提示词工程实战指南【2026】- 从入门到精通

┌─────────────────────────────────────┐
│  角色设定 (Role)                     │
│  "你是一位资深的Python开发专家..."    │
├─────────────────────────────────────┤
│  任务描述 (Task)                     │
│  "请帮我优化以下代码的性能..."        │
├─────────────────────────────────────┤
│  上下文信息 (Context)                │
│  "这是一个处理百万级数据的ETL脚本..." │
├─────────────────────────────────────┤
│  输出格式 (Format)                   │
│  "请以Markdown格式输出，包含..."      │
├─────────────────────────────────────┤
│  约束条件 (Constraints)              │
│  "代码需要兼容Python 3.8+..."        │
└─────────────────────────────────────┘

将以下英文翻译成中文：
"The quick brown fox jumps over the lazy dog."

请根据示例进行情感分类：

示例1：
文本："这家餐厅的服务太棒了！"
情感：正面

示例2：
文本："等了一个小时才上菜，体验很差。"
情感：负面

示例3：
文本："价格还行，味道一般。"
情感：中性

现在请分类：
文本："虽然有点贵，但食材新鲜，值得推荐！"
情感：

问题：一个书店有3个书架，每个书架有4层，每层可以放25本书。
书店目前已经放了210本书，还能再放多少本？

让我们一步步思考：
1. 首先计算总容量：3个书架 × 4层 × 25本 = 300本
2. 然后计算剩余空间：300本 - 210本 = 90本

答案：还能再放90本书。

问题：如果一辆车以60km/h的速度行驶，需要多长时间才能行驶150公里？

让我们一步步思考：

问题：北京今天的天气如何？适合户外运动吗？

思考：我需要查询北京今天的天气信息。
行动：[搜索] 北京今天天气
观察：北京今天晴，气温15-25°C，空气质量良好，PM2.5指数45。

思考：根据天气信息，我需要判断是否适合户外运动。
行动：[分析] 评估户外运动适宜度
观察：晴天、温度适中、空气质量良好都是有利条件。

思考：我现在可以给出完整的回答了。
最终答案：北京今天天气晴朗，气温15-25°C，空气质量良好。
非常适合户外运动，建议选择上午或傍晚时段，避开中午阳光直射。

responses = []
for i in range(5):
    response = llm.generate(prompt, temperature=0.7)
    responses.append(response)

final_answer = majority_vote(responses)

## 角色
你是一位有10年经验的全栈工程师，担任代码审查专家。

## 背景
我们的项目使用React 18 + Node.js 20技术栈，遵循Airbnb代码规范。

## 任务
请审查以下Pull Request代码，识别潜在问题。

## 要求
- 以专业但友好的语气
- 按严重程度（高/中/低）分类问题
- 提供具体的修改建议

## 代码
```javascript
// 待审查的代码

### 负面提示词技巧

明确告诉模型"不要做什么"，可以有效避免常见错误：

## 场景优化策略

### 代码生成场景

### 数据分析场景

### 文案创作场景

## 实战代码示例

### Python调用OpenAI API

```python
from openai import OpenAI

client = OpenAI()

def structured_prompt(role, task, context, format_spec):
    """构建结构化提示词"""
    prompt = f"""## 角色
{role}

## 任务
{task}

## 背景信息
{context}

## 输出格式
{format_spec}
"""
    return prompt

def generate_with_cot(question):
    """使用思维链生成回答"""
    prompt = f"""{question}

让我们一步步思考这个问题："""
    
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是一个善于逻辑推理的助手。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.7
    )
    
    return response.choices[0].message.content

prompt = structured_prompt(
    role="资深Python开发者",
    task="优化以下代码的性能",
    context="这是一个处理CSV文件的脚本，文件大小约500MB",
    format_spec="提供优化后的代码和性能对比说明"
)

print(prompt)

def create_few_shot_prompt(task_description, examples, query):
    """创建Few-shot提示词"""
    prompt = f"{task_description}\n\n"
    
    for i, (input_text, output_text) in enumerate(examples, 1):
        prompt += f"示例{i}：\n输入：{input_text}\n输出：{output_text}\n\n"
    
    prompt += f"现在请处理：\n输入：{query}\n输出："
    
    return prompt

examples = [
    ("苹果", "水果"),
    ("西红柿", "蔬菜"),
    ("三文鱼", "海鲜"),
]

prompt = create_few_shot_prompt(
    task_description="请将食材分类到对应的类别（水果/蔬菜/海鲜/肉类）",
    examples=examples,
    query="牛排"
)