面试几乎场场都被问prompt，有人问我结构是怎么设计的，有人问prompt怎么影响模型输出效果，还有人问我 prompt 写得好有什么“套路”等等。
我整理了一个系统版的 Prompt 全面理解手册，包括：
Prompt 这个词，听起来像是“对模型说的一句话”，但其实它分为两种理解方式：
✅ 广义 prompt 是你说的每句话，狭义 prompt 是你写的“角色剧本”。
而且，大模型没有记忆，每次你调用 API，其实就是把**“完整的上下文”重新打包**发进去。 每一句话、设定、历史对话，都会被拼进 prompt，一起作为“输入”被模型吃掉。
大模型并不会“理解语言”，它只是通过attention 机制对每个词打“重要性分数”，决定关注什么、怎么生成。
比如你写了：
“你是一名律师，请用专业术语分析下面的案例...”
模型会给“律师”“专业术语”这些词打很高的 attention 分数，它就会优先参考这些词，再去判断后续该怎么输出。
所以：
Prompt 是你给模型的大脑贴的“任务便利贴”，它整个输出都是照着这个贴纸来“演”。
结构清晰、任务明确的 prompt，attention 得分高、引导性强，效果自然也就稳定。
如果 prompt 写得模糊，模型理解错、输出废话、格式混乱，不仅浪费 token，还可能答错，白花钱 + 白搭时间。
反过来，一个清晰高效的 prompt 可以让模型：
✅ 好的 prompt = 成本更低 + 效率更高 + 答案更靠谱
写 prompt，和写产品需求文档一个道理：你越清楚，对方越省事。
随便写一句“帮我处理下这个文本”，模型听不懂你到底要摘要、润色还是翻译。
你给它个“大任务”，它也会乱猜方向。
这是因为模型只看 token，并不知道哪些词最重要。所以你越明确地告诉它“你是啥、干啥、怎么干”，它 attention 就越集中，效果就越稳定。
下面是一个常用结构👇：
你是一个[角色]，
请根据以下[背景信息]，
完成[任务目标]，
并按照[输出格式]回答。
✅ 结构清晰的 prompt，不只是“看起来整齐”，而是“attention 打分更高”，模型更容易“听话”。
📌 以下是我自己用过最管用的技巧，适合调试、迭代和优化效果：
明确任务（task-specific）模型不会猜你想干嘛，你得具体告诉它是摘要？翻译？分类？
设定角色（role-play）明确告诉它你是谁，它就“扮演”谁的说话风格。
限制格式 / 字数 / 风格不说清楚，它就开始跑题、凑字、加寒暄。直接写清楚结构最靠谱。
加反向约束（don’t do）比如“不要寒暄”“不要重复问题”，要写出来，不然模型就会自动“加戏”。
用伪代码写复杂逻辑比如“如果包含A或B，则输出1，否则输出2”，模型反而理解得更清楚。
写好示例（few-shot）示例不要随便举，尽量涵盖你所有的要求，模型会模仿示例的格式和逻辑。
调试时：定位问题模型没听话，先看是不是你：
换成更直白的说法试试比如把“尽量简洁”改成“不要超过20个字”，效果立刻不一样。
多模型适配不同写法GPT、Claude、通义千问、Mistral 各有偏好，prompt 不能一套打天下。
prompt 的版本管理非常重要不要一通乱改，看不到对比。用文档记录每次改动，才能“迭代调参”。
复杂任务拆成多步，甚至多机器人协作一个模型搞不定，拆开三步走：提取 → 检索 → 回答，反而更稳。
⚠️ 注意，这些问题是 prompt 再好也改不了的本质限制：
会胡说八道（幻觉）：模型是猜词，不是查数据库。别指望它输出真相，查资料还是得接工具。
上下文有限：prompt 太长、历史太多会被截断。关键信息请靠前放。
同 prompt 不同答：模型有随机性，尤其是 temperature 不为 0 时。重要任务建议设置为 0。
指令放太后会被忽略：注意力机制前面权重高，越后越容易“被看不到”。
表达方式不对就不执行：别说“尽量少说点”，说“输出不要超过20字”它才听懂。
写太复杂反而乱：长 prompt 并不高级，attention 分散、重点不突出，反而容易出错。
✅ Prompt 不是“越详细越好”，而是“越清楚越好”。
Prompt 工程不是玄学，而是逻辑 + 套路 + 实验。
掌握这些结构和原理，才能真的用好大模型，而不是靠“它运气好、你猜得准”。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |