在 AI 应用开发中，Prompt 是与大语言模型交互的核心界面。一个好的提示词可以让模型输出更准确，而一个糟糕的提示词则可能导致模型给出无关甚至错误的回答。

## 问题描述

在实际项目中，我们经常会遇到：
1. 输出格式不稳定
2. 信息不够准确（幻觉问题）
3. 指令遵循度低
4. 角色一致性差

## 详细步骤

### 步骤一：理解提示词的基本结构

一个完整的提示词通常包含：
– 角色设定：明确模型扮演的角色
– 任务描述：清晰说明需要完成的任务
– 输出格式：指定返回的结构化格式
– 约束条件：列出必须满足的条件
– 示例：提供输入-输出对帮助模型理解

### 步骤二：运用关键技巧

1. 使用 XML 标签分隔不同部分
2. few-shot 学习：提供 2-3 个示例
3. 明确输出格式
4. 分步思考提高推理准确性
5. 温度参数调优

## 完整代码示例

以下是一个完整的 Python 示例：

“`python
import json
from typing import List, Dict
from dataclasses import dataclass

@dataclass
class PromptConfig:
role: str
task: str
output_format: str
constraints: List[str]
examples: List[Dict[str, str]]

class PromptBuilder:
def __init__(self, config: PromptConfig):
self.config = config
self.template = self._build_template()

def _build_template(self) -> str:
return f”{self.config.role}”

def build(self, user_input: str) -> str:
return f”{self.template}

{user_input}”

def create_qa_prompt() -> PromptBuilder:
config = PromptConfig(
role=”你是一位专业的技术文档助手。”,
task=”根据用户问题提供准确解答。”,
output_format=”JSON: {answer, code_example, key_points}”,
constraints=[“只回答技术问题”, “代码可直接运行”],
examples=[]
)
return PromptBuilder(config)

def main():
builder = create_qa_prompt()
prompt = builder.build(“什么是装饰器？”)
print(prompt)

if __name__ == “__main__”:
main()
“`

## 运行结果

运行上述代码会输出结构化的提示词，可直接用于 LLM 调用。

## 总结

通过本文的讲解，你应该已经掌握了：

1. 提示词的基本结构：角色、任务、格式、约束、示例
2. 关键设计技巧：XML 分隔、few-shot、明确格式
3. 代码实现方法：使用 PromptBuilder 类构建模板
4. 实际应用场景：智能问答系统的完整实现

在实际项目中，建议：
– 持续迭代根据实际效果调整提示词
– 将提示词纳入版本控制
– 建立基准测试评估效果
– 复杂任务拆分为多个简单提示词