prompt-engineering-patterns

提示词工程模式

掌握高级提示词工程技术，最大限度地提升大模型的性能、可靠性和可控性。

以下情况请勿使用此技能

• 任务与提示词工程模式无关
• 你需要的领域或工具不在此范围内

说明

• 明确目标、约束和所需输入。
• 应用相关最佳实践并验证结果。
• 提供可执行的步骤和验证方法。

以下情况请使用此技能

• 为生产环境中的大模型应用设计复杂提示词
• 优化提示词的性能和一致性
• 实现结构化推理模式（思维链、思维树）
• 构建带有动态示例选择的少样本学习系统
• 创建带有变量插值的可复用提示词模板
• 调试和改进输出不一致的提示词
• 为专用 AI 助手实现系统提示词

核心能力

1. 少样本学习

• 示例选择策略（语义相似度、多样性采样）
• 在示例数量与上下文窗口限制之间取得平衡
• 使用输入—输出对构建有效示范
• 从知识库中动态检索示例
• 通过策略性选择示例来处理边缘情况

2. 思维链提示

• 引导模型逐步推理
• 使用 “Let's think step by step” 进行零样本思维链提示
• 使用推理轨迹进行少样本思维链提示
• 自一致性技术（采样多条推理路径）
• 验证步骤

3. 提示词优化

• 迭代改进工作流
• 对提示词变体进行 A/B 测试
• 衡量提示词性能指标（准确率、一致性、延迟）
• 在保持质量的同时减少 token 用量
• 处理边缘情况和故障模式

4. 模板系统

• 变量插值和格式设置
• 条件提示词部分
• 多轮对话模板
• 基于角色的提示词组合
• 模块化提示词组件

5. 系统提示词设计

• 设置模型行为和约束
• 定义输出格式和结构
• 确立角色和专业知识
• 安全指南和内容政策
• 设置上下文和背景信息

快速开始

from prompt_optimizer import PromptTemplate, FewShotSelector

# Define a structured prompt template
template = PromptTemplate(
    system="You are an expert SQL developer. Generate efficient, secure SQL queries.",
    instruction="Convert the following natural language query to SQL:\n{query}",
    few_shot_examples=True,
    output_format="SQL code block with explanatory comments"
)

# Configure few-shot learning
selector = FewShotSelector(
    examples_db="sql_examples.jsonl",
    selection_strategy="semantic_similarity",
    max_examples=3
)

# Generate optimized prompt
prompt = template.render(
    query="Find all users who registered in the last 30 days",
    examples=selector.select(query="user registration date filter")
)

关键模式

渐进式披露

从简单提示词开始，仅在需要时增加复杂度：

1. 级别 1：直接指令

   • “总结这篇文章”

2. 级别 2：添加约束

   • “用 3 个项目符号总结这篇文章，重点关注主要发现”

3. 级别 3：添加推理

   • “阅读这篇文章，找出主要发现，然后用 3 个项目符号进行总结”

4. 级别 4：添加示例

   • 包含 2-3 个带有输入—输出对的总结示例

指令层级

[System Context] → [Task Instruction] → [Examples] → [Input Data] → [Output Format]

错误恢复

构建能够妥善处理失败的提示词：

• 包含备用指令
• 要求提供置信度分数
• 不确定时询问其他可能的解释
• 指明如何标注缺失信息

最佳实践

1. 具体明确：含糊的提示词会产生不一致的结果
2. 展示胜于描述：示例比描述更有效
3. 充分测试：使用多样且有代表性的输入进行评估
4. 快速迭代：微小改动也可能产生巨大影响
5. 监控性能：跟踪生产环境中的指标
6. 版本控制：将提示词视为代码并进行适当的版本管理
7. 记录意图：说明提示词采用当前结构的原因

常见问题

• 过度设计：尚未尝试简单提示词就开始设计复杂提示词
• 示例污染：使用与目标任务不匹配的示例
• 上下文溢出：示例过多，超出 token 限制
• 指令含糊：留有多种解释的空间
• 忽略边缘情况：未针对异常或边界输入进行测试

集成模式

与 RAG 系统集成

# Combine retrieved context with prompt engineering
prompt = f"""Given the following context:
{retrieved_context}

{few_shot_examples}

Question: {user_question}

Provide a detailed answer based solely on the context above. If the context doesn't contain enough information, explicitly state what's missing."""

与验证集成

# Add self-verification step
prompt = f"""{main_task_prompt}

After generating your response, verify it meets these criteria:
1. Answers the question directly
2. Uses only information from provided context
3. Cites specific sources
4. Acknowledges any uncertainty

If verification fails, revise your response."""

性能优化

Token 效率

• 删除冗余的词语和短语
• 首次定义后统一使用缩写
• 合并相似的指令
• 将稳定的内容移至系统提示词

降低延迟

• 尽量缩短提示词，同时不牺牲质量
• 对长篇输出使用流式传输
• 缓存常用的提示词前缀
• 尽可能批量处理相似请求

资源

• references/few-shot-learning.md：深入介绍示例的选择与构建
• references/chain-of-thought.md：高级推理引导技巧
• references/prompt-optimization.md：系统化的改进工作流
• references/prompt-templates.md：可复用的模板模式
• references/system-prompts.md：系统级提示词设计
• assets/prompt-template-library.md：经过实战验证的提示词模板
• assets/few-shot-examples.json：精选的示例数据集
• scripts/optimize-prompt.py：自动化提示词优化工具

成功指标

跟踪提示词的以下关键绩效指标（KPI）：

• 准确性：输出的正确性
• 一致性：相似输入下结果的可复现性
• 延迟：响应时间（P50、P95、P99）
• Token 用量：每个请求的平均 Token 数
• 成功率：有效输出所占的百分比
• 用户满意度：评分和反馈

后续步骤

1. 查看提示词模板库，了解常见模式
2. 针对具体用例试用少样本学习
3. 实施提示词版本管理和 A/B 测试
4. 搭建自动化评估流水线
5. 记录提示词工程的决策和经验