【小白入门】Prompt 提示词从 0 到 1：基础到精通的核心知识点，一篇讲透

在AI工具日益普及的今天，熟练使用提示词（Prompt）已成为高效对话AI的核心能力。无论是内容创作、数据分析还是编程辅助，优质的提示词能显著提升输出质量。本文将从零开始，系统拆解提示词的底层逻辑与高阶技巧，助你快速进阶为提示词高手。

一、什么是Prompt？

Prompt（提⽰）是⽤⼾或系统向⼤型语⾔模型（LLM）提供的输⼊，其核⼼⽬的是引导模 型⽣成特定类型的输出或执⾏特定任务。它可以是⼀段⽂本、⼀个问题、⼀组指令，甚⾄ 包含⽰例。从本质上讲，Prompt是⼈与LLM之间进⾏交互的“指令”或“线索”，其质量直接 影响LLM的响应质量和任务完成度。如 Prompt Engineering Guide 所述，提⽰⼯程关注提 ⽰词的开发和优化。⽽ 知乎专栏⽂章 指出，提⽰⼯程探讨如何设计最佳提⽰词以指导模 型⾼效完成任务。

Prompt的核⼼构成要素：

• 指令 (Instruction/Directive)： 这是Prompt的核⼼，明确告知模型需要执⾏的具体任务 或动作。例如：“总结以下⽂章的主要观点”，“将这段英⽂翻译成法⽂”，“写⼀⾸关于 星空的五⾔绝句”。

• 上下⽂ (Context)： 提供必要的背景信息、世界知识、对话历史或Few-shot⽰例（输⼊- 输出对），帮助模型更好地理解任务情境，锚定回答范围，或学习特定的响应模式。例 如，在进⾏情感分析时，可以提供⼏对“⽂本-情感标签”的⽰例。

• 输⼊数据 (Input Data)： 针对特定任务，⽤⼾提供的需要模型进⾏处理、分析、转换 或基于其⽣成内容的核⼼信息。例如，⼀篇需要摘要的⽂章，⼀个需要回答的具体问 题，⼀段需要⻛格转换的⽂本。

• 输出指⽰器格式 (Output Indicator/Format)： 明确规定模型输出结果的期望形式、结 构、⻛格、⻓度、语⾔等。例如：“请以JSON格式返回结果，包含’name’和’email’字 段”，“答案请以⽆序列表形式展⽰”，“⽣成的摘要不得超过100字”。

二、什么是Prompt Engineering？

Prompt Engineering（提⽰⼯程）是⼀⻔相对较新的学科，专注于开发和优化⽤于引导⼤型 语⾔模型（LLM）的提⽰（Prompts），从⽽有效地将LLM应⽤于各种场景和研究领域 (Prompt Engineering Guide)。它不仅仅是简单地构造输⼊⽂本，更涉及到对模型⾏为的深 ⼊理解，以及对各种影响因素（如模型架构、训练数据、上下⽂信息、指令清晰度等）的综合考量，通过不断地实验、分析和迭代优化，设计出最能激发模型潜能、产⽣⾼质量输 出的提⽰词 (CSDN博客：最全综述提⽰⼯程)。因此，Prompt Engineering被认为是“⼀⻔精 ⼼雕琢提⽰的艺术与科学”。

核⼼⽬标：

• 提升模型性能与输出质量： 使LLM⽣成的⽂本、代码或其他内容更加准确、相关、连 贯、深⼊，并且符合⽤⼾的特定需求。

• 增强任务适应性与可控性： 引导通⽤的LLM更好地完成特定领域或复杂场景下的任 务，精确控制输出的格式、⻛格、视⻆等。

• 实现⾼效的⼈机交互： 更清晰、更准确地向模型传达⽤⼾的意图，减少因误解导致的 ⽆效沟通和重复尝试。

• 探索与理解模型能⼒： 通过设计多样化的、富有挑战性的Prompt，来测试和发掘LLM 的潜在能⼒、知识边界和⾏为模式。

• 提升AI的安全性与可靠性： 通过精⼼设计的Prompt来规避模型的偏⻅、减少有害输 出、对抗“幻觉”现象，使AI应⽤更加负责任。

三、Prompt 的核⼼组件剖析

3.1. 指令 (Instructions)

定义与作⽤：指令是Prompt中告诉⼤型语⾔模型（LLM）“做什么”的核⼼驱动部分。它直接阐述了⽤⼾期望模型执⾏的具体任务或动作。指令的清晰度、准确性和完整性对模型输出的质量和相关性具有决定性影响。

设计原则：

• 清晰具体 (Clarity & Specificity)： 避免使⽤模糊、笼统或多义的词汇。指令应明确指出任务的⽬标、范围和关键要素。例如，⽤“总结以下⽂本的三个主要论点”代替“谈谈这段⽂字”。
• 简洁直接 (Conciseness & Directness)： 在确保信息完整的前提下，指令应尽可能简短明了，去除不必要的修饰和冗余信息，使模型能快速抓住核⼼任务。
• 可操作性 (Actionability)： 指令应指向模型能够实际执⾏的具体动作，如“分析”、“⽐较”、“⽣成”、“分类”、“翻译”、“列出”等。
• 单⼀职责 (Single Responsibility Principle - SRP for Prompts - an analogy)： 对于复杂任务，尽量将⼀个Prompt的指令聚焦于⼀个核⼼⽬标。如果需要完成多个独⽴⼦任务，可以考虑使⽤Prompt Chaining或在单个Prompt内部清晰分解指令。

