Prompt Engineering系统化方法论：从基础模板到高级技巧的完整实战指南
系统化讲解Prompt Engineering方法论，从基础五要素模板到Chain of Thought、Few-shot、System Prompt高级技巧，附完整Python代码示例。
# 为什么你的Prompt总是得不到满意的输出？一套系统化的提示工程方法论
你一定有过这样的经历：同样的问题发给大模型，别人拿到的是精准、结构化的专业回答，而你得到的却是一段泛泛而谈的废话。差距不在模型，而在 Prompt Engineering（提示工程）。
提示工程不是玄学，而是一套可以被系统化学习和复用的工程方法论。本文将从基础模板讲起，逐步深入到 Chain of Thought、Few-shot Learning、System Prompt 设计等高级技巧，并结合可直接运行的 Python 代码示例，帮你建立完整的提示工程知识体系。
一、基础 Prompt 模板：用结构化思维消除歧义
大多数失败的 Prompt 都有一个共同特征：信息模糊、缺少约束、没有输出格式要求。
一个合格的基础 Prompt 应包含以下要素：
| 要素 | 说明 | 示例 |
|---|---|---|
| 角色设定 | 定义模型扮演的身份 | "你是一名资深 Python 后端工程师" |
| 任务描述 | 明确要完成的具体工作 | "请编写一个 REST API 接口" |
| 输入数据 | 提供任务所需的上下文信息 | "数据库表结构如下：..." |
| 输出格式 | 约束返回结果的结构 | "以 JSON 格式返回" |
| 约束条件 | 限定范围和规则 | "不使用第三方库，仅用标准库" |
来看一个可直接运行的完整示例：
python
from openai import OpenAI
client = OpenAI() # 默认读取环境变量 OPENAI_API_KEY
def basic_prompt_example():
"""基础结构化 Prompt 示例：代码审查"""
prompt = """
你是一名拥有 10 年经验的 Python 高级工程师，专注于代码质量审查。
## 任务
请对以下 Python 函数进行代码审查，指出潜在问题并给出改进建议。
## 输入代码
def get_user_orders(user_id):
orders = db.execute(f"SELECT * FROM orders WHERE user_id = {user_id}")
result = []
for row in orders:
result.append({
'id': row[0],
'name': row[1],
'total': row[2]
})
return result
bash
## 输出要求
请按以下格式输出：
1. **安全问题**：列出所有安全隐患（如 SQL 注入风险）
2. **性能问题**：分析性能瓶颈
3. **代码风格**：指出不符合 PEP 8 的地方
4. **改进后的代码**：给出完整的改进版本
"""
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
temperature=0.3,
)
print(response.choices[0].message.content)
basic_prompt_example()
关键要点：temperature 设为 0.3 可以让输出更稳定、更确定。代码审查类任务适合低温度值，创意写作类任务则适合 0.7-0.9。
二、高级技巧一：Chain of Thought（思维链）
Chain of Thought（CoT）的核心思想非常简单：让模型"想清楚"再回答，而不是直接给出结论。
研究表明，当模型被要求展示推理过程时，其输出的准确率可以提升 40% 以上，尤其在数学推理、逻辑判断等任务上效果显著。
2.1 隐式 CoT：通过"逐步思考"触发
最简单的 CoT 实现方式，只需在 Prompt 中加一句引导语：
python
def chain_of_thought_implicit():
"""隐式 CoT 示例：数据分析推理"""
prompt = """
你是一名数据分析师。请分析以下电商销售数据，判断是否需要调整营销策略。
## 销售数据
- 1月：转化率 3.2%，客单价 285 元，UV 50,000
- 2月：转化率 2.8%，客单价 271 元，UV 52,000
- 3月：转化率 2.1%，客单价 248 元，UV 55,000
请逐步分析每个指标的变化趋势及其可能原因，最后给出是否需要调整策略的建议。
"""
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
temperature=0.2,
)
print(response.choices[0].message.content)
chain_of_thought_implicit()
2.2 显式 CoT：提供完整的推理模板
对于复杂任务，可以给模型提供结构化的推理框架：
python
def chain_of_thought_explicit():
"""显式 CoT 示例：带推理框架的技术方案评估"""
prompt = """
你是一名技术架构师，需要评估以下系统升级方案。
## 背景
当前系统：单体 Django 应用，MySQL 数据库，日活用户 10 万。
升级方案：拆分为微服务架构，引入 Redis 缓存，使用 Kafka 做消息队列。
## 请按以下框架逐步分析
### Step 1 - 现状分析
列出当前系统的主要瓶颈。
### Step 2 - 方案匹配度
评估升级方案中的每个组件是否真正解决了 Step 1 中的瓶颈。
### Step 3 - 风险评估
分析引入微服务、Redis、Kafka 后可能带来的新问题。
