提示词工程速查手册

日常快速查阅版：遇到任务时先看这份，再决定用什么技巧

使用方式

这份手册是按技巧与任务类型组织的速查资料，可与主线教程配合使用：

主线教程采用 4 个学习阶段 + 10 个模块 的递进结构，适合系统学习
本手册适合在实际使用时按需求快速反查公式、框架、参数与模板
建议先按主线模块建立整体理解，再把本手册作为日常查阅工具长期使用

实战经验金句（贴墙版）

这里收录的是工程实战里反复被验证的经验。每一条都来自踩过坑之后的反思，是已经凝练好的判断框架，写 prompt 写久了你会越来越认同它们。

提示词工程 5 条铁律

1. 别急着上代码，先尝试用 prompt 解决，往往四两拨千斤
   → 90% 的"AI 任务"用一段好 prompt 就能搞定，根本不需要写代码

2. 但别迷信 prompt，合理组合传统方法提升确定性、减少幻觉
   → 能用规则匹配的别上 LLM；能用 SQL 查的别让 LLM 现编

3. 想让 AI 做什么，就先给它定义一个最擅长做此事的角色
   → 角色 = 在 prompt 开头收窄问题域（参考 Lost in the Middle 现象）

4. 用好思维链（CoT），让复杂逻辑/计算问题结果更准确
   → 简单一句"Let's think step by step" 就能显著提升正确率

5. 防御 prompt 攻击非常重要
   → 面向公众的 AI 产品要做纵深防御：分类器 + 输入隔离 + 输出审核 + HITL

AI 应用架构师的三个问题

把这三句话刻在脑子里——它们决定了你能不能从”会写 prompt 的用户”晋级为”能上线 AI 应用的工程师”。

1. 怎样能更准确？  → 让更多环节可控，少让 AI 自由发挥
2. 怎样能更省钱？  → 减少 prompt 长度、减少调用次数
3. 怎样让系统简单好维护？ → 模块化，传统方法兜底

详见 10_AI应用架构.md § 10.7。

关于 prompt 本质的 3 条核心常识

✅ Prompt 不会改变模型参数
   → 多轮对话每次都要把历史全发回去（token 越用越多）

✅ 模型对 prompt 开头和结尾最敏感（Lost in the Middle）
   → 关键约束往两端放，别埋在中间

✅ 角色扮演 ≠ 安全松绑
   → 模型的安全规则不应该被"虚构故事"绕过（奶奶漏洞的教训）

网页端调试 prompt 的 4 个建议

1. System + User 合并写在一栏（网页端没单独 system 输入框）
2. 复用历史对话的引用（不必反复粘贴背景）
3. 找到好 prompt 后开新 Chat 再测一次（隔离历史污染）
4. 用 ChatALL 同时跑多模型对比（验证 prompt 鲁棒性）

一句话黑话

黑话	含义
”Prompt-First”	任何业务问题先想能不能纯 prompt 解决，不行再上代码
”把价值观刷到墙上”	在每次 prompt 里都强制带上一句安全约束（输入级防御）
“机场安检思路”	危险 prompt 要在进入主模型之前就被分类器拦截
”三明治防御”	关键约束在 prompt 开头说一遍，结尾再复述一遍
”NO COMMENTS, NO ACKNOWLEDGEMENTS”	抑制 AI 客套话的常用咒语

零、术语缩写速查（看到不懂的缩写先翻这里）

0.1 推理 / 思考类

缩写	全称	中文	主篇
CoT	Chain-of-Thought	思维链——让 AI 写出推理过程	04 章
ToT	Tree of Thoughts	思维树——多分支探索 + 评估 + 回溯	05 章
ReAct	Reasoning + Acting	推理 + 行动循环（Thought → Action → Observation）	05 章
PAL	Program-Aided Language Models	程序辅助语言模型——先写程序再求解	10 章
ART	Automatic Reasoning and Tool-use	自动推理并使用工具	10 章
Reflexion	—	自我反思——做完回顾错误下一轮改进	10 章

0.2 评估 / 优化方法

缩写	字母拆解（英文 / 中文）	用途
PDCA	Plan(计划) / Do(执行) / Check(检查) / Act(处理)	经典迭代优化循环（戴明）
CLEAR	Correct(正确) / Logical(逻辑) / Efficient(高效) / Applicable(实用) / Reproducible(可复现)	提示词输出质量 5 维评估

