提示工程：AI沟通艺术与四大核心原则

1. 提示工程：AI时代的沟通艺术

上周和一位AI产品经理的对话让我印象深刻。他抱怨说："我写的prompt要么输出不对，要么模型答非所问——比如让它'生成旅游计划'，它直接列了景点，完全不管天气；让它'画一只猫'，出来的却是'外星猫'..."

这样的困扰在AI使用者中非常普遍。提示工程不是"猜谜语"，也不是"堆砌关键词"——它是"与AI的沟通艺术"，核心在于「用模型能理解的方式，传递你真正的需求」。

更关键的是：提示工程已经成为AI新兴技术的"枢纽"——大模型Agent需要它规划任务，AIGC需要它生成高质量内容，多模态AI需要它连接文本与图像，甚至代码生成也需要它精准控制输出。

2. 提示工程基础：四大核心原则

2.1 清晰具体原则

避免模糊词汇，明确"需求边界"。比如：

• 反例："写个短文"
• 正例："写一篇500字的温馨故事，主角是一只橘猫，讲它和主人的第一次相遇"

2.2 结构化原则

用列表、分点、格式要求，降低模型"理解成本"。比如：

• 反例："帮我做旅游计划"
• 正例："1. 查北京未来3天天气；2. 根据天气安排每天活动；3. 输出格式：day1-活动+时间+注意事项"

2.3 对齐能力原则

不要让模型做它不擅长的事。比如：

• 反例："用ChatGPT画一只猫"
• 正例："用DALL·E生成'橘猫在沙发上打盹'的图片，风格是水彩画"

2.4 反馈迭代原则

根据输出调整prompt。比如：

• 初始prompt："写个旅游计划"→输出太长
• 优化prompt："写个3天旅游计划，每段不超过50字"

3. 大模型Agent中的提示工程应用

3.1 什么是大模型Agent？

Agent是「能自主完成复杂任务的AI系统」——比如"帮我订机票+查酒店+做旅游计划"，它会像人一样：

1. 规划（先做什么？）
2. 执行（调用工具查天气）
3. 反思（计划符合天气吗？）
4. 调整（雨天换室内活动）

3.2 旅游计划Agent实战

3.2.1 工具函数定义

python复制# 模拟查天气工具
def get_weather(city: str) -> str:
    """查询指定城市未来3天天气"""
    return f"{city}未来3天天气：Day1晴（25-30℃）、Day2多云（23-28℃）、Day3小雨（20-25℃）"

# 模拟生成旅游计划工具
def generate_tour_plan(city: str, weather: str) -> str:
    """根据天气生成3天旅游计划"""
    plan = f"[{city}3天计划]\n"
    plan += f"Day1（晴）：故宫+天坛（穿舒服的鞋）\n"
    plan += f"Day2（多云）：颐和园+圆明园（带防晒）\n"
    plan += f"Day3（小雨）：国家博物馆+南锣鼓巷（带伞）\n"
    return plan

3.2.2 Agent Prompt设计

python复制from langchain.prompts import PromptTemplate

agent_prompt = PromptTemplate(
    input_variables=["input", "agent_scratchpad", "tools"],
    template="""你是专业的旅游计划助手，请严格按以下步骤工作：
1. 首先用【WeatherTool】查询用户指定城市的未来3天天气（必填步骤！）；
2. 把天气结果传入【TourPlanTool】，生成旅游计划；
3. 检查计划是否符合天气（比如雨天不能安排户外活动），不符合就调整；
4. 最终输出：先写天气，再写计划，格式清晰。

可用工具：{tools} （工具说明要认真看！）
你之前的思考过程：{agent_scratchpad}
用户需求：{input}

现在开始执行任务，先想"第一步该调用什么工具"？"""
)

3.2.3 Agent初始化与测试

python复制from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()
llm = OpenAI(temperature=0.1, openai_api_key=os.getenv("OPENAI_API_KEY"))

tools = [
    Tool(
        name="WeatherTool",
        func=get_weather,
        description="查询城市未来3天天气，输入参数：city（城市名）"
    ),
    Tool(
        name="TourPlanTool",
        func=lambda city, weather: generate_tour_plan(city, weather),
        description="生成旅游计划，输入参数：city（城市名）、weather（天气信息）"
    )
]

agent = initialize_agent(
    tools,
    llm,
    agent="zero-shot-react-description",
    verbose=True,
    prompt=agent_prompt
)

result = agent.run("帮我做北京的3天旅游计划")
print("最终结果：\n", result)

