参考资料

• OpenAI Prompt Engineering
• OWASP Prompt Injection

Prompt Engineering（01） - 认识提示词工程

读完后，你应能完成以下任务：

• 绘制“Prompt Engineering（01） - 认识提示词工程 / 几个核心概念，一次说清”的关键对象与数据流，解释“你发给大模型的全部输入，就是提示词。”，并用源码位置、日志或 Trace 标注证据。
• 为“Prompt Engineering（01） - 认识提示词工程 / 提示词工程（Prompt Engineering）”设计正常与异常输入，验证“稳定：不是碰运气问出一次好结果，而是每次都能拿到好结果。”，输出首个偏差位置与回归测试结果。
• 实现“Prompt Engineering（01） - 认识提示词工程 / 一个常见误解”的最小代码或配置，检验“模型越强，越能听懂复杂指令，好提示词带来的收益反而越大。”，输出命令、结果与 Diff，并说明不适用边界。

本章目标：理解什么是提示词、什么是提示词工程，明白「提示词的质量直接决定输出的质量」，建立对这门技能的整体认知。

---

一、先从一个真实场景说起

假设你想让 AI 帮你写一封请假邮件。

你随手一问：

帮我写个请假邮件

模型大概会给你一封「正确但没用」的邮件——它不知道你向谁请假、请几天、什么原因，只能编：

尊敬的领导：
您好！我因个人原因，需请假 X 天（X月X日至X月X日），望批准。
此致敬礼！
XXX

全是占位符，你还得自己填一遍，跟没写差不多。

现在换一种问法：

帮我写一封请假邮件。
- 收件人：我的直属领导王经理
- 事由：家里有事，需要回老家处理
- 时间：本周四到周五，共 2 天
- 语气：诚恳、正式，但不要过度卑微
- 要求：说明工作已交接给同事李明，不超过 150 字

这次模型能直接给你一封拿来就能发的邮件。

同一个模型，同一件事，结果天差地别。差别不在模型，在于你怎么「问」。 这就是提示词工程要研究的东西。

---

二、几个核心概念，一次说清

2.1 提示词（Prompt）

你发给大模型的全部输入，就是提示词。 一个问题、一段指令、一篇要总结的文章、几个示例——只要是你喂给模型让它据此生成回答的内容，都算提示词。

2.2 提示词工程（Prompt Engineering）

有方法、有策略地设计和优化提示词，从而稳定地从模型拿到你想要的结果，这件事就叫提示词工程。

注意三个关键词：

• 稳定：不是碰运气问出一次好结果，而是每次都能拿到好结果。
• 方法：它有套路、有框架，可以学、可以练，不是天赋。
• 想要的结果：以你的目标为准，而不是「模型答得对不对」。

2.3 一个常见误解

「模型够强就行了，提示词无所谓。」

恰恰相反。模型越强，越能听懂复杂指令，好提示词带来的收益反而越大。就像给一个能力很强的助理派活——你说得越清楚，他能帮你做的就越多；你含糊其辞，再厉害的助理也只能猜。

---

三、好提示词 vs 坏提示词：到底差在哪

把上面那个例子拆开看，好提示词多做了这几件事：

维度	坏提示词	好提示词
明确目标	「写个邮件」	「写一封请假邮件」
提供上下文	无	收件人、事由、时间
指定语气/风格	无	诚恳、正式、不卑微
给出约束	无	不超过 150 字、说明工作交接

记住一句话：模型不会读心。你脑子里清楚的事，必须写出来它才知道。 你省下的每一个细节，它都得替你猜，而猜错的概率很高。

---

四、提示词工程能用在哪

它几乎能用在所有和文字、信息打交道的场景：

• 写作：邮件、文案、报告、周报、演讲稿。
• 信息处理：长文总结、要点提取、翻译、改写。
• 编程：写代码、解释代码、找 Bug、写测试。
• 分析决策：数据解读、方案对比、利弊分析。
• 学习：把复杂概念讲简单、出练习题、当陪练。
• 做产品：很多 AI 应用的核心，本质就是一套精心设计的提示词。

换句话说，提示词工程是用好所有大模型产品的「通用底层能力」。学会它，不管将来出什么新模型、新工具，你都能快速上手。

---

五、常见错误（新手最容易踩的坑）

1. 太笼统：「帮我分析一下」——分析什么？从哪个角度？要多详细？模型只能瞎猜。
2. 以为模型记得一切：它不知道你是谁、在做什么项目，除非你告诉它。
3. 一次塞太多任务：「帮我总结这篇文章、翻译成英文、再写条朋友圈」——任务越多越容易顾此失彼，不如拆开问。
4. 结果不对就放弃：第一次不理想很正常，提示词是「调」出来的，不是「一次成」的（这正是第 08 章要讲的）。
5. 追求一句话搞定：好提示词往往是几行甚至几段，把背景、要求、格式都交代清楚。短不等于好。