### Step 4 - 成本估算
评估人力成本、运维成本、迁移风险。
### Step 5 - 最终建议
给出明确的 Go/No-Go 建议，以及推荐的分阶段执行计划。
"""
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
temperature=0.2,
)
print(response.choices[0].message.content)
chain_of_thought_explicit()
三、高级技巧二：Few-shot Learning（少样本学习）
Few-shot 的核心是：不要告诉模型"怎么做"，而是直接展示"做好了的样子"。人类学习新技能也是这个逻辑——看几个例子比读一堆规则更高效。
3.1 Few-shot 文本分类
python
def few_shot_classification():
"""Few-shot 示例：用户意图分类"""
prompt = """
请对用户输入进行意图分类，仅返回以下类别之一：
- PRODUCT_INQUIRY（产品咨询）
- COMPLAINT（投诉）
- TECH_SUPPORT（技术支持）
- OTHER（其他）
## 示例
用户输入：你们的旗舰款手机支持 5G 吗？
分类：PRODUCT_INQUIRY
用户输入：我上周买的耳机左声道没声音了，要求退货！
分类：COMPLAINT
用户输入：App 登录后一直白屏，重装了也不行
分类：TECH_SUPPORT
用户输入：你们公司总部在哪里？
分类：OTHER
## 待分类
用户输入：我刚更新了系统，蓝牙连不上了，之前一直正常的
分类："""
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
temperature=0.0, # 分类任务用最低温度
max_tokens=20, # 限制输出长度
)
print(response.choices[0].message.content.strip())
few_shot_classification()
3.2 Few-shot 格式转换
python
def few_shot_format_conversion():
"""Few-shot 示例：将非结构化会议记录转为结构化 JSON"""
prompt = """
将会议记录转换为结构化的 JSON 格式。
## 输入格式示例
"周三下午产品会议，张三说Q3要上线支付功能，李四表示后端需要2周开发时间，王五建议先出MVP版本。最终决定：先做MVP，8月15日上线。"
## 输出格式示例
{
"meeting_topic": "产品规划会议",
"date": null,
"participants": ["张三", "李四", "王五"],
"key_points": [
{"speaker": "张三", "point": "Q3上线支付功能"},
{"speaker": "李四", "point": "后端需要2周开发时间"},
{"speaker": "王五", "point": "建议先出MVP版本"}
],
"decision": "先做MVP，8月15日上线",
"action_items": []
}
bash
## 待转换输入
"周五站会，赵六报告用户反馈搜索太慢，需要优化。陈七说索引已经加了但还是慢，可能需要换Elasticsearch。老板说先评估成本，下周三前出方案。"
"""
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
temperature=0.0,
)
print(response.choices[0].message.content)
few_shot_format_conversion()
四、高级技巧三：System Prompt 设计
System Prompt 是你与模型之间的"操作系统层"——它定义了模型的行为准则，在所有对话中持续生效。好的 System Prompt 可以让模型的输出质量产生质的飞跃。
4.1 专业代码助手的 System Prompt
python
def system_prompt_code_assistant():
"""System Prompt 示例：专业代码助手"""
system_prompt = """
你是一个专业的 Python 代码助手。请严格遵守以下规则：
## 身份
你是一名在大型互联网公司工作的资深 Python 工程师，精通 Django、FastAPI、asyncio、SQLAlchemy 等技术栈。
## 行为规则
1. 所有代码必须包含类型注解（type hints）
2. 所有函数必须包含 docstring（Google 风格）
3. 优先使用 Python 3.10+ 语法特性（如 match-case、ParamSpec）
4. 涉及异步操作时，必须正确使用 async/await
5. 不得使用已废弃的 API 或库
6. 给出代码时，同时提供至少一个使用示例
## 回答格式
- 先简要说明思路（2-3句话）
- 给出完整可运行的代码
- 标注代码中的关键设计决策
## 禁止事项
- 不要在代码中使用 print() 做调试，使用 logging
- 不要写 if __name__ == '__main__' 块，除非用户明确要求
- 不要省略 import 语句
"""
user_prompt = "请实现一个通用的重试装饰器，支持自定义重试次数、间隔时间、异常类型过滤。"
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt},
],
temperature=0.2,
)
print(response.choices[0].message.content)
system_prompt_code_assistant()
4.2 多轮对话中的 System Prompt 保持
