1. 从零开始理解Prompt工程的核心思想
第一次接触大语言模型时，我犯了个典型错误——以为AI能读懂我的心思。记得当时我直接输入"写份产品分析报告"，结果得到的是一篇泛泛而谈的废话。后来才明白，想让AI输出高质量内容，关键在于如何设计prompt（提示词）。这就像教新人干活，光说"做个PPT"远远不够，得明确主题、格式要求，最好还能给几个参考样例。
1.1 两种基础设计范式
在prompt工程领域，最基础的两种方法是Few-Shot和Zero-Shot，它们对应着完全不同的使用哲学：
**Few-Shot（少样本提示）**就像手把手教学。去年我做金融文本分类项目时，先给模型看了5个标注好的新闻案例，包括标题、正文和对应的分类标签。结果模型在新文本上的分类准确率直接比Zero-Shot提高了32%。这印证了一个道理：对于复杂任务，给例子比给描述更有效。
**Zero-Shot（零样本提示）**则像直接下指令。简单如"把这段中文翻译成英文"的任务，Zero-Shot完全够用。但要注意，指令必须明确具体。有次我写"总结这篇文章"，得到的是摘要；改成"用200字以内，列出本文三个核心观点"，输出立即符合需求。
1.2 选择策略的黄金法则
经过半年实践，我总结出一个决策框架：
- 任务复杂度高 → 用Few-Shot（给3-5个典型示例）
- 输出格式严格 → 用Few-Shot（展示标准格式）
- 简单明确任务 → Zero-Shot（直接下指令）
- 测试模型能力 → Zero-Shot（看基线表现）
比如生成会议纪要，Few-Shot效果更好。我会先给2-3个标准纪要样例，注明需要包含"决议事项"、"责任人"、"时间节点"等要素。而查询事实类问题如"Python的GIL是什么"，Zero-Shot足矣。
2. Few-Shot设计的实战技巧
2.1 示例选择的门道
不是随便给几个例子就行。去年做客服问答系统时，我发现示例的质量直接影响效果。好的Few-Shot示例应该：
- 覆盖主要场景类型（如退货、投诉、咨询）
- 包含边缘案例（如模糊查询）
- 展示理想的回答格式和深度
python复制# 优质示例结构示例
examples = [
{
"query": "订单12345还没收到",
"response": "经查询，您的订单已于2023-05-20发货，物流单号SF123456789，预计2日内送达。"
},
{
"query": "想退换货怎么办",
"response": "退换货需满足：1) 收到商品7天内；2) 未拆封使用。请提供订单号和商品照片至service@xxx.com"
}
]
2.2 上下文设计的艺术
系统消息(System Message)是Few-Shot的关键部分。它应该：
- 明确角色定位（如"你是有10年经验的金融分析师"）
- 定义任务边界（如"仅回答与A股相关的问题"）
- 说明输出格式要求（如"用Markdown表格呈现"）
python复制system_prompt = """你是某券商首席分析师，负责A股上市公司研究。用户提供公司名称后，你需要：
1. 列出最近3年主要财务指标（营收、净利润、毛利率）
2. 指出关键风险因素
3. 给出投资建议（买入/持有/卖出）
输出格式：
## [公司名称]分析
### 财务表现
- 2022年：营收xx亿(+x%)，净利润xx亿...
### 风险提示
1. 行业政策风险...
### 建议
[买入/持有/卖出]，目标价xx元"""
实践发现，带编号的指令列表比段落描述更有效，能让模型更好遵循复杂要求。
3. Zero-Shot的进阶用法
3.1 指令设计的核心要素
有效的Zero-Shot指令应包含：
- 动作动词（"生成"、"列出"、"比较"）
- 内容范围（"关于新能源汽车电池技术"）
- 格式规范（"分点论述"、"表格对比"）
- 附加条件（"不超过300字"、"包含数据来源"）
糟糕指令："说说特斯拉"
优质指令："用中文分三点概述特斯拉的核心竞争优势，每点不超过20字，包含具体数据支持"
3.2 思维链(Chain-of-Thought)技巧
对于推理类任务，在prompt中加入"逐步思考"要求，效果显著提升。比如：
code复制请逐步分析当前是否适合投资光伏行业：
1. 首先列出影响光伏行业的三大关键因素
2. 然后分析每个因素的现状
3. 最后综合给出投资建议
实测显示，这种结构使分析深度提升40%以上，且更少出现事实错误。
4. 金融场景实战案例解析
4.1 文本分类优化方案
原始代码中的金融文本分类案例，有几个关键改进点：
- 示例覆盖度：应确保每个类别都有代表样本
- 负样本：添加"不清楚类别"的明确示例
- 差异强化：突出类别间的区分特征
python复制# 改进后的示例数据
examples_data = {
'财务报告': '2023年报显示，公司营收同比增长15%至50亿元，净利润率达20%...',
'公司公告': '【重大事项公告】本公司拟以每股10元价格回购不超过5%股份...',
'不清楚类别': '今日食堂菜单：红烧肉、清炒时蔬、紫菜蛋汤' # 明确非金融文本示例
}
4.2 信息抽取的prompt工程
金融信息抽取的关键在于：
- 明确字段含义（如"开盘价"是否含货币单位）
- 处理缺失情况（如未提及成交量）
- 统一输出格式
python复制# 优化后的schema描述
schema = {
"日期": "交易发生时间，格式YYYY-MM-DD",
"股票名称": "包含市场标识，如'腾讯控股(HK)'",
"开盘价": "数字+货币单位，如'102.5港元'",
"收盘价": "若未明确提及，标记为'原文未提及'"
}
5. 高频问题解决方案
5.1 模型不遵循格式怎么办
当模型忽略输出格式要求时，可以：
- 在系统消息中强化格式说明
- 提供更详细的Few-Shot示例
- 使用分隔符强调（如"===以下必须使用JSON格式==="）
python复制# 格式强化示例
system_prompt = """必须严格按以下JSON格式输出：
{
"analysis": [分析点1, 分析点2],
"risk_factors": [风险1, 风险2],
"recommendation": {
"action": "买入/持有/卖出",
"target_price": "数字"
}
}"""
5.2 处理模糊查询的策略
对于模糊问题，两种处理方式：
- 追问澄清：设置模型在信息不足时主动要求补充
- 概率性回答：给出可能性分析而非确定结论
python复制# 模糊处理示例
user_query = "苹果公司值得投资吗？"
good_response = """需要更多信息：
1. 您指苹果公司(AAPL)还是其他苹果相关企业？
2. 您的投资周期是短期(1年内)还是长期？
3. 您更关注哪个市场(美股/A股/港股)？
请补充上述信息后我将给出针对性分析"""
6. 效果评估与迭代优化
6.1 量化评估指标
建立评估体系很重要，我通常跟踪：
- 任务完成率（输出符合基本要求的比例）
- 准确率（金融场景需人工复核）
- 格式合规率（自动检查格式规范）
python复制# 简易评估代码示例
def evaluate_response(response, criteria):
score = 0
if check_format(response): score += 0.3
if check_content(response): score += 0.5
if check_style(response): score += 0.2
return score
6.2 持续迭代方法
建议每周做一次prompt优化：
- 收集错误案例
- 分析失败模式（格式问题/内容错误/理解偏差）
- 针对性调整prompt
- A/B测试新旧版本
我发现经过3-4轮迭代后，任务完成率通常能提升50%以上。关键是要建立系统化的优化流程，而不是随意调整。