0.3 工程层概念（与 06 Agent 工程交叉）

缩写	全称（英文 / 中文）	一句话
RAG	Retrieval(检索)-Augmented(增强) Generation(生成)	让 AI 先查外部知识库再回答
MCP	Model(模型) Context(上下文) Protocol(协议)	AI 世界的 USB 协议（Anthropic 提出）
ICL	In-Context(上下文中) Learning(学习)	通过 prompt 中的示例让 AI 学会新任务
RLHF	Reinforcement(强化) Learning(学习) from Human(人类) Feedback(反馈)	基于人类反馈的强化学习（GPT 后训练核心方法）

💡 提示词框架（RTF、APE、CO-STAR 等）的详细拆解见下方第四节。

一、提示词基本公式

提示词 = 指令 + 上下文 + 输入数据 + 输出要求

要素	说明	示例
指令	你要 AI 做什么	”翻译、总结、分析、生成…”
上下文	背景信息	”我是产品经理，面向技术团队…”
输入数据	需处理的内容	文章、代码、数据等
输出要求	期望的格式和风格	”表格、JSON、300字以内…”

二、参数速查

Temperature（温度）：控制”创造性 vs 准确性”

取值	表现	推荐场景
低（0 - 0.2）	稳定、保守	写代码、数据分析、翻译
中（0.4 - 0.7）	平衡稳定和灵活	商务写作、总结
高（0.8 - 1.0）	发散、有创意	文案、故事、头脑风暴

一句话记住：要准确 → 低温；要创意 → 高温。

Top-P（核采样）：控制”候选词范围”

通常保持默认 1.0 即可。要精确控制范围时（如代码生成），调到 0.1 - 0.3。

Frequency Penalty（频率惩罚）：控制”用词重复度”

取值	表现	推荐场景
0（默认）	不管重复	代码、技术文档（重复词正常）
0.3 - 0.5	适度避免重复	商务写作、翻译
0.5 - 1.0	用词丰富多样	文案、长文、创作

想让 AI 不”复读”就调它。取值范围 -2.0 到 2.0。

Presence Penalty（存在惩罚）：控制”话题广度”

取值	表现	推荐场景
0（默认）	围绕主题深挖	技术解释、单点深入
0.3 - 0.5	适度引入新角度	商务写作、报告
0.5 - 1.0	话题发散	头脑风暴、长文构思

想让 AI 多换话题就调它。取值范围 -2.0 到 2.0。

Frequency vs Presence（最容易混的两个）

Frequency Penalty：盯词的频次——同一个词用越多越被惩罚
Presence Penalty：盯词是否出现过——只要出现过一次就被惩罚（不看次数）

调参顺序（避坑）

新手：只调 Temperature，其他全默认
进阶顺序：Temperature → Top-P → Frequency → Presence
禁忌：四个一起调，根本判断不出哪个在起作用

三、核心技巧速查

1. 零样本（最简单）

[动词] + [具体对象] + [约束条件]
例：用3个要点总结这篇文章，每个要点不超过30字

2. 少样本（给例子）

任务描述 + 2-5个示例 + 新输入
例：
  输入："好吃" → 情感：正面
  输入："太差了" → 情感：负面
  输入："一般般" → 情感：

3. 角色提示

你是[角色]，具有[能力/经验]。请[任务]。
例：你是一位10年经验的Python工程师，请审查这段代码。

4. 思维链（CoT）

[问题] + "请一步一步思考"
或：指定思考框架（理解→分析→推理→结论）

5. 分隔符

指令在外，内容用分隔符包裹：
"""内容""" 或 ---内容--- 或 <text>内容</text>

6. 提示词链（Prompt Chaining）

复杂任务拆成多步：
提取 → 改写 → 翻译 → 排版

四、框架详解（按常用度排序）

完整示例见 08_提示词模板与框架.md。

RTF（日常对话首选）

字母	含义	填什么
R	Role 角色	AI 扮演什么身份
T	Task 任务	要完成什么事
F	Format 格式	输出什么样子

使用场景：日常提问、快速任务、不需要复杂推理的场景。只能记一个框架就记它。

APE（行动导向，无需角色）

字母	含义	填什么
A	Action 行动	具体做什么
P	Purpose 目的	为什么要做
E	Expectation 期望	要什么结果

使用场景：不需要 AI 扮演角色、只关心”做什么→为什么→要什么”的快速指令。

CO-STAR（内容创作首选）

字母	含义	填什么
C	Context 背景	任务的来龙去脉
O	Objective 目标	要达成什么
S	Style 风格	写作/回答风格
T	Tone 语气	正式/友好/严肃
A	Audience 受众	给谁看
R	Response 格式	输出什么格式

