Prompt Engineering 进阶：结构化提示与少样本学习

同样的 LLM，用不同的提示词，输出质量可能天差地别。**Prompt Engineering（提示工程）**不是"怎么问问题"的技巧，而是"如何精确传达意图"的系统方法。

为什么需要结构化提示

大多数人与 LLM 交互的方式是这样的：

"帮我写个 Python 爬虫"

结果往往不尽人意——代码没有错误处理、没有反爬策略、输出格式混乱。问题的根源在于：意图太模糊，LLM 只能"猜"你想要什么。

结构化提示通过固定模板，把模糊需求转化为精确指令。

CRISPE 框架：五维提示结构

一个高质量的提示应该包含五个维度：

Context（上下文）→ Role（角色）→ Intent（意图）→ Specifics（细节）→ Examples（示例）

实战对比

普通提示：

分析这段代码的性能问题

结构化提示：

【Context】你是一名有 10 年经验的 Python 性能优化专家。
【Role】请以技术顾问的身份给出建议。
【Intent】找出以下代码中的性能瓶颈，并给出优化方案。
【Specifics】
- 关注时间复杂度与内存占用
- 给出优化前后的对比数据
- 说明使用的 Python 版本为 3.11
【Examples】
优化前：O(n²) 的嵌套循环
优化后：使用 dict 将复杂度降为 O(n)

【代码】
def find_duplicates(items):
    result = []
    for i in range(len(items)):
        for j in range(i+1, len(items)):
            if items[i] == items[j] and items[i] not in result:
                result.append(items[i])
    return result

后者的输出质量通常显著高于前者。

少样本学习（Few-Shot Learning）

LLM 擅长"照猫画虎"。给出输入-输出的示例对，它就能快速掌握你想要的格式和风格。

格式规范示例

请按以下格式总结技术文章：

输入：《Redis 缓存穿透、击穿与雪崩》
输出：
- 核心问题：缓存失效导致请求直达数据库
- 解决方案：布隆过滤器 + 互斥锁 + 随机 TTL
- 适用场景：高并发读缓存系统

输入：《MySQL 索引优化》
输出：
- 核心问题：查询未命中索引导致全表扫描
- 解决方案：覆盖索引、最左前缀原则、EXPLAIN 分析
- 适用场景：大数据量 OLTP 系统

输入：{用户输入的文章标题}
输出：

通常 2-3 个示例就能让 LLM 稳定输出期望格式。

链式思考（Chain-of-Thought）

对于复杂推理任务，让 LLM "说出思考过程"能显著提升准确率。

直接提问：

一个农场有鸡和兔共 35 只，脚共 94 只，问鸡兔各多少？

LLM 可能直接给答案，也可能算错。

CoT 提示：

请逐步思考：设鸡有 x 只，兔有 y 只。根据题意列出方程组，然后求解。

LLM 会输出完整的推导过程，错误率大幅降低。

进阶技巧：Zero-Shot CoT

在提示末尾加一句"Let's think step by step"，即使不给示例，也能触发链式思考。

自我一致性（Self-Consistency）

对于需要高可靠性的任务，可以让 LLM 多次采样并投票：

请独立回答以下问题 3 次，然后选择出现次数最多的答案作为最终结果。

问题：...

这种方法虽然增加了 Token 消耗，但能有效降低"幻觉"概率。

提示优化清单

在提交提示前，对照以下清单检查：

• 是否明确了角色和专业背景？
• 输出格式是否通过示例定义？
• 约束条件（长度、风格、禁用词）是否列出？
• 是否提供了足够的上下文？
• 复杂任务是否要求分步思考？
• 是否说明了目标受众（技术小白 / 资深工程师）？

写在最后

Prompt Engineering 的本质是沟通能力的延伸。它不需要高深的算法知识，但需要对 LLM 的能力边界有清晰认知——知道它擅长什么、容易在哪里出错、如何通过提示规避弱点。

下一篇，我们将进入实战环节：使用 Claude API 构建生产级应用。