明确性：精确描述任务需求（如"生成3条科技新闻标题" vs "写点科技内容"）
可控性：通过指令约束输出格式（如JSON/XML/Markdown）
引导性：用示例引导模型风格（Few-shot Learning）
黄金法则：
明确任务 → 提供上下文 → 指定格式 → 示例示范
去除冗余词：
劣质Prompt：
请帮我写一个关于机器学习在医疗领域应用的文章，要包含至少三个具体案例，每个案例需要详细描述技术原理和实际效果，总字数不少于1000字...
优质Prompt：
生成一篇机器学习在医疗应用的综述，包含3个案例（技术原理+效果数据），使用Markdown分章节排版
使用符号分隔：
角色：医疗科技记者 任务：撰写CT影像分析技术进展报告 要求： - 分"技术演进"、"商业应用"、"伦理挑战"三部分 - 每个部分包含2个案例 - 输出为带标题的Markdown
2.2 清晰度保障方法
量化指标：
生成5条新能源汽车广告文案： - 每条不超过20字 - 包含"续航"、"智能"关键词 - 使用疑问句或感叹句式
代码示例：使用LangChain构建清晰Prompt
from langchain.prompts import PromptTemplate
template = """
作为{role}，请完成以下任务：
{task}
要求：
{requirements}
"""
prompt = PromptTemplate(
input_variables=["role","task","requirements"],
template=template
)
print(prompt.format(
role="资深产品经理",
task="撰写智能手环市场分析报告",
requirements="- 分3个章节\n- 包含SWOT分析\n- 输出Markdown格式"
))显式声明：
背景：2023年Q3中国手机市场数据（IDC报告） - 出货量同比下降6% - 折叠屏手机增长120% 任务：基于上述数据，分析未来趋势
隐式引导：
假设你是马斯克，在2024年AI安全峰会的开幕致辞中提出3点监管建议
3.2 语境长度控制
滑动窗口法：保留最近N条对话历史
关键信息提取：使用摘要模型压缩上下文
from transformers import pipeline
summarizer = pipeline("summarization", model="facebook/bart-large-cnn")
long_text = "..." # 长文本
summary = summarizer(long_text, max_length=100, min_length=30, do_sample=False)
print(summary[0]['summary_text'])
1. 从维基百科提取"量子计算"发展历史时间线
2. 标注每个阶段的关键技术突破
3. 生成可视化建议（图表类型+数据维度）
按JSON格式输出：
{
"timeline": [{year:, event:, technology:}],
"visualization": [{type:, data:}]
}代码示例：结构化指令实现
def create_tech_prompt(topic):
return f"""
执行以下分析任务：
主题：{topic}
步骤：
1. 识别三个主要发展阶段
2. 每个阶段列出2项关键技术
3. 评估当前技术成熟度（1-5分）
按如下JSON格式输出：
{{
"stages": [
{{"name": "", "technologies": [], "maturity": }}
]
}}
"""
print(create_tech_prompt("基因编辑")){
"task": "产品描述生成",
"product": "无线降噪耳机",
"requirements": {
"length": "150字",
"keywords": ["Hi-Res认证", "40小时续航", "自适应降噪"],
"style": "科技感",
"exclude": ["价格信息", "促销内容"]
}
}标记系统：
#角色# 资深影评人 #任务# 分析《奥本海默》的叙事结构 #要求# - 对比诺兰前作 - 聚焦非线性别事手法 - 输出带时间码的案例
分隔符号：
[BEGIN PROMPT] 作为历史学家，用学术论文风格解释工业革命的影响： - 分经济/社会/技术三个维度 - 每个维度包含2个数据案例 - 禁用第一人称 [END PROMPT]
代码示例：Prompt效果评估
import evaluate
rouge = evaluate.load('rouge')
references = ["这是一条标准答案"]
predictions = ["模型生成的回答"]
results = rouge.compute(
predictions=predictions,
references=references,
rouge_types=['rougeL']
)
print(f"ROUGE-L分数：{results['rougeL']}")附：Prompt设计检查清单
任务目标是否用动词明确描述（生成/分析/转换）？
是否包含负面约束（不要包含/避免提及）？
是否有示例演示预期格式？
专业术语是否有明确定义？
长度/数量等是否量化指定？
注：本文代码需安装以下依赖：
pip install langchain transformers evaluate
更多AI大模型应用开发学习内容，尽在聚客AI学院。
