Prompt Engineering

为什么需要 Prompt Engineering

同一个任务，不同的 Prompt 写法，效果可能差很多。

这不是玄学——Prompt 是一种"输入设计"，需要关心的是：

• 任务有没有说清楚
• 模型有没有足够上下文
• 输出能不能被验证
• 当输入变化时效果是否稳定

Prompt Engineering 就是对这个"输入设计"做系统化的测试、比较和迭代优化。

---

什么是 Prompt Engineering

一句话定义：Prompt Engineering 是围绕模型输出效果，对 Prompt 做设计、测试、比较和迭代优化的过程。

目标不是把 Prompt 写得更花哨，而是让模型在给定任务上更稳定、更准确、更可控。

---

怎么做：核心技巧

1. 明确指令

• 模糊：写一段代码
• 明确：用 Python 写一个函数，输入一个整数列表，返回其中的偶数之和

2. 结构化表达

• 用分隔符、编号、分段让 Prompt 层次清晰

3. 给出示例（Few-shot）

• 展示"输入 -> 期望输出"的示例
• 关于 Few-shot 和 Zero-shot 的选择，可以看 Zero-shot / Few-shot 词条

4. 分解任务

• 复杂任务先分析、再执行、再输出，比一口气要求"直接给最终答案"更稳
• 这和 Chain of Thought 的思路一脉相承

5. 指定输出格式

• 明确说"用 JSON 格式""返回一个表格"

---

Prompt Engineering vs Fine-tuning

维度	Prompt Engineering	Fine-tuning
成本	很低	需要训练数据和成本
速度	立即生效	需要训练周期
适用场景	通用任务、灵活场景	特定风格、稳定模式

大多数产品早期，优先把 Prompt Engineering 做扎实，比急着上 Fine-tuning 更划算。

---

记住这一句：Prompt Engineering 是"输入设计"，不是玄学——系统化地测试和迭代，才能让 Prompt 真正稳定可靠。

相关词条：Prompt · System Prompt