Prompt 基础

什么是 Prompt

Prompt 就是你发给 LLM 的输入文本。听起来很简单——打几个字就行了？

没错，但怎么打决定了你能从模型中获得多少价值。同样的模型，Prompt 写得好和写得差，输出质量可能天差地别。

这就像搜索引擎。同样是 Google，有人搜出了精确的答案，有人翻了三页都没找到想要的内容。差别在于搜索词的质量。

一个有效的 Prompt 通常包含这四个部分（不一定每个都需要）：

你想让模型做什么。越具体越好。

❌ "帮我改改这段代码"
✅ "检查这段 Python 代码中的 bug，找出可能导致空指针异常的地方，并给出修复方案"

模型需要知道的背景信息。

❌ "帮我写个欢迎邮件"
✅ "我们是一家 B2B SaaS 公司，新用户刚完成注册。帮我写一封欢迎邮件，语气专业但友好，重点介绍三个核心功能"

需要模型处理的具体内容。

请将以下 JSON 转换为 TypeScript 接口定义：

{"name": "John", "age": 30, "hobbies": ["reading", "coding"]}

你期望的输出格式和结构。

❌ "分析这个日志文件"
✅ "分析这个日志文件，以如下格式输出：
   - 错误数量：
   - 最常见的错误类型：
   - 建议的修复优先级（高/中/低）："

❌ "帮我处理一下这个数据"

模型不知道"处理"是什么意思——清洗？分析？转换？可视化？

✅ "将这份 CSV 数据按日期分组，计算每组的平均值，输出为 Markdown 表格"

❌ "为什么这个测试失败了？"

模型看不到你的代码、测试输出、环境配置。

✅ "以下是我的 pytest 测试代码和失败输出。测试环境是 Python 3.11 + pytest 7.4。
   请分析失败原因并给出修复方案。

   [代码和输出粘贴在这里]"

❌ "帮我设计一个完整的电商系统，包括数据库设计、API 设计、前端架构和部署方案"

一个 Prompt 塞太多任务，每个都做不深。不如拆成多个对话，逐个深入。

当你需要结构化输出时，不指定格式会让模型自由发挥——每次格式都可能不同，难以程序化处理。

对开发者来说，一个有用的思维模型：Prompt 就是用自然语言写的"程序"。

和写代码一样，Prompt 需要迭代。第一版很少是最好的。观察输出，调整 Prompt，再试一次——这个循环和调试代码完全一样。

LLM 版的 GIGO（Garbage In, Garbage Out）：

模型的输出质量上限由你的 Prompt 质量决定。

在写 Prompt 之外，还有一个影响输出的关键参数：温度（temperature）。

经验法则：需要准确性的任务用低温度，需要创造性的任务用高温度。