核心观点：提示词工程（Prompt Engineering）不是玄学，而是一门用自然语言进行编程的学科。它的核心在于管理模型的”注意力”和规范”输出格式”。
1. 引言：别再把 AI 当许愿池
很多人的 Prompt 是这样的：”帮我写个文案，要火。”
这是在许愿，不是在工程开发。
如果结果不好，不要怪 AI 笨，是你给的指令不够清晰。
大模型是一个概率预测机器。你的每一个字，都在改变下一个字出现的概率分布。
进阶 Prompt 的目标，就是最大化输出符合你预期的概率。
2. 核心概念：上下文学习 (In-Context Learning)
2.1 给例子，别只给定义
LLM 具备一种神奇的能力：In-Context Learning (ICL)。
它不需要微调权重，只要你在 Prompt 里给它几个例子（Few-Shot），它就能照猫画虎，瞬间学会新任务。
💡 比喻：
想象一个天才实习生，但他是个”空降兵”，完全不懂你公司的黑话。
- Zero-Shot (零样本)：直接命令”去写个日报”。（他可能会写出一篇散文）
- Few-Shot (少样本)：扔给他过去 3 天的日报范文，”照着这个格式写”。（他立马就懂了）
3. 技术解析：思维链与结构化
3.1 Chain of Thought (CoT)
当任务复杂时（如数学推理、逻辑分析），直接问答案容易出错。
强制模型“把思考过程写出来”，准确率会飙升。
- 技巧：在 Prompt 结尾加上
Let's think step by step.（让我们一步步思考）。 - 原理：让模型生成更多的计算步骤，实际上是增加了推理时的计算量（Compute-time compute）。
3.2 结构化输出 (JSON Mode)
在工程落地中，我们不想要”废话”，我们想要机器能读的 JSON。
- 错误示范：
提取里面的名字和年龄。
- 正确示范：
你是一个数据提取器。请提取文本中的实体，并严格按照以下 JSON 格式输出，不要包含任何 Markdown 标记：
2
3
4{ "name": "string", "age": "number" }
现在的主流模型（如 GPT-4o, DeepSeek）都支持 Native JSON Mode，开启后能保证输出 100% 符合 JSON 语法。
4. 工业实战：Prompt 优化框架
一个优秀的 System Prompt 应该包含以下模块（BROKE 框架）。
| 模块 | 说明 | 示例 |
|---|---|---|
| B - Background | 背景与角色设定 | “你是一个资深的 Python 后端架构师…” |
| R - Role/Rules | 具体的约束条件 | “只使用 standard library，代码必须有注释…” |
| O - Output | 输出格式要求 | “输出 Markdown 格式，包含三个章节…” |
| K - Knowledge | 必要的参考资料 | (RAG 检索到的 Context 放在这里) |
| E - Examples | 少样本示例 | “User: 1+1? AI: 2. User: 2+2? AI: 4.” |
4.2 避免”负面提示”
- Bad: “不要写废话。” (模型往往会忽略”不要”，反而关注了”废话”)
- Good: “请保持回答简练，直击要点。” (正面指令通常更有效)
5. 总结与预告
- 本章总结：
- ICL (Few-Shot) 是提升效果最快的方法。
- CoT (思维链) 能显著提升逻辑推理能力。
- 结构化输出 (JSON) 是大模型接入传统软件系统的桥梁。
- 下章预告：
现在模型能听懂话，也能输出 JSON 了。但它还是被困在对话框里。怎么让它去操作数据库、发邮件、写代码？下一章《Agent 架构：Function Calling 与规划》，我们将给 AI 装上”双手”。