3.2. 上下⽂ (Context)

定义与作⽤：上下⽂是Prompt中为LLM提供必要背景信息、⽰例（shots）或约束条件的部分。其核⼼作⽤在于帮助模型更好地理解当前任务的确切含义、⽤⼾的特定意图、期望的输出⻛格或格式，以及任务所处的情境。通过提供恰当的上下⽂，可以显著提⾼模型回答的相关性、准确性和深度，并引导模型学习特定模式。

上下⽂的类型：

• 背景知识 (Background Information)： 提供与任务相关的领域知识、特定事件的背景、相关定义、假定条件等。这有助于模型在特定知识框架内进⾏思考和回答。

⽰例： 在讨论某个历史事件时，提供该事件发⽣的时间、地点和主要参与⽅。

⽰例 (Examples / Shots - Zero, One, Few-shot)： 这是上下⽂学习（In-Context Learning,ICL）的核⼼。通过提供⼀个或多个输⼊-输出对（即“⽰例”或“shots”），向模型演⽰期望的⾏为、输出格式或特定任务的解题模式。

• Zero-shot： 不提供任何⽰例，完全依赖模型的预训练知识和指令理解能⼒。
• One-shot： 提供⼀个⽰例。
• Few-shot： 提供少量（通常2-5个）⽰例。

约束条件 (Constraints)： 设定模型在⽣成内容时需要遵守的规则、限制或边界。这些约束可以是内容上的（如“不要提及X”）、⻛格上的（如“保持中⽴客观”）或格式上的（如“答案必须是是或否”）。
对话历史 (Conversation History)： 在多轮对话场景中，之前的对话内容⾃然成为当前轮次的上下⽂，帮助模型理解当前的对话状态和⽤⼾的连贯意图。

设计原则：

• 相关性 (Relevance)： 提供的上下⽂信息必须与当前指令和任务⽬标⾼度相关。⽆关的上下⽂可能会⼲扰模型，导致输出偏离。
• 准确性 (Accuracy)： 背景知识和⽰例本⾝应准确⽆误。错误的上下⽂信息会误导模型。
• 代表性 (Representativeness - for Few-shot)： Few-shot⽰例应能典型地反映⽬标任务的特征、难度和期望的输出模式。选择的⽰例应具有⼀定的多样性，覆盖任务可能的输⼊变化。
• 适量性 (Appropriate Quantity)： 上下⽂信息并⾮越多越好。过多的信息可能导致模型难以抓住重点（信息过载），或超出模型的上下⽂窗⼝限制。应权衡信息的充分性与简洁性。
• 清晰度 (Clarity)： 上下⽂的表述本⾝也应清晰易懂，避免引⼊新的歧义。

3.3. 输⼊数据 (Input Data)

定义与作⽤：输⼊数据是Prompt中⽤⼾提供的、需要模型进⾏处理、分析、转换、或基于其⽣成新内容的核⼼信息部分。它是模型执⾏任务的直接对象。例如，在⽂本摘要任务中，输⼊数据是待摘要的完整⽂章；在代码⽣成任务中，可能是对功能的⾃然语⾔描述；在问答任务中，则是⽤⼾提出的具体问题。

设计原则：

• 清晰明确 (Clear and Unambiguous)： 输⼊数据本⾝应尽可能清晰，不包含内在的歧义或⽭盾，以免模型产⽣误解。如果数据本⾝复杂，应考虑是否需要预处理或在Prompt中附加解释。
• 格式规范 (Well-Formatted)： 如果输⼊数据具有特定的结构（如代码⽚段、CSV格式的⽂本⾏、JSON字符串、数学公式等），应尽量保持其原始结构的完整性和正确性，或按照模型期望的格式进⾏轻微调整。
• 充分性与简洁性平衡 (Sufficiency vs. Conciseness)： 提供的输⼊数据应包含模型完成任务所需的全部核⼼信息；但同时，也应避免包含⼤量与当前指令⽆关的冗余信息，这会增加模型的处理负担，并可能引⼊噪声，影响输出质量。
• ⼀致性 (Consistency)： 如果是批量处理任务或多轮对话中的连续输⼊，尽量保持输⼊数据的类型和核⼼结构的⼀致性，有助于模型形成稳定的处理模式。

3.4. 输出指⽰器 (Output Indicators/Format)

定义与作⽤：输出指⽰器是Prompt中⽤于明确告知LLM期望输出结果的形式、结构、⻛格、语⾔、⻓度或其他特定要求的部分。它的⽬的是使模型的输出更符合后续应⽤的需求，⽆论是为了⼈类阅读、程序解析还是特定平台的展⽰。
设计原则：

