本文介绍提示工程（prompting）的基本原则与实践方法，帮助用户为 ChatGPT 等模型撰写更清晰、有效的提示，从而获得更准确、有用的回复。通过示例与策略指导读者如何构建背景、约束、示例和多轮交互以优化输出质量。
核心理念
- 明确目标：先定义你想要模型完成的任务或产出形式。
- 提供上下文：把必要的背景、角色或格式说明写进提示。
- 设定约束：通过长度、风格、格式等限制控制输出。
常用策略
- 分步指示：将复杂任务拆成多个明确步骤，引导模型逐步推理。
- 示例示范：给出输入-输出示例（few-shot），帮助模型模仿预期风格与结构。
- 角色扮演：指定模型的身份或角色以影响语气和专业性。
与交互式使用相关
- 逐轮迭代：观察输出后调整提示或追问以精细化结果。
- 使用检验问题：让模型自测或生成验证步骤以降低错误。
注意事项
- 避免模糊要求：不确定或冲突的指令会导致输出质量下降。
- 留意模型局限：对事实性、推理或最新事件的断言需额外验证。
- 隐私与安全：避免在提示中暴露敏感数据。
实践示例（概要）
- 简短任务：明确指令+期望格式即可。
- 复杂分析：分段步骤+示例+允许模型列出假设。
小结
- 好的提示是明确、有结构并不断迭代的，结合示例与约束可显著提升模型输出的实用性。
Prompting 是把人类专业能力延展到模型上的关键技能，值得系统练习。