使用场景：写文案、邮件、文章、通知等需要控制风格和受众的内容创作。

CRISPE（策略分析首选）

字母	含义	填什么
C	Capacity 能力	AI 扮演的角色
R	Request 请求	要做什么
I	Information 信息	背景信息
S	Steps 步骤	执行步骤
P	Personality 个性	表达风格
E	Experiment 实验	多方案要求

使用场景：产品策略、竞品分析、方案对比等需要多角度多方案的分析任务。

BROKE（项目规划首选）

字母	含义	填什么
B	Background 背景	任务背景
R	Role 角色	AI 的身份
O	Objective 目标	要完成什么
K	Key Result 关键结果	期望产出
E	Evolve 迭代	如何继续优化

使用场景：制定计划、项目启动、季度规划等需要明确目标和迭代方向的任务。

RISEN（任务执行首选）

字母	含义	填什么
R	Role 角色	你是谁
I	Instructions 指令	做什么
S	Steps 步骤	怎么做
E	End goal 最终目标	要达到什么效果
N	Narrowing 约束	边界和限制

使用场景：数据分析、技术任务、流程执行等步骤明确且需要约束边界的任务。

RODES（质量把关首选）

字母	含义	填什么
R	Role 角色	AI 的专家身份
O	Objective 目标	核心目标
D	Details 细节	背景、上下文、具体要求
E	Examples 示例	期望输出的参考样例
S	Sense check 自检	让 AI 检查自己的输出

使用场景：写技术文档、正式报告等对格式和准确性要求高的任务。独有”自检”环节。

SMART（目标设定）

字母	含义	填什么
S	Specific 具体	目标是什么，越具体越好
M	Measurable 可衡量	怎么判断达成了
A	Achievable 可实现	以现有资源能做到吗
R	Relevant 相关	和大目标有什么关系
T	Time-bound 有时限	什么时候完成

使用场景：OKR 制定、学习计划、个人目标、团队 KPI 等需要量化和时限的目标设定。

RACE（多场景通用）

字母	含义	填什么
R	Role 角色	AI 扮演什么身份
A	Action 行动	要做什么
C	Context 背景	在什么情况下
E	Expectation 期望	要什么结果

使用场景：通用性最强的 4 要素框架，适合大多数中等复杂度的任务。比 RTF 多一个背景。

BAB（营销文案 / 产品推广）

字母	含义	填什么
B	Before 现状	用户现在的痛点/困境
A	After 理想	用了产品后的理想状态
B	Bridge 桥梁	产品如何帮用户实现转变

使用场景：产品推广、落地页文案、朋友圈营销等需要”痛点→解决”说服结构的场景。

SPEAR（案例陈述 / 复盘）

字母	含义	填什么
S	Situation 情境	当时的背景
P	Problem 问题	遇到了什么问题
E	Evidence 证据	有什么数据/事实支撑
A	Action 行动	采取了什么措施
R	Result 结果	最终效果如何

使用场景：项目复盘、述职报告、面试 STAR 法变体、事故回顾等需要结构化叙事的场景。

ROSES（步骤明确的任务）

字母	含义	填什么
R	Role 角色	AI 的身份
O	Objective 目标	要完成什么
S	Scenario 场景	在什么情境下
E	Expected output 期望输出	输出什么样子
S	Steps 步骤	按什么步骤做

使用场景：和 RISEN 类似但多了场景描述，适合需要交代具体情境的执行类任务。

RACEF（提示词精炼优化）

字母	含义	填什么
R	Rephrase 重述	用自己的话重新表述需求
A	Append 补充	添加遗漏的关键信息
C	Contextualize 加上下文	补充背景和约束
E	Examples 加示例	给出期望输出的样例
F	Follow-up 追问	预设可能的追问方向

使用场景：不是用来”写提示词”的，而是用来”改提示词”的。效果不好时按这 5 步逐项补充。

TAG（极简任务）

字母	含义	填什么
T	Task 任务	做什么
A	Action 行动	怎么做
G	Goal 目标	达到什么效果

使用场景：比 APE 更短的极简指令，适合一句话就能说清的小任务。

ERA（快速任务）

字母	含义	填什么
E	Expectation 期望	你想要什么
R	Role 角色	AI 扮演谁
A	Action 行动	具体做什么

使用场景：和 RTF 类似的 3 要素框架，区别是先说期望再说角色，适合”我要 X”开头的表述习惯。

FOCUS（产品介绍）

字母	含义	填什么
F	Features 特性	产品有什么功能
O	Outcomes 成果	能带来什么结果
C	Comparisons 对比	和竞品比怎样
U	Unique 独特	独特卖点是什么
S	Summary 总结	一句话总结