• 具体化 (Specificity)： 对输出的要求越具体越好。例如，与其说“给我数据”，不如说“请以JSON对象数组的形式返回数据，每个对象包含’id’ (整数) 和 ‘name’ (字符串) 两个键”。
• ⼀致性 (Consistency)： 如果是在⼀个系列任务或多轮对话中，对同类输出的格式要求应保持⼀致，便于后续处理和⽤⼾理解。
• 可解析性 (Parsability for Machine Consumption)： 如果输出结果需要被其他程序或系统⾃动解析，强烈建议指定机器友好的格式，如JSON、XML、CSV、Markdown表格、或者预定义的分隔符（如⽤特定符号分隔多个答案）。
• 合理性 (Feasibility)： 要求的输出格式应在模型的⽣成能⼒范围之内，过于复杂或不常⻅的奇特格式可能难以准确实现。

3.5. ⻆⾊设定 (Persona/Role)

定义与作⽤：⻆⾊设定（或称⻆⾊扮演、Persona Prompting）是在Prompt中为LLM赋予⼀个特定的⾝份、职业、性格或视⻆。其⽬的是通过模拟特定⻆⾊的⼝吻、知识背景、思维⽅式和⾏为模式来引导LLM的输出，使其更具针对性、专业性或某种特定的⻛格魅⼒。

设计原则：

• ⼀致性 (Consistency)： ⼀旦设定了⻆⾊，模型应在整个交互或任务中（除⾮明确指⽰改变）保持该⻆⾊的⼀致性。多次强调或在多轮对话的System Prompt中固化⻆⾊有助于此。

• 相关性 (Relevance)：设定的⻆⾊应与当前任务内容和期望的输出⻛格紧密相关。不相关的⻆⾊设定可能反⽽会⼲扰模型。

• 明确性与具体性 (Clarity & Specificity)： 清晰、具体地描述⻆⾊的关键特征，例如“⼀位拥有20年经验的资深软件架构师”⽐“⼀位程序员”更有效。可以包括⻆⾊的专业领域、经验⽔平、性格特点（如“友善且耐⼼”、“严谨且批判”）、特定观点或⽬标等。

• 可信度 (Plausibility)： 虽然可以设定虚构⻆⾊，但⻆⾊⾏为和知识应在模型的能力范围内，过于天⻢⾏空或要求模型具备其不拥有的特定个体记忆可能会导致效果不佳。

四、优质Prompt的六大核心要素

万能模板： “作为[角色]，请完成[具体任务]。背景信息：[说明]。要求：[格式/长度等]，特别注意[重点要求]，避免[禁忌]。示例参考：[案例]”

五、核心技术：Prompt 工程的 “三板斧”

5.1 零样本提示（Zero-shot Prompting）

零样本提示的特点是不提供示例，直接向模型给出指令，模型主要依赖自身的预训练知识来完成任务。这种方式适用于一些简单分类、情感分析等模型已在预训练过程中熟悉的任务。

例如，“请判断以下评论的情感倾向，并输出‘正面’、‘中性’或‘负面’：这家餐厅的菜品味道很棒，服务也很周到。” 在这个例子中，我们没有给模型提供任何情感分析的示例，直接要求它对给定评论进行情感判断，模型凭借预训练学到的语言知识和模式识别能力来完成任务。为了增强结果的可解释性，我们还可以在提示词中加入 “简要说明理由”，如 “请判断以下评论的情感倾向，并输出‘正面’、‘中性’或‘负面’，简要说明理由：这家餐厅的菜品味道很棒，服务也很周到。”

5.2 少样本提示（Few-shot Prompting）

少样本提示则是在提示中提供少量示例，以帮助模型更好地理解和执行任务。这种方法通过上下文学习，利用少量示例引导模型实现更好的性能。例如，在进行文本分类任务时，我们可以先给出几个示例：“示例 1：文本‘我喜欢这部电影，剧情很精彩’，类别：正面评价；示例 2：文本‘这个产品质量太差了’，类别：负面评价”，然后再给出需要分类的文本，如 “请判断以下文本的类别：这家酒店环境优美，住得很舒服”。通过这些示例，模型能够快速理解任务的要求和分类标准，从而更准确地对新文本进行分类。少样本提示在面对新类别或快速变化的任务时，能够提高模型的适应能力，因为它可以通过示例快速学习到新的模式和规则。

5.3 思维链提示（Chain-of-Thought Prompting）

思维链提示，正如前面提到的，是引导模型进行分步思考的技术。它适合解决复杂推理、数学计算、逻辑分析等需要深度思考的任务。通过要求模型阐述思考过程，将复杂问题分解为多个简单步骤，模型能够更有条理地解决问题，同时也便于我们检查模型的推理过程是否合理。例如，在解决逻辑推理问题 “如果 A 比 B 高，B 比 C 高，那么 A 和 C 谁更高？请阐述你的推理过程” 时，模型会按照思维链逐步分析，先说明 A 和 B 的关系，再说明 B 和 C 的关系，最后得出 A 比 C 高的结论，并详细解释推理的依据，这样的结果更加可靠和可理解。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！