面试官来讲讲怎么写好 Prompt分享下 Prompt 工程的实践经验‍♂️我写 Prompt 主要就是把问题描述清楚让模型知道我要什么。面试官……「描述清楚」是空话。具体写好 Prompt 要做哪几件事大多数新手写 Prompt 出错错在哪‍♂️我呃……可能是写得太短面试官不只是太短。Prompt 写不好通常不是因为太短而是因为「模糊」没说清楚角色、任务、上下文、格式、示例。这五个要素你能展开讲吗‍♂️我呃这五个我没有系统总结过。面试官典型的「会用 ChatGPT 但没真的研究过 Prompt 工程」。Prompt 不是写完就完了是需要「测试集 持续迭代」的工程问题。这种「Prompt 也是工程」的认知没有去面试就是被怼。回去搞清楚再来。这几个反问指向的其实是同一件事Prompt 工程不是「把人话写清楚」这种朴素动作它有方法论五要素、Few-shot、CoT 触发、迭代闭环一条一条都是工程。 简要回答我在实际做项目时踩过不少坑发现 Prompt 写不好通常不是因为太短而是因为「模糊」模型根本不知道你想要什么格式、什么风格、给谁看的。后来总结下来写好 Prompt 核心就是做好五件事给模型设定角色、说清楚任务、交代背景上下文、约定输出格式、提供示例。其中格式约束是最容易忽略、但对程序解析影响最大的。而且 Prompt 不是写完就完了我们项目里一定要建测试集、每次改动都跑一遍才知道改好了还是改坏了。 详细解析为什么 Prompt 的好坏能决定效果的上限同一个模型同一个任务一个好 Prompt 和一个差 Prompt 输出的质量差距可以有一个数量级。这不是夸张而是在实际项目中反复验证的结论。原因很简单模型没有读心术它只能根据你给它的信息来推断你想要什么。你的 Prompt 越模糊模型的理解空间就越大输出就越随机。新手写 Prompt 最常见的三个问题是指令不清晰「帮我写一篇文章」vs「写一篇面向高中生的 800 字科普文章解释黑洞是如何形成的」、缺少关键上下文模型不知道你是什么行业、你的用户是谁、没有格式约束模型自由发挥格式导致下游解析出错。这三类问题对应的是 Prompt 设计中最重要的五个要素逐一来看。五要素拆解Role角色设定是告诉模型「你是谁」。设定角色能让模型在回答时采用对应的知识框架和表达风格。角色越具体模型的「人设」越稳定输出的专业程度也越高。❌差的写法你是一个助手帮我分析这段代码。✅好的写法你是一位有 10 年经验的 Python 后端工程师专注代码 Review 和性能优化熟悉常见的安全漏洞。回答时直接指出问题解释原因给出具体的修改方案。区别在哪第一版只告诉模型它是「助手」什么背景都没有模型只能泛泛而谈。第二版明确了专业方向Python 后端、经验年限10 年、关注点性能 安全模型输出的深度和针对性会有明显提升。Task任务描述是告诉模型「做什么」。关键是用清晰的动词把任务边界说明白避免歧义。复杂任务要拆成子步骤不要让模型一步做完所有事。❌差的写法帮我写一篇文章。✅好的写法写一篇面向高中生的 800 字科普文章主题是「为什么黑洞会弯曲时空」。用日常生活类比帮助读者理解避免数学公式结尾给一个思考题。「帮我写一篇文章」给了模型太多自由度写什么风格多长给谁看没有约束结果就是模型自由发挥很可能不是你想要的。好的写法把受众、字数、主题、风格、结构都点清楚了。Context背景信息是告诉模型「你需要知道的前提」。模型不了解你的业务场景你需要把关键背景主动塞进 Prompt。有了正确的上下文模型的表达方式会完全不同。❌差的写法把这段话翻译成英文。✅好的写法这是一份面向海外投资者的商业计划书摘要需要翻译成英文。要求使用正式商务英语保留所有专业术语不要口语化保持原文的段落结构。[原文内容]第一版没有交代任何背景模型不知道这段话是什么用途翻译出来可能是很日常的英文。第二版告诉了模型受众海外投资者、用途商业计划书和具体要求输出质量会有本质区别。Format输出格式是告诉模型「以什么形式输出」。