第 4 章：Prompt Engineering

学完本章，你能：掌握 Prompt 基础技巧和进阶方法，能可靠获取结构化输出

章节导览：

4.1 Prompt 基础：掌握 System/User/Assistant 角色，写出高质量 Prompt
4.2 进阶技巧：Few-shot、Chain-of-Thought、Self-consistency，让模型更聪明
4.3 结构化输出：让 LLM 输出可靠的 JSON，无缝对接你的代码

4.1 Prompt 基础入门 ~$0.01

前置知识：1.1 你的第一次 AI 对话

你知道吗？Prompt 就像是给 AI 下单的菜单——你说"来份炒饭"，可能端上来的是蛋炒饭、也可能是扬州炒饭；但如果你说"要一份扬州炒饭，加虾仁、火腿、青豆，不要葱，米饭要软糯的"，厨师就知道怎么做了！

为什么需要它？（Problem）

同样的问题，不同人提问，效果天差地别：

差的 Prompt：

写一个用户管理系统

AI 回复：

"好的，我可以帮你设计一个用户管理系统。你需要什么功能呢？"

好的 Prompt：

你是一个资深的 Python 后端工程师。

请生成一个用户管理系统的 API 代码，要求：
- 使用 FastAPI 框架
- 实现 CRUD 功能（创建、读取、更新、删除用户）
- 用户字段：id, username, email, created_at
- 包含输入验证和错误处理
- 添加详细的注释

输出格式：完整可运行的代码，不要省略。

AI 回复：

[直接输出完整的 FastAPI 代码，包含所有 CRUD 接口、Pydantic 模型、验证逻辑]

差距的根源：Prompt 是 LLM 的"任务书"，质量决定输出。

翻车现场

常见"惨案"：

太模糊："写代码"、"优化性能"——AI：我是写个 Hello World 还是重构整个项目？🤔
缺少上下文：不说明使用场景、技术栈、约束条件——AI：用 Java 还是 Python？要不我用汇编写？
没有示例：复杂任务没有提供输入/输出示例——AI：我猜一猜你要什么... 猜错了别怪我哦
忽略角色：没有用 system 消息定义 AI 的专业身份——AI：我是该当教授还是当段子手？

一句话总结

Prompt 写得好，AI 才能跑。详细的指令 = 靠谱的输出！

它是什么？（Concept）

Prompt 是你给 LLM 的指令，由三种角色的消息组成。想象一下：

System Message = 给 AI 发的"工牌"：你是专家/导师/助手？
User Message = 你的任务单：我要做什么？
Assistant Message = AI 的工作记录：上次聊了啥？

这就像是开会：System 定义谁参会（技术专家还是产品经理），User 提需求，Assistant 记录讨论历史。

三种角色的作用：

角色	作用	示例
system	设定 AI 的身份、专业领域、回复风格	"你是一个资深 Python 开发者，擅长写简洁高效的代码"
user	用户的问题或指令	"帮我写一个快速排序算法"
assistant	AI 的历史回复（用于多轮对话）	"好的，这是快速排序的实现..."

为什么需要 system 消息？

System 消息相当于"岗位说明书"，让 AI 进入特定的专业角色。对比效果：

System 消息的魔力

同样的问题，不同的 System 角色，回答风格天差地别！

无 System = 教科书模式（无聊但正确）
System: 专家 = 学术派（严谨但难懂）
System: 导师 = 接地气（生动易懂）

记住：给 AI 发工牌，它才知道该怎么表现！

没有 system 消息：

python

messages = [
    {"role": "user", "content": "解释什么是闭包"}
]

AI 回复：

"闭包是函数和其周围状态的引用捆绑在一起的组合..."（教科书式定义，抽象）

有 system 消息：

python

messages = [
    {"role": "system", "content": "你是一个耐心的编程导师，擅长用生活中的例子解释技术概念，目标受众是初学者。"},
    {"role": "user", "content": "解释什么是闭包"}
]

AI 回复：

"想象你在一个咖啡店工作，你的工作是记录每个顾客的订单编号。每次有新顾客来，编号就 +1...
闭包就像这个场景：函数记住了外部的'编号计数器'，即使咖啡店打烊了（外部函数执行完），这个计数器依然存在..."

高质量 Prompt 的要素：

常见 Prompt 技巧：

技巧	说明	示例
具体化	避免模糊词，给出明确指标	❌ "写简洁的代码" → ✅ "函数不超过20行，变量名用英文"
给出约束	明确不要什么	"不要使用第三方库，只用 Python 标准库"
分步指令	复杂任务拆解成步骤	"第一步：提取字段；第二步：验证格式；第三步：保存数据库"
输出格式	明确返回结构	"以 JSON 格式返回，包含 name、age、email 字段"
思考过程	要求先分析再回答	"先分析这段代码的时间复杂度，再提出优化建议"

常见陷阱：

避坑指南

陷阱	问题	改进
命令式 vs 描述式	"生成代码"（太直接）	"你是后端专家，帮我用 FastAPI 实现..."（有角色感）
一次问太多	一个 prompt 问 10 个问题（AI 会懵）	拆分成多轮对话（一次一个重点）
忽略格式	不说明输出格式（返回一坨文字）	"以 Markdown 表格形式输出"（结构清晰）
过度依赖	把所有逻辑交给 AI（容易跑偏）	给出清晰的业务规则和边界条件（AI 不会读心术）

