掌握Prompt工程：提问方式决定AI输出质量
AI 每日一课 | 第 7 期
上期我们探讨了推理与生成机制——AI如何逐字产出内容。今天来聊聊一个你每天都在实践、却可能从未系统梳理的课题：如何与AI对话，才能获得最佳答案？
这就是Prompt工程（Prompt Engineering）。它并非神秘莫测，而是基于模型运作原理的「沟通方法论」。
回顾第6期：模型每一步都在依据前文预测下一个Token。你提供的前文（Prompt）直接决定了模型的预测走向。
形象比喻：Prompt犹如为导航设定目的地。同样的车辆（模型），输入「北京」与输入「北京市朝阳区建国路88号」，到达的精准度天壤之别。
模型的能力是恒定的，但Prompt决定了你能激发多少潜能。优秀的Prompt能让7B模型达到接近70B的水平；糟糕的Prompt则能让GPT-4给出毫无价值的回复。
大多数API将Prompt划分为三个组成部分：
System（系统指令）：设定AI的身份定位、行为准则、输出样式。模型会在整个对话过程中始终遵循。
User（用户输入）：你的具体问题或指令。
Assistant（助手回复）：AI的作答，也可预填充以引导输出方向。
User: 编写一个快速排序算法。
Assistant: （模型开始生成）
System Prompt是最被忽视的利器。多数人只撰写User消息，未能认识到System的强大作用。一个恰当的System Prompt能从根本上提升所有后续回答的品质。
赋予模型一个具体角色，它会依据该角色的「专业素养」来作答。
差：帮我检查这段代码有什么问题
好：你是一位拥有10年经验的高级Go语言工程师，精通高并发系统架构设计。请review以下代码，重点审视并发安全性与性能表现。
为何有效？模型在预训练阶段接触过大量「专业人士撰写的内容」，角色设定帮助它锁定到相应的「知识领域」。
为模型提供若干输入-输出的范本，使其掌握你所需的格式与风格。
输入：这个方案需要调整。
输出：This proposal requires further refinement.
输入：领导要求下周必须完成。
输出：Management has set a firm deadline for next week.
输入：这个bug很严重，需要立即修复。
输出：
模型在观察前两个示例后，会自动习得「口语中文 → 正式商务英语」的转换规律。
Few-shot的威力：无需微调模型，仅需2-5个示例就能让模型掌握新任务。
引导模型「先思考再作答」，而非直接给出结论。
差：小明有5个苹果，给了小红2个，又买了3个，现在有几个？
好：小明有5个苹果，给了小红2个，又买了3个，现在有几个？请逐步推理。
添加「请逐步推理」后，模型会展示思考过程，准确率明显提高。
为何有效？自回归生成本质是「边输出边思考」。让模型先输出推理步骤，相当于给予更多「思考空间」——中间步骤的Token会影响后续预测，引导模型走向正确答案。
清晰指定你期望的输出格式。
{
"summary": "一句话概括",
"priority": "high/medium/low",
"estimated_hours": 数字,
"risks": ["风险1", "风险2"]
}
模型非常善于遵循格式规范。一旦给出模板，它几乎不会偏离。
明确告知模型「避免什么」与「必须做什么」。
- 回复不超过200字
- 避免使用专业术语，用通俗易懂的语言
- 如不确定，回答「我不确定」而非编造
- 每个要点用一句话归纳
约束越细化，输出越可控。
过于笼统：「帮我写个程序」→「请用Python实现一个计算器，支持加减乘除运算」
冗长无焦点：堆砌3000字背景 → 精简至核心信息，采用结构化呈现
负面指令：「不要用for循环」→ 改为「使用列表推导式」
一次性提问过多：5个不相关问题 → 分多次询问，每次聚焦一个主题
缺少背景信息：「这个bug怎么修」→ 附上错误日志、代码片段、环境配置
核心原则：把模型视作一位能力出众但不了解你情况的新同事。你提供的背景信息越详尽，它的输出越精确。
回到第3期讲述的Transformer注意力机制：模型在生成每个Token时，会「关注」输入中的全部内容。Prompt工程的本质，就是调控模型的注意力分配。
角色设定：引导模型关注「专家视角」
Few-shot：引导模型关注「输出格式」
CoT：引导模型关注「推理步骤」
约束：引导模型关注「边界条件」
你在第4期学到的Token预算概念同样适用此处——Prompt越长，消耗的Token越多，留给回答的空间越少。因此优质的Prompt应当精炼且信息密度高。
policy.md——System Prompt + 规则约束 + Few-shot的工程化实践
SKILL.md——角色设定 + 能力边界定义
steering文件——全局约束，作用于所有对话
泰勒一阶优化提示词——量化每个Prompt片段的重要性
RAG检索注入——动态补充背景知识，拓展模型认知
你的整个Camus Skill体系，本质上就是一套工程化的Prompt管理系统——将零散的Prompt技巧固化为可复用、可迭代的文件架构。
1.Prompt决定你能激发模型多少能力——好的Prompt让7B接近70B
2.System Prompt是最被低估的利器，一次设定持续生效
3.五种核心技巧：角色设定、Few-shot、CoT、格式约束、边界约束
4.Few-shot仅需2-5个示例就能教会模型新任务，无需微调
5.CoT「逐步推理」能显著提升推理准确率
6.Prompt工程的本质是控制Transformer的注意力分配
明天第8期，我们聊上下文窗口——为什么AI会「遗忘」之前的对话？KV Cache是什么？长文本处理的瓶颈在哪？
明天见。