使用场景：产品介绍页、功能说明、竞品对比文档等需要突出卖点的产品类内容。

PEE（学术写作 / 论证）

字母	含义	填什么
P	Point 论点	你的核心观点
E	Evidence 证据	支撑观点的事实/数据
E	Explanation 解释	证据如何支撑论点

使用场景：学术论文段落、观点论证、议论文写作等需要”观点+证据+推理”结构的场景。

密度链（摘要压缩）

核心思想：同样长度，逐版提高信息密度
版本1：信息少但易读
版本2：加入遗漏的关键信息，压缩表达腾空间
版本3：信息最密，每个字都是干货

使用场景：长文摘要、会议纪要压缩、产品描述精炼等需要”字数不变但信息翻倍”的场景。

框架选择速查

一句话提问       → RTF 或 APE 或 TAG
文案/邮件/文章   → CO-STAR
营销推广/痛点文案 → BAB
策略分析/多方案   → CRISPE
产品介绍/卖点    → FOCUS
项目规划         → BROKE
目标设定         → SMART
步骤明确的执行   → RISEN 或 ROSES
案例复盘/述职    → SPEAR
学术论证         → PEE
摘要/压缩        → 密度链
高质量/严格格式  → RODES
优化已有提示词   → RACEF
多场景通用       → RACE

五、常用动词清单

类型	动词
生成	写、创作、生成、编写、草拟、设计
分析	分析、解释、解读、评估、诊断、审查
转换	翻译、转换、改写、简化、扩写、重构
整理	总结、提炼、归类、排序、对比、汇总
推理	判断、推测、预测、建议、推荐、决策

六、输出格式控制

表格：  "请用表格输出，包含X/Y/Z列"
JSON：  "以JSON格式输出，包含字段：..."
列表：  "用编号列表，每项不超过X字"
模板：  "按以下模板输出：【标题】...【内容】..."
长度：  "控制在X字以内" / "恰好X个要点"

七、常见问题速修

问题	快速修复
输出太笼统	增加具体要求和示例
输出跑偏	加强指令 + 增加约束
格式混乱	提供输出模板或示例
内容有错	加”请一步一步验证”
太长/太短	明确字数/句数/要点数
风格不对	增加角色 + 语气 + 受众设定
遗漏要点	用 checklist 明确列出
任务太复杂	改用提示词链拆成多步

八、高级技术选择

简单任务 ────────→ 零样本
特定格式 ────────→ 少样本
推理/计算 ───────→ 思维链（CoT）
高准确度 ────────→ 自我一致性
复杂决策 ────────→ 思维树（ToT）
调查排查 ────────→ ReAct
复杂工作流 ──────→ 提示词链
需要好提示词 ────→ 元提示
需要深度理解 ────→ 回溯提示

九、进阶术语补充

术语	一句话理解
自我一致性（Self-Consistency）	让模型生成多个推理版本，再选择更稳定的答案
Generated Knowledge	先让模型生成相关知识，再基于这些知识回答问题
PAL	先生成程序，再借助程序求解问题
Reflexion	让模型回顾自己的错误，并据此改进下一轮输出

十、万能提示词模板

# 角色
你是[角色]，擅长[能力]。
 
# 任务
请帮我[具体任务]。
 
# 背景
- [背景信息1]
- [背景信息2]
 
# 要求
1. [要求1]
2. [要求2]
3. [要求3]
 
# 输出格式
[描述期望的格式]
 
# 限制
- 不要[限制1]
- 不要[限制2]

十一、变量化语法速查（4 种占位符）

语法	长相	用在哪
`[变量]` 中括号	`[在这里填写]`	给人看 / 手动复制粘贴
`{变量}` 单花括号	`{topic}`	Python `.format()` / f-string
`{{变量}}` 双花括号	`{{topic}}`	LangChain / Jinja2
`<变量>` 尖括号	`<context>...</context>`	Anthropic 推荐

选哪种？

自己手动用 → [中括号]
Python 写代码调 LLM → {单花括号}
用 LangChain 等框架 → {{双花括号}}
给 Claude / Anthropic API → <尖括号> 包裹内容

变量分 3 类（影响提示词设计）：

内容变量 —— AI 要处理的素材（每次都填）
配置变量 —— 影响输出格式（偶尔改，可设默认）
角色变量 —— 改变 AI 行为（很少改，后台预设）

5 大踩坑：变量名冲突 / 空值未处理 / 类型错配 / 顺序敏感 / 越权变量（注入风险）

详细讲解见 08_提示词模板与框架.md 第 8.4 节。

与 AI 交流 AI

探索

速查手册