这是很多人忽略但最影响实用性的要素尤其是当输出要被程序解析的时候。❌差的写法分析这条用户评论的情感。✅好的写法分析以下用户评论以 JSON 格式输出包含以下字段- summary20 字以内的评论概述- sentiment正面 / 中性 / 负面 三选一- keywords最多 3 个关键词的列表[用户评论]没有格式约束时模型会自由发挥可能输出一大段叙述性文字程序根本没法解析。加上 JSON 约束之后输出结构固定下游处理就变得可靠。Examples示例是 Few-shot 学习也是提升效果最明显的技巧之一。与其花很多时间描述你想要什么风格不如直接给 1-3 个输入/输出的例子模型会自动对齐你的期望。对于格式复杂或风格特殊的任务Few-shot 几乎是必备的。比如你想让模型生成特定格式的 SQL 注释与其描述「注释要包含哪些字段、用什么符号分隔」不如直接给一个范例模型看懂范例比看懂一大段描述要快得多也准确得多。从差 Prompt 到好 Prompt完整改造示例光看五要素还是有点抽象来看一个端到端的改造过程感受一下「加一层约束效果跳一个台阶」的规律。场景让模型给一篇技术博客生成摘要。第一版差帮我总结一下这篇文章。{文章内容}这个 Prompt 几乎没有任何约束问题很多没有角色模型用什么视角总结没有字数限制总结多长算总结没有受众定义给普通人还是给工程师看没有格式要求一段话还是分点。结果往往是模型随机发挥每次输出都不稳定。稍微改一改加上角色和任务的描述第二版加了角色 任务你是一位技术文档编辑。请总结以下文章提炼核心观点。{文章内容}有进步了模型知道自己是「技术编辑」了输出会更专业一些。但问题还是很多「提炼核心观点」还是太模糊输出多长格式是什么给谁看的缺少这些约束输出质量仍然不稳定。再进一步把所有要素都补全第三版完整好 Prompt你是一位技术内容编辑负责为工程师受众提炼文章精华。## 任务对以下技术博客进行摘要提炼。## 要求- 摘要总长度100-150 字- 受众有 2-3 年经验的后端工程师熟悉基础概念不需要解释入门知识- 输出格式 - **一句话结论**20 字以内直接说文章最核心的观点 - **要点列表**3 条每条不超过 30 字 - **适合人群**一句话说明哪类读者最该看这篇文章## 文章内容{文章内容}这一版把五个要素都补全了角色技术内容编辑、任务摘要提炼、背景后端工程师受众、格式三段式固定结构、长度约束100-150 字。交给不同模型、在不同时间执行输出格式和质量都会高度稳定。这就是好 Prompt 的核心价值可预期、可复用、可迭代。进阶技巧掌握了五要素之后还有几个进阶技巧能进一步提升 Prompt 的可靠性和推理质量。CoT 触发词是让模型先组织推理再回答的简单方式。在 Prompt 末尾加上「请先分步分析再给出结论」这类指令往往能提升涉及逻辑推理和计算的任务准确率。不过 2026 年的工程实践里不建议默认把完整推理链原样展示给最终用户。一方面会多花 token另一方面完整思考链里可能有不稳定或不该暴露的内容。更稳的做法是让模型内部先分析最终只输出简洁的依据、关键步骤或可核查的结论。XML 标签包裹内容是 Claude 特别推荐的做法。当 Prompt 中包含多个部分时用 XML 标签明确区分模型理解起来更准确。比如document{这里是要分析的文档内容}/documenttask根据上面的文档提取所有提到的日期和对应事件以表格形式输出。/task先思考后回答的结构对需要多步推理的任务效果很好。内部链路里可以让模型先分析再把最终答案单独放出来对外展示时建议输出「简要理由」或「检查清单」而不是完整的 hidden reasoning。掌握了这些结构技巧还有一件事同样重要Prompt 不是写完就完需要持续迭代。迭代方法论Prompt 工程本质上是一个「提出假设 - 测试 - 优化」的循环不是一次写完就完事的。