---

六、最佳实践（贯穿全书的心法）

• 把模型当成聪明但完全不了解你的新同事：交代任务时，背景、目标、要求、交付格式，一样都别省。
• 想清楚再问：你自己都说不清要什么，模型更给不了。写提示词的过程，也是逼自己理清需求的过程。
• 先具体，再优化：先尽量写具体，拿到结果后再针对性调整，比一开始就追求完美高效得多。
• 示例是最好的语言：与其费劲描述你想要什么，不如直接给一个例子（第 05 章详谈）。

---

七、本章小结

• 提示词 = 你给模型的全部输入；提示词工程 = 有方法地优化它以稳定拿到想要的结果。
• 同一个模型，提示词的好坏决定了输出的天壤之别。
• 核心心法：模型不会读心，把模型当成不了解你的聪明新同事，该说的都说清楚。

下一章，我们会用大白话拆开模型的「脑子」，看看它到底是怎么理解你的话的——搞懂这个，你才知道为什么有些技巧有效。

---

八、配套 Demo

见 提示词工程-demo/01-demo/：一组「坏提示词 vs 好提示词」的真实对比清单，你可以拿任意一个 AI 工具，亲手跑一遍，直观感受差距。

九、动手实践：demo：坏提示词 vs 好提示词 对比清单

这个 Demo 不需要写代码，也不需要装任何东西。它的目的只有一个：让你亲手感受「怎么问」对结果的影响。

9.1 怎么用

1. 打开任意一个 AI 对话工具（ChatGPT、Claude、文心、通义、Kimi……都行）。
2. 把下面每一组的「❌ 坏提示词」复制进去，看结果。
3. 再把同一组的「✅ 好提示词」复制进去，对比结果。
4. 留意：好提示词到底多说了什么，让结果变得能用。

---

9.2 对比组 1：写邮件

❌ 坏提示词

帮我写个请假邮件

✅ 好提示词

帮我写一封请假邮件。
- 收件人：我的直属领导王经理
- 事由：家里有事，需要回老家处理
- 时间：本周四到周五，共 2 天
- 语气：诚恳、正式，但不要过度卑微
- 要求：说明工作已交接给同事李明，不超过 150 字

👉 观察点：坏提示词全是 XXX 占位符，好提示词直接能发。

---

9.3 对比组 2：做总结

❌ 坏提示词

总结一下这篇文章
（粘贴一篇长文）

✅ 好提示词

请总结下面这篇文章，要求：
- 用 3 条要点概括核心观点
- 每条不超过 30 字
- 面向没读过原文的同事，让他们快速了解大意
- 最后单独给出一句「一句话总结」

文章如下：
（粘贴一篇长文）

👉 观察点：明确了「几条、多长、给谁看、要什么额外产出」，结果立刻可用。

---

9.4 对比组 3：解释概念

❌ 坏提示词

解释一下什么是 API

✅ 好提示词

请向一个完全不懂技术的人解释什么是 API。
- 用一个生活中的比喻
- 不超过 100 字
- 不要出现专业术语

👉 观察点：同样是「解释 API」，加了受众和约束后，结果从「百科词条」变成「人话」。

---

9.5 对比组 4：写代码

❌ 坏提示词

写个排序

✅ 好提示词

用 Python 写一个对整数列表排序的函数。
- 函数名 sort_numbers，参数是一个 list
- 用快速排序实现，不要调用内置 sorted
- 每个关键步骤加中文注释
- 末尾给一个调用示例

👉 观察点：语言、函数名、算法、注释、示例——交代清楚后，拿到的代码直接能用。

---

9.6 你应该得到的结论

把这 4 组都跑一遍，你会发现一个规律：

好提示词 = 坏提示词 + 明确目标 + 上下文 + 风格/语气 + 约束条件。

这正是第 03、04 章要系统讲的内容。现在，你已经亲眼见过它的威力了。

9.7 动手练习

挑一件你这周真的要做的事（写个通知、整理个资料、查个问题），先用「随手一问」的方式问 AI，再用上面的规律把它改写成一个好提示词，对比两次结果。这是练提示词最快的方式。

十、总结

• 几个核心概念，一次说清：你发给大模型的全部输入，就是提示词。
• 好提示词 vs 坏提示词：到底差在哪：你脑子里清楚的事，必须写出来它才知道。
• 提示词工程能用在哪：做产品：很多 AI 应用的核心，本质就是一套精心设计的提示词。
• 常见错误（新手最容易踩的坑）：太笼统：「帮我分析一下」——分析什么？ -> 以为模型记得一切：它不知道你是谁、在做什么项目，除非你告诉它。 -> 一次塞太多任务：「帮我总结这篇文章、翻译成英文、再写条朋友圈」——任务越多越容易顾此失彼，不如拆开问。 -> 结果不对就放弃：第一次不理想很正常，提示词是「调」出来的，不是「一次成」的（这正是第 08 章要讲的）。
• 最佳实践（贯穿全书的心法）：写提示词的过程，也是逼自己理清需求的过程。
• 提示词工程（Prompt Engineering）：稳定：不是碰运气问出一次好结果，而是每次都能拿到好结果。