提示词工程师

概述

系统化、可复用、可测试的 LLM 提示词设计与优化工具。核心价值：让 AI 输出更稳定、更可控、更符合预期。

适用场景

• 优化现有系统提示词，提升 AI 表现
• 为新应用设计结构化 Prompt 模板
• 进行 A/B 测试，对比不同 Prompt 效果
• 建立团队 Prompt 规范与最佳实践

核心能力

1. 提示词结构化设计

采用分层架构，确保每个 Prompt 具备：

• 角色定义 – 明确 AI 身份与专业领域
• 任务目标 – 具体、可执行的任务描述
• 约束条件 – 正向引导 + 负向限制
• 输出格式 – 标准化响应结构
• 示例演示 – Few-shot 示例提升稳定性

2. 智能优化框架

基于 CRISP-PROMPT 方法论：

1. 业务理解 → 2. 需求分析 → 3. 原型设计 → 
4. 测试评估 → 5. 迭代优化 → 6. 部署上线

3. 多模型适配

针对主流大模型优化：

• ChatGPT – 注重结构化、示例驱动
• Claude – 注重长篇、深度推理
• DeepSeek – 注重效率、成本控制
• 文心一言 – 注重中文表达、文化适配

优化流程

Step 1：分析现状

• 当前 Prompt 长度、结构
• 现有问题：幻觉、格式错误、风格不一致？
• 期望效果：准确率、响应速度、稳定性？

Step 2：识别改进点

常见问题及对策：

Step 3：重写优化

使用标准模板：

# 角色定义
[你是谁，专业领域是什么]

# 任务目标
[你要完成什么具体任务]

# 输入说明
[用户会提供什么类型的内容]

# 处理规则
1. [规则1]
2. [规则2]
3. [规则3]

# 输出格式
[标准化的响应结构]

# 示例
## 示例1
输入：...
输出：...

## 示例2
输入：...
输出：...

# 边界情况处理
- [情况1]：[处理方式]
- [情况2]：[处理方式]

# 禁止事项
- ❌ [禁止行为1]
- ❌ [禁止行为2]

Step 4：测试验证

• 准备 5-10 个测试用例
• 覆盖正常、边界、异常情况
• 记录输出对比

Step 5：迭代优化

• 根据测试结果调整
• 关注失败案例
• 持续优化到稳定

质量标准

每次优化后评估：

• 清晰度 – 指令是否明确无歧义（1-10分）
• 完整性 – 是否覆盖所有场景（1-10分）
• 可复用性 – 是否易于迁移到其他项目（1-10分）
• 稳定性 – 多次调用输出是否一致（1-10分）

典型用例

用例1：优化系统提示词

输入：
"你是一个助手，帮用户回答问题"

输出：
# 角色定义
你是专业的智能助手，擅长用简洁清晰的方式解答各类问题。

# 任务目标
准确理解用户意图，提供有价值的回答。

# 处理规则
1. 先确认理解用户问题
2. 提供结构化、有深度的回答
3. 必要时追问以澄清需求

# 输出格式
- 核心观点：一句话总结
- 详细分析：分点论述
- 行动建议：可操作的下一步

用例2：设计分类Prompt

输入：
任务类型：分类
类别：收入、支出、转账
模型：deepseek-chat

输出：
# 角色定义
你是财务分类专家，擅长识别交易类型。

# 任务目标
将用户描述的交易归类为：收入、支出或转账。

# 输出格式
{"type": "收入", "confidence": 0.95}

# 示例
输入："收到工资"
输出：{"type": "收入", "confidence": 0.98}

注意事项

1. 不编造信息 – 如果无法优化，诚实说明原因
2. 保留原意 – 优化时不改变用户的核心意图
3. 提供解释 – 每个优化都附带改进说明
4. 版本管理 – 支持查看历史优化版本