System Prompt 在多轮对话中始终保持，不会被用户的输入覆盖：
python
def multi_turn_with_system_prompt():
"""多轮对话示例：System Prompt 贯穿始终"""
system_prompt = """
你是一名技术文档写作专家。你的任务是将技术内容转化为清晰、专业、结构化的文档。
所有输出必须使用中文，技术术语保留英文原文。
"""
conversation = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": "请帮我写一段关于 Docker 容器网络模式的说明，包括 bridge、host、none 三种模式。"},
]
# 第一轮
response1 = client.chat.completions.create(
model="gpt-4o", messages=conversation, temperature=0.3,
)
reply1 = response1.choices[0].message.content
print("=== 第一轮回复 ===")
print(reply1)
# 第二轮：追加上下文继续对话
conversation.append({"role": "assistant", "content": reply1})
conversation.append({
"role": "user",
"content": "很好，请在以上内容基础上，增加一段关于 overlay 网络模式的说明，并补充各模式的适用场景对比表。",
})
response2 = client.chat.completions.create(
model="gpt-4o", messages=conversation, temperature=0.3,
)
print("\n=== 第二轮回复 ===")
print(response2.choices[0].message.content)
multi_turn_with_system_prompt()
五、实战案例：从 Prompt 到成品
5.1 实战案例一：自动化代码生成流水线
下面展示一个完整的 Prompt 驱动的代码生成器，将需求描述转化为可直接运行的 FastAPI 接口代码：
python
def code_generation_pipeline():
"""实战：Prompt 驱动的 FastAPI 接口代码生成"""
system_prompt = """
你是一名 FastAPI 专家开发者。根据用户的需求描述，生成完整的 FastAPI 接口代码。
要求：
1. 使用 Pydantic v2 定义请求/响应模型
2. 包含完整的类型注解和 docstring
3. 包含合理的参数校验（如 email 格式、字符串长度）
4. 使用依赖注入模式处理数据库会话
5. 包含 HTTP 异常处理（404、422、500）
6. 代码可以直接复制到 FastAPI 项目中运行
"""
user_prompt = """
需求：实现一个用户管理模块，包含以下接口：
1. POST /users - 创建用户（字段：username, email, password）
2. GET /users/{user_id} - 获取用户信息
3. PUT /users/{user_id} - 更新用户信息
4. DELETE /users/{user_id} - 删除用户
业务规则：
- username 3-20 个字符，仅允许字母数字下划线
- email 必须符合标准格式
- password 至少 8 位，包含大小写字母和数字
- 创建时检查 username 和 email 唯一性
"""
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt},
],
temperature=0.1,
)
# 将生成的代码保存到文件
generated_code = response.choices[0].message.content
with open("/workspace/generated_fastapi_users.py", "w", encoding="utf-8") as f:
f.write(generated_code)
print("代码已生成并保存到 generated_fastapi_users.py")
print(generated_code)
code_generation_pipeline()
5.2 实战案例二：结构化文档写作
python
def structured_document_writing():
"""实战：Prompt 驱动的 API 文档生成"""
system_prompt = """
你是一名技术文档工程师，擅长编写清晰、专业的 API 文档。
文档规范：
- 使用中文撰写，API 路径和参数名保持英文
- 每个 API 包含：功能描述、请求方法、URL、请求参数表、响应示例、错误码说明
- 请求参数表包含：参数名、类型、必填、说明
- 响应示例使用真实的 JSON 结构
"""
user_prompt = """
请为以下 FastAPI 接口编写 API 文档：
@router.post("/api/v1/orders", response_model=OrderResponse, status_code=201)
async def create_order(
order: OrderCreate,
current_user: User = Depends(get_current_user),
db: AsyncSession = Depends(get_db),
):
"""
创建订单
- 校验商品库存
- 计算价格（含折扣）
- 扣减库存
- 创建订单记录
"""
...
