提示工程
提示工程是系统性地设计指令（提示）、从 LLM 获取所需质量、格式和语气的技艺。同一个模型会因提示结构不同而产生天差地别的结果，因此它已成为任何与 AI 打交道的团队的一项基本功。
提示工程是系统性地设计指令（提示）、从 LLM 获取所需质量、格式和语气的技艺。同一个模型会因提示结构不同而产生天差地别的结果，因此它已成为任何与 AI 打交道的团队的一项基本功。
为什么重要
OpenAI 和 Anthropic 的研究表明，在同一任务上，设计良好的提示相比草率的提示可将准确率提升 20% 至 40%。在基于 RAG 的 AI 搜索中，系统提示的设计直接决定了最终答案的事实准确性和引用质量。把提示当作"指令设计"，而非随口一问，是获得高质量 AI 输出的前提。
核心提示模式
角色提示："你是一位 B2B 营销专家"赋予模型一致的声音和视角。
明确目标与格式："写一篇博客草稿"很弱。"受众：B2B SaaS 营销人员 / 目标：匹配'内容策略'的搜索意图 / 格式：4 个 ### 章节，每节 200 词以上"则很精确。
少样本提示：在提示中加入 2 至 3 个出色的示例，模型便会模仿其风格。
思维链（CoT）："一步一步思考"这类指令能提升复杂任务的准确率，尤其是摘要、分类和数学。
明确约束：开门见山地说明长度、语言和禁用词。"只用中文，不超过 300 字，不要使用'AI'一词"能省去后处理。
指定输出格式：给出所需的 JSON、Markdown 或表格结构，使下游解析保持稳定。
实用技巧
迭代：提示不会一次到位。检视输出，诊断弱点，再加以调整，这是一个循环。
系统提示 vs 用户提示：用系统提示承载角色、约束和目标（稳定的框架），用用户提示承载与具体请求相关的输入。
优先使用正面指令："做 Y"比"别做 X"更可靠。
在长上下文中前置：LLM 会在长输入的中间丢失信息。在开头和结尾都重复关键指令。
不要混用语言：在指令中混用英文和中文可能让输出变得不稳定。选定一种。
提示工程与 GEO 的交汇
从 GEO 的角度看，提示工程还意味着理解用户向 AI 搜索提出了什么。如果现实中的提示遵循诸如"推荐最好的 X""X 与 Y 对比""如何开始做 X"这类模式，那么把这些模式融入博客的标题和小标题，就能提高你的内容在 AI 回答中被引用的机会。
Sources: