Source: Dev.to

为什么 Prompt 不仅仅是“消息”

在与大型语言模型（LLM）交互时，Prompt 常被视为向模型发送的“消息”。然而，这种看法过于简化了 Prompt 的真实作用。Prompt 实际上是一套 指令、上下文和约束，它们共同决定了模型的输出质量、风格以及可靠性。下面我们来拆解 Prompt 的多层含义，并探讨如何在实际项目中充分利用它们。

1. Prompt 的三大组成部分

1. 系统指令（System Prompt）

   • 为模型设定整体行为基调（例如：“你是一名友好的技术写手”。）
   • 决定模型在整个会话期间遵循的角色和价值观。

2. 用户指令（User Prompt）

   • 具体的任务描述或问题陈述。
   • 包含输入数据、期望的输出格式以及任何必要的约束条件。

3. 示例（Few‑shot / In‑context Learning）

   • 通过提供输入‑输出对，让模型学习期望的模式。
   • 对于复杂或高度专业化的任务尤为重要。

关键点：系统指令提供“全局视角”，用户指令提供“局部任务”，示例则帮助模型“桥接”两者之间的差距。

2. 为什么 Prompt 超越了“消息”概念？

2.1 引导模型的思考方式

通过在 Prompt 中加入 思考链（Chain‑of‑Thought） 或 分步指令，我们可以让模型先进行内部推理，再给出最终答案。例如：

先列出所有可能的原因，然后逐一评估它们的可能性，最后给出最有可能的解释。

这种结构化的 Prompt 能显著提升模型在逻辑推理和数学计算任务上的表现。

2.2 控制输出的可预测性

在生产环境中，可预测性 是关键需求。我们可以在 Prompt 中明确规定：

• 输出语言（例如：“请用中文回答”。）
• 格式要求（例如：“以 JSON 对象返回，字段包括 title、summary、tags”。）
• 内容限制（例如：“避免使用任何政治敏感词”。）

这样即使模型的内部权重发生变化，输出仍然保持一致。

3. 实践技巧：构建高质量 Prompt

1. 先写系统指令

   • 明确角色、语气和价值观。
   • 示例：You are a senior frontend engineer with 10 years of experience.

2. 提供清晰的用户指令

   • 使用动词开头，避免歧义。
   • 示例：Generate a React component that fetches data from the given API and displays it in a table.

3. 加入示例（如果可能）

   • 给出 1‑2 个输入‑输出对，帮助模型捕捉期望的格式。
   • 示例：

     Input: "Create a button that logs 'Clicked' when pressed."
     Output: "<button onClick={() => console.log('Clicked')}>Click me</button>"

4. 使用约束和后处理指令

   • 如 Do not use any external libraries.、Return only the code block without explanations.

5. 迭代与评估

   • 通过 A/B 测试不同 Prompt 版本，量化准确率、可读性和执行时间。
   • 使用 Prompt‑tuning 或 RLHF（人类反馈强化学习）进一步优化。

4. 常见误区

5. 结论

Prompt 远不止是向模型发送的文字信息。它是一套 结构化指令、上下文和示例，共同决定模型的行为方式。通过系统化地设计 Prompt——明确角色、提供清晰任务、加入示例并设定约束——我们能够显著提升模型的可靠性、可解释性和业务价值。

在实际项目中，建议把 Prompt 视作 代码 来对待：进行版本管理、单元测试和持续迭代。这样，Prompt 才能真正发挥其超越“消息”本身的强大力量。

提示到底是什么

提示是您提供的 完整上下文，用于指导大型语言模型（LLM）的行为。该上下文可以包括：

• 指令
• 规则和约束
• 示例
• 输出格式
• 先前的消息
• 系统级别的指导

因此，当我们说“提示”时，并不是指单一句子，而是指 模型被设置为如何思考和回应。

Garbage in → Garbage out
Structured prompt → Predictable results

Source: …

Prompt Layers（系统、用户、上下文）

Prompt 并非只有单条信息。它由 相互协作的层级 组成。大多数 AI 系统依赖以下三层核心 Prompt：

System Prompt

定义 模型整体行为方式。通常包括：

• 角色与职责
• 语气与边界
• 格式规则

该层在后台持续激活，贯穿所有请求。

User Prompt

具体任务本身。例如：

• “概括这段文字”
• “从这张图片中提取字段”
• “生成 JSON 响应”

它回答 要做什么，而不是 如何表现。

Context Prompt / Conversation History

先前的消息同样会影响回复。这既强大，又有风险，因为：

• 旧指令可能泄漏到新任务中
• 不明确的上下文会导致意外输出

提示结构很重要

当提示超出简单实验的范围时，结构变得至关重要。一个结构良好的提示通常包括：

• 清晰的指令
• 明确的约束
• 定义好的输出格式
• 可选的示例

非结构化的提示可能仍然有效——但它们脆弱且不可预测。细微的措辞变化就可能导致输出中断或行为改变。这正是 模板、版本和测试 等概念开始发挥作用的地方——不是为了增加复杂度，而是为了稳定性和可控性。你不需要在第一天就使用这些，但每一个严肃的 AI 功能最终都会走到这一步。

Source: …

提示技巧（真正重要的）

提示技巧分为 两大类。这种区分比具体技巧本身更为关键。

引导技巧（向模型展示多少信息）

这些技巧决定模型是否需要示例来理解任务。

• 零样本 / 基于指令的提示
  是什么： 给出清晰的指令而不提供任何示例。
  何时使用： 当任务常见且模型已经掌握该模式时。

  Summarize the following text in one paragraph. Use simple language.

• 单样本提示
  是什么： 提供一个示例来展示期望的模式。
  何时使用： 当任务简单但格式或风格重要时。

  Input: “Apple released a new product.”
  Output: “Apple launched a new device this week.”
  Now summarize the following text in the same way.

• 少样本提示
  是什么： 提供多个示例以强化模式。
  何时使用： 当一致性重要或任务略显模糊时。

  Example 1 → Input / Output
  Example 2 → Input / Output
  
  Now perform the same transformation.

• 链式思考（CoT）提示
  是什么： 要求模型在回答前显式地进行中间步骤推理。
  何时使用： 当任务涉及逻辑、推理或多步决策时。

  Solve this step by step using BODMAS:
  2 + 6 × 3

控制技巧（模型的行为方式）

这些技巧在任务被理解后塑造模型的行为。例如：

• 明确的逐步指令
• 严格的输出格式（JSON、模式）
• 约束条件（“如果不确定，请说‘unknown’”）
• 角色设定（“你是一名严格的审稿人……”）

指导与控制技术的区别

两种技术都用于不同的问题。

• Guidance techniques 帮助模型 理解任务。它们回答：
  模型已经知道这个模式了吗，还是需要我提供示例？

• Control techniques 在任务已被理解后，塑造模型的 响应方式。它们回答：
  我需要输出多么可预测、安全且结构化？

实践中：

• Guidance = 教授模式
• Control = 约束行为

你不一定要同时使用两者，但把它们混淆是大多数提示挫败感的来源。

要点

提示并不 仅仅是一条信息。它是：

• 行为定义
• 结构
• 约束
• 意图的组合

以这种方式看待提示会让 AI 系统显得 不那么神秘，而且 更易控制。一旦领悟到这一点，你就不再猜测，而是开始设计。