bash
其中 OrderCreate 模型包含：
- product_ids: list[int]（商品ID列表，1-10个）
- shipping_address: str（收货地址，5-200字符）
- coupon_code: str | None（优惠券码，可选）
OrderResponse 模型包含：
- order_id: str
- total_amount: float
- status: str
- created_at: datetime
"""
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt},
],
temperature=0.2,
)
print(response.choices[0].message.content)
structured_document_writing()
六、性能优化策略
6.1 Token 成本控制
Token 用量直接决定 API 调用成本。以下策略可以显著降低消耗：
python
def token_optimization():
"""Token 优化对比示例"""
# ---- 低效写法：Prompt 冗长，重复信息 ----
bad_prompt = """
你是一个非常专业的人工智能助手，擅长各种编程语言和技术领域。
请你帮我分析一下下面的这段代码有没有什么问题。
如果有问题的话请告诉我具体是什么问题，以及应该如何修复。
代码如下：def calc(a, b): return a/b
"""
# ---- 高效写法：简洁精准 ----
good_prompt = """
审查以下 Python 代码，指出 bug 并给出修复版本：
def calc(a, b):
return a / b
bash
"""
# 使用 tiktoken 计算实际 token 数（需安装：pip install tiktoken）
import tiktoken
enc = tiktoken.encoding_for_model("gpt-4o")
print(f"低效 Prompt token 数: {len(enc.encode(bad_prompt))}")
print(f"高效 Prompt token 数: {len(enc.encode(good_prompt))}")
token_optimization()
6.2 缓存与复用策略
对于重复性任务，可以通过 Prompt 模板化减少重复编写：
python
from string import Template
# 定义可复用的 Prompt 模板
CODE_REVIEW_TEMPLATE = Template("""
审查以下 $language 代码，重点检查：
1. 安全漏洞（注入、XSS、敏感信息泄露）
2. 性能问题（N+1查询、内存泄漏、不必要的循环）
3. 错误处理（异常捕获是否合理、边界条件）
4. 代码可维护性（命名、职责单一、可测试性）
给出严重程度评级：[CRITICAL / HIGH / MEDIUM / LOW]
代码：
$code
bash
""")
def review_code(language: str, code: str):
"""复用模板进行代码审查"""
prompt = CODE_REVIEW_TEMPLATE.substitute(language=language, code=code)
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
temperature=0.2,
)
return response.choices[0].message.content
6.3 模型选择策略
不同复杂度的任务应选择不同的模型，避免"杀鸡用牛刀"：
| 任务类型 | 推荐模型 | temperature | 原因 |
|---|---|---|---|
| 文本分类、意图识别 | gpt-4o-mini | 0.0 | 简单任务，低成本 |
| 代码审查、文档生成 | gpt-4o | 0.2 | 需要深度推理 |
| 创意写作、头脑风暴 | gpt-4o | 0.8 | 需要多样性输出 |
| JSON 结构化提取 | gpt-4o-mini | 0.0 | 格式固定，成本敏感 |
七、常见问题 FAQ
Q1：Prompt 写得很详细，但模型总是忽略其中部分要求，怎么办？
A：这是常见的"注意力稀释"问题。当 Prompt 过长时，模型会降低对细节的关注度。解决方案：
