深入浅出提示词工程（结合 DeepSeek）
提示词工程
Prompt 即提示、指令，所以提示工程也叫「指令工程」
用户输入的问题称为 Prompt，本文主要探讨 System Prompt（我将其翻译成「系统预设」）
使用 Prompt 的目的
直接提问
如「我该学 Vue 还是 React？」，能获得该问题的具体结果
固化到程序
通过设置 System Prompt，将大模型结合到程序中，成为系统功能的一部分
如「流量套餐客服系统」，能根据用户的问题有针对性的回答
Prompt 调优
找到好的 Prompt 是个持续迭代的过程，需要不断调优
训练数据已知
如果知道训练数据是怎样的，参考训练数据来构造 Prompt 是最好的选择
如 DeepSeek 的训练数据主要来自于中文互联网，它可能更擅长中文，那么就可以将提示词构造为中文
训练数据未知
如果不知道训练数据，可以：
向 AI 直接提问，看它是否会告诉你
如 ChatGPT 对 Markdown 格式友好，Claude 对 XML 友好
不断尝试不同的提示词
高质量 Prompt 核心要点：具体、丰富、少歧义
Prompt 经典构成
角色
给 AI 定义一个最匹配的任务角色，比如「你是一位软件工程师」
先定义角色，其实就是在开头把问题域收窄，减少二义性。有论文指出，在 Prompt 前加入角色定义，大模型的输出效果会更好
Lost in the Middle，大模型对 Prompt 开头、结尾的信息更敏感
指示
对任务进行具体描述
上下文
给出与任务相关的其他背景信息（尤其是在多轮交互中）
例子
必要时给出举例，学术中称为 one-shot learning, few-shot learning 或 incontext learning
能大幅度提升输出效果
输入
任务的输入信息，在提示词中明确的标识出输入
输出
输出的格式描述，以便后继模块自动解析模型的输出结果，如「以 Markdown 格式输出回答」
对话系统构建
核心思路：
把输出的自然语言对话，转成结构化的表示
从结构化的表示，生成策略
把策略转成自然语言输出
定义出的 Prompt：
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称（name），月费价格（price），月流量（data）
根据用户输入，识别用户在上述三种属性上的倾向。历史对话：
【此处将历史对话放入】以 JSON 格式输出
1. name 字段的取值为 string 类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null2. price 字段的取值为一个结构体或 null，包含两个字段：
（1）operator, string 类型，取值范围：'<='（小于等于），'>='（大于等于），'=='（等于）
（2）value，int 类型3. data 字段的取值为一个结构体或 null，包含两个字段：
（1）operator, string 类型，取值范围：'<='（小于等于），'>='（大于等于），'=='（等于）
（2）value, int 类型或 string 类型，string 类型只能是'无上限'4. 用户的意图可以包含 price 或 data 排序，以 sort 字段标识，取值为一个结构体：
（1）结构体中以"ordering"="descend"表示按降序排序，以"value"字段存储待排序的字段
（2）结构体中以"ordering"="ascend"表示按升序排序，以"value"字段存储待排序的字段只输出用户提及的字段，不要猜测任何用户未提及的字段，不输出为 null 的值一些例子：
便宜的套餐：{"sort":{"ordering"="ascend","value"="price"}}
有没有不限流量的：{"data":{"operator":"==","value":"无上限"}}
流量大的：{"sort":{"ordering"="descend","value"="data"}}
月费不超过200的：{"price":{"operator":"<=","value":200}}
就要月费180那个套餐：{"price":{"operator":"==","value":180}}用户输入：
办个 100G 以上的套餐执行的结果：
{"data": {"operator": ">=","value": 100}
}在这个 Prompt 中，将多轮对话（上下文）带入、规定了输出格式、给出了举例，这三种方式混合可以使输出效果达到最优
实现思路解析
上面的方式是用 Prompt 实现 DST，优点是节省了开发量，缺点是调优相对复杂
也可以用大模型 + 传统方法的形式进行开发，比如让大模型生成数据库查询语句，然后将该语句用传统方法进行数据库查询，再将查询结果替换掉大模型输出结果中的对应部分
优点是使得 DST 的可控性更高，缺点是开发量大
调优
加入指定回答模板，使回答更专业
非常抱歉，我们目前没有 200 元以内的套餐产品。不过，我们有一款经济套餐，每月只需支付 50 元，包含 10G 流量。这个套餐性价比很高，您可以考虑一下。如果您对其他套餐有任何需求或者疑问，我也可以为您提供更多选择。增加约束
回答亲切一些，不用说“抱歉”，直接给出回答。统一口径（用例子实现）
遇到类似问题，请参照以下回答：
问：流量包太贵了
答：亲，我们都是全省统一价哦
架构师思考
大模型应用架构师需要考虑哪些方面？
怎样能更准确？
让更多的环节可控
怎样能更省钱？
减少 Prompt 长度，减少 Tokens 的长度
怎样让系统简单好维护？
进阶技巧
思维链（Chain-of-Thought, CoT）
思维链是大模型自己涌现出来的一种神奇能力
它是被偶然发现的
有人在提问时以「Let’s think step by step」开头，发现 AI 会将问题分解成多步解决，使得输出的结果更加精确
原理：
让 AI 生成更多相关的内容，构成更丰富的「上文」，从而提升「下文」的正确率
对涉及计算和逻辑推理等复杂问题尤为有效
DeepSeek、GPT-o3 等均使用了思维链
自洽性（Self-Consistency）
一种有效对抗「幻觉」的手段，就像我们做数学题需要多次验算
核心：
同样的 Prompt 跑多次
通过投票选出最终结果
资料推荐
💡大模型中转API推荐
✨中转使用教程