Day02｜Prompt 工程的 3 个核心技巧（讲透版）

前言：同一个模型，凭什么有人用得好

凌晨两点，你盯着屏幕。

隔壁老王用着同一个 ChatGPT，三分钟搞定周报。你问了半小时，它还答非所问——要么写得太虚，要么格式乱七八糟。

你心里那个鼓点开始敲：是模型偏心？是我智商不够？

都不是。

差距不在模型，在 Prompt。

同一颗大脑，你给它清晰指令还是含糊问题，出来的东西天差地别。我踩过太多坑，把市面上的 Prompt 技巧翻了一遍，发现真正高频管用的，就 3 个。

今天我不光给你这 3 个名字，还讲透每一个为什么有效、怎么写、容易踩什么坑。读完你今晚就能用，而且知道为什么这么用。

---

PART 01：角色设定——先告诉模型，它是谁

为什么有效：大模型训练时，读过海量「某个角色说的话」。你给它一个身份，等于让它把注意力聚焦到那部分知识上，用那个角色的口吻和深度来回答。

往底层说一句：这是条件激活——身份词会激活模型里和该角色相关的参数通路，抑制无关的「发散」。所以加了角色，输出会更收敛、更专业、更少废话。

怎么写：一句话——「你是一个……」。

# 不加角色（泛泛）
prompt = "帮我写个产品周报"

# 加角色（聚焦）
prompt = "你是一个有 8 年经验的 ToB 产品经理。帮我写本周周报。"

加了角色，模型写出来的周报，术语、关注点、颗粒度全都不一样——它开始像一个产品经理那样思考。

角色选得对不对，效果差很多。常见角色和它们各自聚焦的方向：

角色	聚焦点	适合的活
ToB 产品经理	客户场景、指标、优先级	周报、需求文档
资深文案	钩子、节奏、情绪	标题、广告语
数据分析师	SQL、指标拆解、归因	数据解读、报表
代码审查员	边界条件、安全、性能	代码 review
面试官	追问逻辑、深度、反例	模拟面试、自检

进阶一招：主角色 + 审核角色。先让模型扮演执行者产出，再让它切换成审核者挑刺，效果比一次生成好得多。

# 第一轮：执行者
draft = chat("你是有 8 年经验的 ToB PM。帮我写本周周报。")
# 第二轮：审核者
final = chat(f"你是挑剔的技术总监。审这段周报，指出 3 个不够具体的地方并改写：\n{draft}")

常见坑：角色太泛，等于没加。

"你是一个专家"——啥专家？模型还是不知道聚焦哪。"你是一个资深数据分析师，擅长 SQL 和指标拆解"——这才叫角色。

一句话：角色越具体，模型越知道调用哪块脑容量。

---

PART 02：任务拆解 + CoT 思维链——模型最怕含糊

为什么有效：模型不是一个字一个字往后蒙最准，而是一步步想更准。你把大任务拆成小步骤，等于强迫它一步步推理，而不是一口气猜一个答案。

底层原理就一句：拆解让模型把更多 token「花在推理」上，而不是直接跳到结论。每多一步中间过程，它就有更多机会修正方向，错误就更难累积到最终答案。

怎么拆：把"做一件事"，拆成"按顺序做 3~5 件小事"。

# 含糊（模型瞎猜结构）
prompt = "帮我分析这个产品为啥留存低"

# 拆解 + 思维链（模型按步推理）
prompt = """你是一个产品增长专家。请按以下步骤分析留存低的原因：
1. 先列出 3 个最可能的假设
2. 对每个假设，给出验证它需要的核心数据
3. 最后按「影响面 × 置信度」排序，给出优先验证哪个
"""

看出差别没？含糊版，模型给你一段泛泛的"可能用户体验不好"。拆解版，它被迫先列假设、再给数据、最后排序——每一步都比"蒙一段"靠谱。

拆解版模型实际会这么答（每步都落到实处）：

• 假设：① 新用户引导太长，没等到 aha 时刻就走；② 核心功能入口太深，注册后找不到；③ push 太频繁被关通知。
• 验证数据：① 看新用户「注册→首次成功」漏斗，卡在哪一步；② 看注册后 24h 内是否点过核心功能；③ 看 push 关闭率和关通知用户的留存对比。
• 排序：按「影响面 × 置信度」，优先验证①——影响面最大（覆盖所有新用户），且数据现成。

