提示工程最佳实践：如何与 AI 更好地对话

Claude 最近新发了一篇关于提示工程最佳实践的文章，其中提到了诸多如何更好的写好提示词以利用 AI 帮助大家精准解决问题的思路，太长不看可以直接拿走这份思维导图。以下正文会详细给大家分享一下我认为文章还不错的很多精华部分。

什么是提示工程？其本质是修改传递给大语言模型（LLM）的查询，核心是在实际请求前添加 “正确的信息”。提示工程的核心价值在于：

• 提示工程是构建指令以从AI模型获得更优输出的技巧，包括表述查询、指定风格、提供上下文和引导模型行为等方面。
• 模糊指令与精心设计的提示差异显著：前者可能需要多次沟通澄清意图，后者可一次性达成目标。
• 提示工程是上下文工程的核心组成部分，与对话历史、附加文件和系统指令协同作用，共同优化AI输出结果。

一个合适的学习路径应该是先掌握基础习惯，再逐步应用复杂项目的高级方法。

一、核心基础技术

1. 指令明确清晰

核心原则：直接告知模型期望的结果，不假设模型能推断需求，使用简洁无歧义的语言。

最佳实践

• 以直接的动作动词开头（如“撰写”、“分析”、“生成”、“创建”）。
• 跳过开场白，直接切入请求核心。
• 明确输出应包含的内容，而非仅说明处理对象。
• 具体说明对质量和深度的期望。

示例对比

模糊表述：“创建一个分析仪表板”
明确表述：“创建一个分析仪表板，包含尽可能多的相关功能和交互，超越基础要求，实现功能完备的方案”

2. 提供上下文与动机

核心价值：解释需求背后的原因，帮助AI理解核心目标，生成更具针对性的响应（对能推理潜在目标的新型模型尤为有效）。

适用场景

• 说明输出的用途或受众。
• 解释特定约束存在的原因。
• 描述输出的使用方式。
• 指明要解决的具体问题。

示例对比

效果较差：“绝不要使用项目符号”
效果更佳：“我偏好自然段落形式的响应而非项目符号，因为流畅的散文更易阅读且更具对话感，项目符号对我的轻松学习风格而言过于正式和列表化”

3. 指令具体化

核心要求：通过明确的指导方针和要求构建指令，具体程度越高，结果越优。

需包含的关键要素

• 明确约束（字数、格式、时间线）。
• 相关上下文（受众、目标）。
• 期望的输出结构（表格、列表、段落）。
• 任何要求或限制（饮食需求、预算限制、技术约束）。

示例对比

模糊表述：“创建地中海饮食的膳食计划”
具体表述：“设计一份用于糖尿病前期管理的地中海饮食膳食计划，每日1800卡路里，重点关注低血糖指数食物，包含早餐、午餐、晚餐和一份加餐，并提供完整的营养成分分析”

4. 使用示例（单样本/少样本提示）

核心作用：通过示例直观展示期望的格式、语气或模式，比纯描述更易澄清复杂需求。

注意事项：现代模型（如Claude 4.x）会密切关注示例细节，需确保示例与期望行为一致，避免传递不良模式。

适用场景

• 期望格式难以用文字描述。
• 需要特定语气或风格。
• 任务涉及微妙模式或惯例。
• 简单指令无法产生一致结果。

实用技巧

• 先尝试1个示例（单样本），仅在输出不符合需求时添加更多示例（少样本）。

示例对比

无示例：“总结这篇文章”
带示例：“以下是我想要的总结风格示例：文章：[AI监管相关文章链接] 总结：欧盟通过全面的《人工智能法案》，针对高风险系统，核心条款包括透明度要求和人类监督规定，2026年生效。 现在按相同风格总结这篇文章：[新文章链接]”

5. 允许AI表达不确定性

核心目的：减少模型的幻觉（虚构信息），提高响应的可靠性。

示例

分析这份财务数据并识别趋势，若数据不足以得出结论，请直接说明，不要猜测

二、高级复杂场景技术

1. 预填充AI响应

核心作用：提前启动AI的响应内容，引导输出的格式、语气或结构。

适用场景

• 需要输出JSON、XML等结构化格式。
• 希望跳过对话开场白，直接获取核心内容。
• 需维持特定语气或角色。
• 要控制AI的响应开头方式。

2. 思维链提示（CoT）

定义：要求AI在给出答案前进行分步推理，适用于复杂分析任务。

适用场景

• 无“扩展思考”功能可用。
• 需要可审查的透明推理过程。
• 任务涉及多步分析。
• 需确保AI考虑特定因素。

三种常见实现方式

• 基础思维链：在指令中添加“分步思考”。示例：“为Care for Kids项目撰写个性化捐赠请求邮件，先分步思考再动笔”。
• 引导式思维链：指定具体推理阶段。示例：“撰写邮件前先思考：1. 根据捐赠者历史，哪些信息可能吸引他们；2. Care for Kids项目的哪些方面能引起共鸣；3. 基于分析撰写个性化邮件”。
• 结构化思维链：用标签分隔推理过程与最终答案。示例：“用<thinking>标签记录思考过程（分析吸引捐赠者的信息、项目相关亮点），用<email>标签呈现最终邮件”。