实践中我们的做法是先整理 30-50 条有代表性的测试用例覆盖正常情况和边缘情况每次改 Prompt在整个测试集上跑一遍看通过率的变化如果改动让某些用例变好了但另一些变差了就继续拆分针对不同类型的输入写不同的 Prompt 分支。改 Prompt 要遵循「每次只改一处」的原则这样才能判断是哪个改动起了作用避免互相干扰。进阶Prompt 压缩写好 Prompt 之后还有一个工程优化点容易被忽略Prompt 压缩。为什么需要压缩 Prompt两个原因。第一长 Prompt 贵token 费用直接和长度成正比。第二长 Prompt 慢每多 1000 token首 token 延迟可能多几十 ms影响用户体验。但你写好的 Prompt 里其实有大量「冗余信息」。比如「请你认真仔细地一步一步分析这个问题」其实可以压成「认真分步分析」20 个 Few-shot 示例里很多重复的模式可以挑代表性的几个就够System Prompt 里反复强调「不要做 X」的句子也是浪费 token。主流的 Prompt 压缩方案有两类1. LLMLingua微软提出用一个小模型比如 LLaMA 7B评估 Prompt 中每个 token 的「信息含量」删掉信息量低的 token。原 Prompt 5000 token 压到 1000 token效果损失只有 1-3%。这是当前最主流的工程方案HuggingFace 上有现成的实现。2. Embedding 表示把整段 Prompt特别是 Few-shot 部分编码成一个固定长度的 embedding 向量让模型直接读 embedding 而不是 token 序列。这种方案需要模型支持「软 Prompt」Soft Prompt输入目前还在研究阶段没普及。实际工程里 Prompt 压缩适合两类场景。一类是长上下文 RAG检索到的文档内容很长压一压能省大量 token 成本。另一类是大量 Few-shot 示例示例池有 50 个时压缩对延迟改善特别明显。需要注意的是压缩对效果有损失。压得越狠损失越大工程上要在「省钱省时间」和「效果衰减」之间找平衡点。建议在自己的测试集上评测找到「压到多少 token 效果还能接受」的甜蜜点。 面试总结回到开头那段对话问到怎么写好 Prompt最重要的是先把新手最容易踩的雷讲出来Prompt 写不好通常不是因为太短而是因为「模糊」没说清楚角色、任务、上下文、格式、示例。这一句先点出来面试官就知道你抓到了核心问题。接下来讲五要素拆解Role角色设定让模型有专业人设、Task任务描述用清晰动词把任务边界说明白、Context背景信息把业务场景塞给模型、Format输出格式特别是要程序解析的场景必须强约束、ExamplesFew-shot 示例比纯文字描述效果好得多。能把这五要素逐个讲清楚 给具体例子比单纯说「Prompt 要写清楚」深刻得多。然后讲进阶技巧CoT 触发词能帮助模型先组织推理但最终用户侧最好只展示简要依据XML 标签包裹内容特别是 Claude 推荐让模型理解结构更准「先分析后回答」的结构对多步推理有效。这些技巧能在面试里点一两个出来会让面试官觉得你真的写过项目级 Prompt。最关键的是讲Prompt 是工程问题不是一次写完就完事的。要建测试集30-50 条覆盖正常和边缘情况、每次改动都跑一遍看通过率、遵循「每次只改一处」原则避免多变量干扰。这种工程化视角是面试拉差距的地方。如果还想再加分可以提一句Prompt 压缩LLMLingua 用小模型评估 token 重要性删冗余、Embedding 表示压缩 Few-shot作为长 Prompt 场景的进阶优化让面试官知道你跟得上 Prompt 工程的最新实践。能讲到这一层已经是面试里很难追问的水平了。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传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】