看见没？同样的模型，换个问法，输出从「一段正确的废话」变成「一份能直接开干的行动清单」。

这招有个学名，叫 CoT（Chain of Thought，思维链）。本质就一句话：别让模型跳着答，让它把推理过程写出来。 复杂问题（推理、计算、多步规划）尤其管用。

CoT 有两种用法，按需选：

类型	怎么触发	适合
Zero-shot CoT	在 prompt 末尾加一句「请一步步思考」	通用、省事
Few-shot CoT	给 1~2 个带推理过程的样例	任务复杂、要求高

⚠️ 但 CoT 不是万能的。简单任务（翻译一句话、改个错别字）用 CoT 反而变慢、变啰嗦，甚至引入错误——模型为了「凑步骤」会过度发挥。判断标准：任务需要推理/计算/规划才上 CoT，直觉型任务别画蛇添足。

拆解的粒度也有讲究，不是越细越好：

拆解粒度	步数	效果
太粗	1 步	退化成含糊提问，模型瞎蒙
舒适区	3~5 步	推理充分，又不啰嗦
太碎	7+ 步	模型啰嗦、容易跑偏，该合并

常见坑：拆得太碎，模型反而啰嗦。 3~5 步最舒服，超过 7 步考虑合并。

---

PART 03：Few-shot + 输出格式——给例子，定格式

为什么有效：你在 Prompt 里解释 100 句"我要那种……的感觉"，不如塞给它一个真实样例。模型是模仿大师，照着例子来，准确率立涨。

怎么给：放 1~2 个「输入→输出」的样例，然后再给真实任务。

prompt = """把用户的吐槽分类成：bug / 需求 / 吐槽。

例子1：
输入：点了三次才下单成功
输出：bug

例子2：
输入：希望加个夜间模式
输出：需求

现在分类：
输入：""" + user_input

Few-shot 例子不是随便挑的，有四条挑选原则：

• 数量：1~2 个就够，别堆。多了反而过拟合，模型变死板。
• 顺序：把和当前任务最接近的例子放最后（近因效应最强）。
• 反例：加一个「容易混淆但类别不同」的例子，模型分得更清。
• 风格一致：所有例子的输入长度、输出格式要统一，不然模型学混。

输出格式控制：除了给例子，还要明说格式——「用 JSON 输出」「用 Markdown 表格」「不超过 50 字」。模型默认爱写长文，你不说格式，它就给你一大段散文。

三种常见格式的 before/after：

你想要的	别这么说	这么说
JSON	「结构化一点」	「只输出 JSON，字段：category, confidence」
表格	「整理一下」	「用 Markdown 表格，列：功能、优先级、理由」
短文	「简洁点」	「不超过 50 字，不要开头客套」

给你一个完整可跑的分类例子，带 JSON 解析：

import json
from openai import OpenAI

client = OpenAI()

resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{
        "role": "user",
        "content": f"""把用户反馈分类为 bug / 需求 / 吐槽，只输出 JSON。
{{"category": "...", "reason": "...一句话理由..."}}

输入：{user_input}""",
    }],
)
result = json.loads(resp.choices[0].message.content)  # 直接解析成 dict
print(result["category"], result["reason"])

Few-shot vs Fine-tune 的边界：当你发现 prompt 里要塞的例子越来越多（5 个以上还压不住），或者任务风格极度固定、调用又高频——那就是从 Few-shot 该升级到 Fine-tune 的信号了。例子能解决 80% 的问题，剩下 20% 重复到一定程度，就该烙进权重。

常见坑：例子给太多（5 个以上）反而过拟合，模型变得死板；例子之间风格要一致，不然模型学混。

---

结尾：3 招合一

回头看，Prompt 工程就 3 招：

角色设定（让它知道用哪部分脑）→ 任务拆解 + CoT（让它一步步想）→ Few-shot + 格式（让它照着做、按格式交）。

每招都不是玄学，是对着大模型的脾气来的。

Prompt 不是咒语，是写给模型的沟通说明书。你写得多清楚，它就答得多准。

下一篇我想拆更具体的——你最想让我讲 Few-shot 例子怎么挑、CoT 在什么场景反而会搞砸，还是 Prompt 注入怎么防？

这 3 招别光看，今晚就找一个真实任务练手——写周报、改文案、做分类都行，练一次比看十篇技巧帖管用。

评论区告诉我。

下一篇预告：Day03 可能讲「Few-shot 例子到底怎么挑——数量、顺序、反例都有讲究」
我是小刘檀木，一个从二本摸爬滚打到上市公司 AI 负责人的普通人。关注我，把 AI 学进简历。

— END —

小刘檀木 · 帮普通人把 AI 学进简历