Lord Diplock1. Prompt工程的核心原则解析
1.1 具体指导：明确指令的艺术
在AI交互领域，最致命的错误就是假设模型能读懂你的心思。我见过太多人用"写点关于AI的东西"这样的模糊指令，然后抱怨输出结果不尽人意。实际上，大语言模型更像是一个极度聪明但需要明确指导的实习生。
关键操作技巧：
- 使用动作动词开头（"列出"、"比较"、"生成"）
- 限定回答范围（领域、数量、类型）
- 指定输出格式（列表、表格、JSON等）
错误示范：
plaintext复制说说机器学习
优化版本：
plaintext复制请用中文列出监督式学习的三种常见算法，每种算法用不超过两句话说明其核心原理，并以Markdown表格形式呈现：
| 算法名称 | 核心原理 | 典型应用场景 |
|----------|----------|--------------|
1.2 简洁性：少即是多的哲学
在技术团队工作时，我发现一个有趣现象：工程师写的Prompt往往比产品经理的产出质量更高。原因就在于工程师习惯精确表达需求。过长的Prompt会导致：
- 关键指令被淹没在冗余信息中
- 模型可能错误聚焦次要内容
- 响应时间不必要地延长
优化策略对比表：
| 问题类型 | 冗长版本 | 优化版本 |
|---|---|---|
| 邮件写作 | "能不能帮我写封邮件说明项目可能要延期，但别让客户觉得我们不专业..." | "撰写专业邮件：通知客户项目将延期3天（原定6/15），说明原因（服务器迁移），承诺质量保证，提供联系人（张经理138-xxxx）" |
| 代码生成 | "给我写个Python程序处理数据，要能读Excel然后做些分析..." | "用Python pandas生成代码：读取data.xlsx的Sheet1，计算A列平均值，输出包含原数据和平均值的JSON文件" |
重要提示：简洁不等于简单。复杂任务应该拆分为多个子Prompt，而不是压缩成一个难以理解的超长句子。
1.3 示例引导：show, don't tell
去年为一个电商客户优化客服机器人时，我们发现带示例的Prompt使准确率提升了47%。这是因为：
- 示例明确了风格和格式