一句话总结

把 AI 当新员工：给角色、给范例、给约束，它才能干好活！

动手试试（Practice）

我们通过对比实验，看看不同 Prompt 的效果差异。

实验 1：对比"差 Prompt" vs "好 Prompt"

python

from openai import OpenAI

client = OpenAI()

# 差的 Prompt
bad_prompt = "写一个函数计算斐波那契数列"

response = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[{"role": "user", "content": bad_prompt}],
)
print("=== 差的 Prompt ===")
print(response.choices[0].message.content)

# 好的 Prompt
good_prompt = """
你是一个 Python 算法专家，擅长写高性能代码。

任务：实现斐波那契数列计算函数

要求：
1. 使用动态规划（避免递归）
2. 时间复杂度 O(n)，空间复杂度 O(1)
3. 函数签名：def fibonacci(n: int) -> int
4. 包含参数验证（n >= 0）
5. 添加类型注解和文档字符串
6. 包含 3 个测试用例

输出：完整的 Python 代码，可直接运行。
"""

response = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[{"role": "user", "content": good_prompt}],
)
print("\n=== 好的 Prompt ===")
print(response.choices[0].message.content)

实验 2：System 消息的魔力

python

from openai import OpenAI

client = OpenAI()

question = "解释什么是 API"

# 没有 system 消息
response1 = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[{"role": "user", "content": question}],
)
print("=== 无 System 消息（默认） ===")
print(response1.choices[0].message.content)

# 技术专家角色
response2 = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[
        {"role": "system", "content": "你是一个严谨的计算机科学教授，用学术语言解释概念。"},
        {"role": "user", "content": question},
    ],
)
print("\n=== System: 技术专家 ===")
print(response2.choices[0].message.content)

# 幽默导师角色
response3 = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[
        {"role": "system", "content": "你是一个幽默的编程导师，喜欢用类比和笑话解释技术概念，目标受众是小学生。"},
        {"role": "user", "content": question},
    ],
)
print("\n=== System: 幽默导师 ===")
print(response3.choices[0].message.content)

实验 3：Prompt 模板实战

为常见任务创建可复用的 Prompt 模板：

python

from openai import OpenAI

client = OpenAI()

# 代码审查模板
def code_review_prompt(code: str, language: str = "Python"):
    return f"""
你是一个资深的 {language} 代码审查专家，擅长发现代码中的问题并提出改进建议。

请审查以下代码，并按这个结构输出：

1. **代码质量评分**（1-10 分）
2. **发现的问题**（按严重程度排序）
   - 每个问题说明：问题 + 影响 + 建议修改
3. **优点**
4. **改进后的代码**（可选，如果有重大问题）

代码：
```{language.lower()}
{code}

请给出详细分析。 """

测试

code = ''' def process_users(users): result = [] for user in users: if user['age'] > 18: result.append(user['name']) return result '''

response = client.chat.completions.create( model="gpt-4.1-mini", messages=[{"role": "user", "content": code_review_prompt(code)}], ) print(response.choices[0].message.content)


**实验 4：多轮对话中的上下文管理**

```python
from openai import OpenAI

client = OpenAI()

# 初始化对话
messages = [
    {"role": "system", "content": "你是一个 Python 编程助手，擅长调试代码。"}
]

def chat(user_input):
    messages.append({"role": "user", "content": user_input})
    response = client.chat.completions.create(
        model="gpt-4.1-mini",
        messages=messages,
    )
    reply = response.choices[0].message.content
    messages.append({"role": "assistant", "content": reply})
    return reply

# 第一轮：提出问题
print("用户: 这段代码有什么问题？\n```python\nfor i in range(10):\n  print(i)\ntime.sleep(1)\n```")
print(f"AI: {chat('这段代码有什么问题？\\n```python\\nfor i in range(10):\\n  print(i)\\ntime.sleep(1)\\n```')}\n")

# 第二轮：追问（AI 会记住前面的代码）
print("用户: 那我应该怎么导入 time 模块？")
print(f"AI: {chat('那我应该怎么导入 time 模块？')}\n")

# 第三轮：继续追问
print("用户: 有没有更优雅的写法？")
print(f"AI: {chat('有没有更优雅的写法？')}")

本地运行：jupyter notebook demos/04-prompt-engineering/prompt_basics.ipynb

小结（Reflection）

一句话总结

System 消息 = 工牌，User 消息 = 任务单，越详细越靠谱！

解决了什么：学会写高质量 Prompt，通过 system 消息控制 AI 角色，理解三种消息类型的作用
没解决什么：简单的 Prompt 可以应对常规任务，但复杂任务（分类、推理）怎么办？——下一节介绍进阶技巧
关键要点：
1. System 消息定义角色：专家 vs 导师 vs 助手，效果完全不同
2. 具体化指令：不说"写代码"，说"用 FastAPI 实现 CRUD"
3. 提供上下文：技术栈、约束条件、输出格式
4. 多轮对话需要手动管理历史消息：API 是无状态的
5. 用模板提高效率：为常见任务建立可复用的 Prompt 模板

成本提示

多轮对话会累积 token 数量，定期清理历史消息可以节省成本！

最后更新：2026-02-20

第 4 章：Prompt Engineering ​

4.1 Prompt 基础 入门 ~$0.01 ​

为什么需要它？（Problem） ​

它是什么？（Concept） ​

动手试试（Practice） ​

测试 ​

小结（Reflection） ​

第 4 章：Prompt Engineering

4.1 Prompt 基础入门 ~$0.01

为什么需要它？（Problem）

它是什么？（Concept）

动手试试（Practice）

测试

小结（Reflection）