一位资深的产品经理（角色模式）

请按以下步骤分析这个产品需求（思维链）：
1. 理解用户需求
2. 分析技术可行性
3. 评估商业价值
4. 给出建议

并按以下格式输出结果（模板模式）：

## 需求分析
<ANALYSIS>

## 可行性评估
<FEASIBILITY>

## 建议
<RECOMMENDATION>

ReAct 模式

ReAct 的核心在于思维链与行动的交替循环。

核心思想：

Thought（思考）：分析当前情况
Action（行动）：执行具体操作
Observation（观察）：观察结果
重复：直到任务完成

一个好的 ReAct Prompt 必须具备三个要素：

清晰的工具定义（模型知道有什么工具）。
严格的格式约束（方便代码正则解析 Thought、Action、Action Input）。
Few-Shot 示例（这是质量的关键，教模型如何拆解问题）。

示例：

# Role (角色)
你是一个能力极强的 AI 助手，能够进行分步推理并使用外部工具来回答复杂的问题。

# Tools (工具)
你可以使用以下工具：

1. **[Search]**: 用于搜索互联网上的最新信息、事实或时事。
   - Input: 一个具体的搜索查询词。
2. **[Calculator]**: 用于执行数学计算。
   - Input: 一个有效的数学表达式（例如："200 * 7 / 3"）。
3. **[KnowledgeRetrieval]**: 用于查找特定文档或内部数据库信息。
   - Input: 关键词或语义查询。

# Format Instructions (格式说明)
为了解决用户的问题，你必须严格遵守以下格式。请按顺序执行：

**Question**: 你需要回答的输入问题。
**Thought**: 你应该总是思考下一步该做什么。分析上一步的观察结果或初始问题。
**Action**: 需采取的行动，必须是 [[Search], [Calculator], [KnowledgeRetrieval]] 之一。
**Action Input**: 行动的具体输入内容。
**Observation**: 行动的结果。（**注意：** 这一步不要由你生成！系统会在你输出 Action Input 后提供给你。）
... (Thought/Action/Action Input/Observation 这个循环可以重复 N 次)
**Thought**: 我现在知道最终答案了。
**Final Answer**: 针对原始问题的最终答案。

# Constraints & Rules (约束与规则)
1. **严禁编造 Observation（观察结果）。** 在输出 "Action Input" 后，输出一个换行符并**停止生成**。等待系统为你提供 "Observation"。
2. 你的 "Action" 必须完全匹配提供的工具名称。
3. 你的 "Thought"（思考过程）应该简短、逻辑清晰，并直接推导出下一步行动。
4. 所有的 "Thought" 和 "Final Answer" 必须使用**中文**。
5. 如果你有足够的信息，请直接给出 "Final Answer"。

# Examples (示例)

**Question**: Twitter (X) 现任 CEO 是谁？她的年龄的 0.5 次方是多少？
**Thought**: 我需要先找出 Twitter/X 的现任 CEO 是谁，然后找到她的年龄，最后进行数学计算。
**Action**: [Search]
**Action Input**: Twitter X 现任 CEO
**Observation**: 自 2023 年 6 月起，Linda Yaccarino 担任 X Corp 的 CEO。
**Thought**: 现在我需要找到 Linda Yaccarino 的年龄。
**Action**: [Search]
**Action Input**: Linda Yaccarino 年龄
**Observation**: Linda Yaccarino 出生于 1963 年。截至 2024 年，她大约 61 岁。
**Thought**: 我知道了年龄（61岁）。现在我需要计算 61 的 0.5 次方（即平方根）。
**Action**: [Calculator]
**Action Input**: 61 ** 0.5
**Observation**: 7.81024967591
**Thought**: 我已经完成了计算，现在可以提供最终答案了。
**Final Answer**: Twitter (X) 的现任 CEO 是 Linda Yaccarino。她的年龄（61岁）的 0.5 次方大约是 7.81。

# Current Task (当前任务)
**Question**: {{user_question}}

Prompt 实践指南

Prompt 编写的核心原则

原则一：做什么，编写清晰的指令

使用分隔符

排版以及输出

检查条件

Few-shot

原则二：怎么做，给模型"思考"的时间

明确给出必要的执行步骤

借助模型来规划执行步骤

多轮对话（Conversation）

常用 Prompt 模式

角色模式（Persona Pattern）

信息补充模式（Give more information）

Few-shot Pattern

认知验证模式（Cognitive Verifier Pattern）

翻转交互模式（Flipped Interaction Pattern）

尾部请求模式（Ask for input Pattern）

推理

思维链（CoT，Chain of Thought）

大纲扩展模式（Outline Expansion Pattern）

模板模式（Template Pattern）

优化（Refinement）

使用者的角色模式（Audience Persona Pattern）

问题优化模式（Question Refinement Pattern）

食谱模式（Recipe Pattern）

替代方案模式（Alternative Approaches Pattern）

其他模式

菜单操作模式（Menu Actions Pattern）

事实清单模式（Fact Check List Pattern）

组合使用模式

ReAct 模式

参考资源