提示词工程进阶：从少样本到思维链的六种技巧
提示词工程不是"写一段话让 AI 回答"，是系统性地控制 AI 输出的技术。一、基础：角色+任务+约束
差的方式："写一篇关于 AI 的文章"
好的方式："你是一个科技行业分析师。写一篇 800 字的 AI 行业分析。聚焦大模型 API 价格战对创业公司的影响。用数据和案例，不要空话。结尾给出三个判断。"
差别在于：角色设定、字数约束、聚焦方向、格式要求、负面约束。五要素齐了输出质量稳定。
二、少样本提示（Few-shot）
给 AI 看几个输入-输出范例，让它照着做：
"示例1：输入'开心' → 输出'笑容是最好的名片'
示例2：输入'失落' → 输出'雨后总有彩虹'
现在处理：输入'紧张' →"
比纯描述要什么效果好得多。给 3-5 个样本就够了。
三、思维链（Chain-of-Thought）
复杂推理任务，加一句"让我们一步步思考"。AI 会先展示推理过程再给答案。实测数学题准确率从 17% 提升到 78%。
进阶版：给 AI 一个推理框架。"分析步骤：1.识别已知条件 2.判断适用规则 3.计算结果 4.验证"。AI 按框架走比自由发挥准确得多。
四、结构化输出
让 AI 输出 JSON：
"输出格式：{"总结": "...", "关键词": [...], "情感": "正面/负面/中性"}"
配合 temperature=0（确定性强），适合做信息提取。
五、实战模板：文章改写
"你是专业编辑。把以下文章改写为 500 字版本。要求：保留核心观点和数据。语气改口语化。段落不超过 3 句话。删除所有'值得一提的是''综上所述'。文章内容：[贴原文]"
六、避坑
[*]不要一句话指令。信息越少 AI 越自由发挥，结果越不可控
[*]temperature 参数很关键。创意任务设 0.7-1.0，分析任务设 0-0.3
[*]对话太长时 AI 会"忘记"前面的约束。定期重申关键要求
[*]AI 说"我理解了"不代表它真理解了。看输出结果验证
https://www.metk.cn/img/posts/prompt_engineering.jpg 不错 支持一个了 这个思路挺实用的，回头试试看效果。 这类任务最后往往还是人在兜底，模型只承担初筛。 这类需求本质是降本，所以定价天花板很容易算出来。这套方案在数据量大的时候表现如何？ 延迟和成本这两项是硬指标，演示好看但扛不住量。 小团队做这个真不如直接用现成 API，自建维护成本太高。 这种场景其实更依赖工程化，模型只是其中一环。有没有踩过什么比较大的坑？ 延迟和成本这两项是硬指标，演示好看但扛不住量。有对比过同类的其他方案吗？ 冷启动阶段最难，没有历史数据就没法做效果对比。