3.3 Agent Prompt设计要点

1. 任务流程：明确步骤顺序
2. 工具约束：说明工具用途和参数
3. 结果要求：指定输出格式和检查规则

4. AIGC中的提示工程应用

4.1 图像生成：结构化Prompt

高质量图像prompt的结构是：「主体+属性+环境+风格+细节」

4.1.1 DALL·E 3图像生成示例

python复制from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def generate_image(prompt: str) -> str:
    """用DALL·E 3生成图像，返回图片URL"""
    response = client.images.generate(
        model="dall-e-3",
        prompt=prompt,
        size="1024x1024",
        quality="standard",
        n=1,
    )
    return response.data[0].url

good_prompt = "一只胖嘟嘟的橘猫，正趴在阳光洒进来的客厅沙发上打盹，莫兰迪色系水彩画风格，猫的胡须清晰，沙发上有条纹针织毯，背景模糊突出主体"
image_url = generate_image(good_prompt)
print("生成的图像URL：", image_url)

4.2 文本生成：指令+约束

4.2.1 武侠小说生成示例

text复制请写一段武侠小说片段，要求：
1. 类型：传统武侠（不是玄幻）；
2. 场景：江南水乡的深夜，雨巷里；
3. 人物：主角是穿青衫的少年（叫"叶轻尘"），反派是戴面具的黑衣人；
4. 风格：像金庸的文字——简洁有力，有画面感；
5. 约束：片段结尾要留悬念（比如黑衣人扔出一个令牌，上面刻着"青龙门"）。

5. 多模态AI中的提示工程应用

5.1 图片转儿歌示例

python复制import base64
from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def multi_modal_prompt(image_path: str, text_instruction: str) -> str:
    with open(image_path, "rb") as image_file:
        image_base64 = base64.b64encode(image_file.read()).decode("utf-8")
    
    response = client.chat.completions.create(
        model="gpt-4-vision-preview",
        messages=[
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": text_instruction},
                    {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{image_base64}"}}
                ]
            }
        ],
        max_tokens=300
    )
    return response.choices[0].message.content

text_instruction = """请做两件事：
1. 描述这张图片的内容（要具体，比如猫的颜色、动作、环境）；
2. 根据内容生成一首儿歌，要求：适合3-5岁小孩，每句5个字，押韵，易唱。"""
image_path = "orange_cat.jpg"
result = multi_modal_prompt(image_path, text_instruction)
print(result)

6. 代码生成中的提示工程应用

6.1 CSV处理函数生成示例

text复制请写一个Python函数，满足以下要求：
1. 功能：处理CSV文件中的缺失值和异常值；
2. 输入：CSV文件的本地路径（str类型）；
3. 输出：处理后的pandas DataFrame（返回值），并打印"缺失值数量"和"异常值数量"；
4. 处理逻辑：
   a. 用pandas读取CSV文件；
   b. 数值型列：缺失值用"均值"填充，异常值用"中位数"替换（异常值定义：超过均值±3σ）；
   c. Categorical列（非数值）：缺失值用"众数"填充；
5. 注意：要处理可能的编码问题（比如用encoding='utf-8'），并且注释清晰。

7. 提示工程的进阶思考

7.1 自动化提示工程

可以用LLM本身来优化prompt。比如输入：

text复制请帮我优化这个prompt："写一个处理CSV缺失值的Python函数"

模型会返回更具体的prompt：

text复制请写一个Python函数，接收CSV文件路径，返回处理后的DataFrame。要求：1. 用pandas读取；2. 数值型列缺失值用均值填充，异常值（3σ）用中位数替换；3. Categorical列缺失值用众数填充；4. 打印缺失值和异常值数量。

7.2 提示工程与微调的区别

8. 提示工程的实践建议

1. 从简单任务开始：先掌握基础prompt写法，再尝试复杂场景
2. 注重反馈迭代：根据模型输出不断优化prompt
3. 建立prompt库：积累不同场景下的有效prompt
4. 理解模型能力边界：不要期望模型完成超出其能力范围的任务

在实际工作中，我发现最有效的prompt往往具备以下特点：

• 明确的任务描述
• 具体的输出要求
• 合理的约束条件
• 清晰的格式指示

记住：最好的prompt，永远是用模型的语言，讲你的需求。