- 将最重要的约束放在 Prompt 的开头和结尾（首因效应 + 近因效应）
- 使用 Markdown 标题、序号等结构化排版，增强层次感
- 对关键规则使用加粗或特殊符号标注
- 如果约束很多，考虑分多轮对话逐步提出
Q2：Few-shot 示例到底给几个最合适？
A：经验法则如下：
- 0-shot（不给示例）：适合模型已非常熟悉的通用任务（如翻译、总结）
- 1-3 shot：适合格式转换、分类、提取等结构化任务
- 5+ shot：适合领域专业性强的任务，但要注意 Token 成本
- 超过 8-10 个示例时，边际收益递减，且可能引发模型对示例模式的"过拟合"
Q3：temperature 应该怎么设？不同任务的最优值是多少？
A：temperature 控制输出的随机性，取值范围 0.0-2.0（实际使用建议 0.0-1.0）：
- 0.0：确定性最强的输出，适合分类、数据提取、代码生成
- 0.2-0.3：轻微变化，适合代码审查、文档写作、数据分析
- 0.5-0.7：中等创造性，适合邮件撰写、文案生成、方案设计
- 0.8-1.0：高创造性，适合头脑风暴、创意写作、故事生成
Q4：System Prompt 和 User Prompt 的分工应该怎么划分？
A：遵循"角色和规则放 System，具体任务放 User"原则：
- System Prompt：角色设定、行为准则、输出格式规范、禁止事项（全局生效，相对固定）
- User Prompt：具体的任务描述、输入数据、本次对话的特殊要求（每次不同）
- 好比公司的规章制度（System）和具体的工作任务（User），两者配合才能高效运转
Q5：如何评估 Prompt 的质量？有没有量化的方法？
A：可以从三个维度量化评估：
- 首次成功率：对同一类任务，Prompt 在第一次调用时就得到满意输出的比例。目标值应大于 80%
- 输出稳定性：同一 Prompt 多次调用（temperature > 0 时），输出质量的一致性。可通过交叉对比评分衡量
- Token 效率比：有用信息量 / 总 Token 数。可以通过人工标注输出中的有效信息行数来估算
Q6：模型输出 JSON 格式时经常格式不规范，如何解决？
A：三种方案，按推荐程度排序：
- 使用 OpenAI 的 Structured Outputs（
response_format={"type": "json_object"}），强制输出合法 JSON - 在 Prompt 末尾加上
"请仅输出 JSON，不要包含任何其他文字" - 结合 Few-shot 给出完整的 JSON 示例，让模型"照猫画虎"
python
# Structured Outputs 示例
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "分析这段文本的情感倾向：..."}],
response_format={"type": "json_object"}, # 强制 JSON 输出
temperature=0.0,
)
Q7：如何在生产环境中做好 Prompt 版本管理？
A：建议采用以下策略：
- 将 Prompt 存储在独立的配置文件或数据库中，不要硬编码在业务逻辑里
- 为每个 Prompt 版本打标签（如
code_review_v3） - 记录每次 Prompt 变更的 diff 和对应的评估指标变化
- A/B 测试：将用户流量按比例分配到不同 Prompt 版本，对比效果
- 回滚机制：发现新版本效果下降时，可快速切回上一版本
八、结语
Prompt Engineering 是一项兼具工程严谨性和创作灵活性的技能。回顾本文的核心要点：
- 结构化是基础：角色、任务、输入、格式、约束五要素缺一不可
- CoT 提升推理：让模型"逐步思考"，尤其适用于复杂分析任务
- Few-shot 加速对齐：用示例代替规则描述，让模型快速理解你的期望
- System Prompt 定基调：全局行为准则一次设定，持续生效
- 成本意识不可缺：合理选择模型、控制 temperature、复用 Prompt 模板
好的 Prompt 不是一次性写成的，而是通过反复迭代、量化评估持续优化的结果。建议你将本文的代码示例直接运行起来，替换为你自己的业务场景，在实践中建立属于自己的 Prompt 模板库。
提示工程之路没有捷径，但有一套系统化的方法可以让你少走弯路。从今天开始，让你的每一个 Prompt 都有据可依、有迹可循。
本文首发于 1630.top，转载请注明出处。