注意事项：“扩展思考”与手动CoT可互补使用，复杂任务中结合使用效果更佳。

3. 控制输出格式

核心原则：通过正向引导、风格匹配和明确要求实现格式控制。

三种有效方法

• 正向指令优先：不说“不要做什么”，而说“要做什么”。示例：不说“不要使用Markdown”，而说“响应应采用流畅的散文段落”。
• 提示风格与输出风格匹配：若希望输出少用Markdown，自身提示中也应减少Markdown使用。
• 明确格式偏好：详细说明格式要求。示例：“撰写报告时使用完整段落和标准分段，Markdown仅用于行内代码、代码块和简单标题；非必要不使用有序/无序列表，将内容自然融入句子中”。

4. 提示链

定义：将复杂任务拆分为多个连续步骤，每个步骤用单独提示处理，前一步输出作为后一步输入。

核心优势：以增加延迟为代价，提高每个子任务的准确性，适合需要迭代优化或中间验证的场景。

适用场景：

• 复杂请求需拆分步骤。
• 需要迭代优化输出。
• 多阶段分析任务。
• 中间验证能提升最终质量。
• 单条提示输出结果不一致。

示例（研究总结）：

1. 第一条提示：“总结这篇医学论文，涵盖方法、发现和临床意义”。
2. 第二条提示：“审查上述总结的准确性、清晰度和完整性，提供分级反馈”。
3. 第三条提示：“根据以下反馈优化总结：[第二步的反馈内容]”。

三、技术整合使用提示

1. 尝试通过多技术组合达到目的

从这份季度报告中提取关键财务指标，以JSON格式呈现。该数据用于自动化处理，因此响应必须仅包含有效JSON，无开场白或解释。使用以下结构：{\"revenue\":\"带单位的值\",\"profit_margin\":\"百分比\",\"growth_rate\":\"百分比\"}。若报告中未明确说明某指标，用null表示，不要猜测。响应以左大括号开头：{

2. 技术选择决策框架

基础判断步骤

• 需求是否清晰明确？若否，优先优化清晰度。
• 任务是否简单？是则仅使用核心技术（明确、具体、提供上下文）。
• 是否需要特定格式？使用示例、预填充或明确格式指令。
• 任务是否复杂？考虑拆分任务（提示链）。
• 是否需要推理？使用“扩展思考”（若可用）或思维链。

技术-需求匹配表

需求场景	推荐技术
特定输出格式	示例、预填充、明确格式指令
分步推理	扩展思考（Claude 4.x）、思维链
复杂多阶段任务	提示链
透明推理过程	带结构化输出的思维链
防止幻觉	允许AI说“不知道”

3. 常见问题故障排除

问题现象	解决方案
输出过于通用	增加特异性描述、提供示例、明确要求“超越基础内容”
输出偏离主题或未击中要点	更明确地说明核心目标，提供需求背后的上下文
输出格式不一致	添加示例（少样本）或使用预填充控制响应开头
任务复杂导致结果不可靠	拆分为多个提示（提示链），每个提示专注单一任务
AI添加不必要的开场白	使用预填充或明确要求“跳过开场白，直接给出答案”
AI虚构信息（幻觉）	明确允许AI在不确定时说明“不知道”
期望执行操作，AI却仅提供建议	明确动作指令（如“修改此函数”而非“你能建议修改吗？”）

4. 实用技巧

• 从简单提示开始，仅在需要时添加复杂技术。
• 每次添加技术后测试效果，确认是否真的提升输出质量。

四、常见错误与避坑指南

1. 过度设计：更长、更复杂的提示不一定更好。
2. 忽视基础：核心提示模糊不清时，高级技术无法弥补。
3. 假设AI能“读心”：不明确的需求会导致AI误解，需具体化所有要求。
4. 滥用技术：无需同时使用所有技术，仅选择解决特定问题的方法。
5. 不迭代优化：首次提示极少完美，需测试并调整。
6. 依赖过时技术：XML标签和过度角色提示对现代模型必要性低，优先使用明确指令。

五、最终建议

1. 核心定位：提示工程本质是“沟通”，即用AI能清晰理解的语言表达意图。
2. 学习路径：先熟练掌握核心技术，形成习惯后，仅在解决特定问题时添加高级技术。
3. 优质提示的关键：并非最长或最复杂，而是能以最少的结构可靠达成目标。
4. 与上下文工程的关系：提示工程是上下文工程的基础，每一个优质提示都是塑造AI行为的重要组成部分。

参考

原文：Best practices for prompt engineering