Skip to main content

7.5.3 高级 Prompt 技巧

本节定位

当你已经知道 Prompt 基础后，接下来更自然的问题就是：

还有哪些方式能让模型更稳、更接近我想要的结果？

这就是“高级 Prompt 技巧”的位置。 但注意，这里的“高级”不等于“更花哨”，而是：

更适合问题。

学习目标​

  • 理解 few-shot、角色设定、分步约束这些技巧分别在解决什么问题
  • 学会判断什么时候值得加技巧，什么时候反而会把 Prompt 写乱
  • 建立 Prompt 调优要靠实验而不是靠感觉的意识
  • 看懂几类常见高级技巧的真实作用边界

先建立一张地图​

高级 Prompt 技巧最适合新人的理解方式不是“看到什么招都往上堆”，而是先看清：

这节真正想解决的是：

  • 哪些技巧分别在补哪类问题
  • 什么时候该加，什么时候反而会让 Prompt 变乱

一个更适合新人的总类比​

你可以把高级 Prompt 技巧理解成：

  • 给任务说明书继续加护栏和示范

基础 Prompt 像是：

  • 把任务说清楚

高级 Prompt 更像是：

  • 再补几个例子
  • 再说明输出长什么样
  • 再提醒模型先检查有没有漏条件

所以“高级”不代表更玄，而是：

  • 更适合处理更容易跑偏的任务

一、为什么会需要“高级” Prompt？​

因为有些任务仅靠一句简单指令不够稳。

例如：

  • 标签边界模糊
  • 输出格式要求严格
  • 任务有多阶段逻辑
  • 模型容易漏条件

这时就需要更细的引导。

但最重要的原则仍然是：

不是技巧越多越好，而是越匹配任务越好。

二、Few-shot：为什么“给例子”这么有用？​

它最适合哪些问题？​

当任务很难只靠一句定义讲清楚时，few-shot 特别有价值。

例如：

  • fact vs opinion
  • 信息抽取字段样式
  • 某种固定回复风格

一个最小 few-shot 示例​

few_shot_examples = [
    {"input": "北京是中国的首都。", "output": "fact"},
    {"input": "这门课非常有趣。", "output": "opinion"}
]

for ex in few_shot_examples:
    print(ex)

预期输出：

{'input': '北京是中国的首都。', 'output': 'fact'}
{'input': '这门课非常有趣。', 'output': 'opinion'}

它真正的作用是什么？​

不是“多写几行字”，而是：

把抽象规则变成可以模仿的示范。

这在很多边界模糊任务里比单纯定义更稳。

一个很适合初学者先记的判断表​

任务现象更值得优先试哪种技巧
标签边界很模糊few-shot
输出风格总不一致角色设定或风格约束
任务有明显多步骤分步约束
总漏条件或格式出错自检

这个表很适合新人，因为它会把“技巧列表”重新变成：

  • 出现什么问题时，我先补哪一层

高级 Prompt 技巧选择图

读图提示

读这张图时不要把技巧往上堆，而是先看问题类型：标签边界模糊再加 few-shot，格式不稳再加结构约束，步骤复杂再显式拆步骤，总漏条件再加自检。高级 Prompt 的核心是匹配问题，不是写得更花。

四个容易混淆的术语​

术语含义什么时候用
Zero-shot不给例子，直接给任务任务简单、标签边界清楚时先用它
Few-shot在真实任务前给几个输入输出示例定义不够清楚、模型需要模仿样例时使用
角色提示让模型以某种角色或风格工作用来控制语气、视角或专业边界，不能替代任务说明
自检最终输出前让模型检查约束是否满足字段遗漏、格式错误、无来源事实经常出现时使用

三、角色设定什么时候有帮助？​

很多 Prompt 会写：

  • 你是一个资深老师
  • 你是一个法律助手
  • 你是一个代码 reviewer

它什么时候真的能带来收益？​

当你希望模型：

  • 采用某种风格
  • 进入某种工作模式
  • 维持某种角色边界

时，角色设定会很有帮助。

但角色设定不是魔法​

如果任务本身不清楚，只写一句：

  • 你是世界顶级专家

通常不会自动让结果变稳。

所以一个很重要的判断是：

角色设定是辅助层，不是替代任务定义层。

一个最小“角色不会替代任务定义”的对比例子​

bad_prompt = "你是世界顶级专家，请帮我处理一下这段内容。"
better_prompt = "你是一位课程助教。请把下面文本总结成 3 条中文要点，每条不超过 20 个字。"

print("bad_prompt   =", bad_prompt)
print("better_prompt=", better_prompt)

预期输出：

bad_prompt   = 你是世界顶级专家，请帮我处理一下这段内容。
better_prompt= 你是一位课程助教。请把下面文本总结成 3 条中文要点，每条不超过 20 个字。

这个例子很适合初学者，因为它会提醒你：

  • 角色设定不是魔法增益
  • 真正稳不稳，还是看任务规格有没有说清楚

四、分步约束为什么经常更稳？​

因为很多任务天然有多阶段​

例如：

  1. 先找事实
  2. 再做判断
  3. 最后结构化输出

如果你把这几步全揉成一句话，模型更容易乱。

一个示意​

请按以下步骤完成任务：
1. 先找出文本里的关键事实
2. 再判断其情感倾向
3. 最后输出 JSON

这种写法的核心价值在于：

把任务内部结构显式写出来。

五、自检（self-check）为什么会出现？​

什么时候它特别有意义？​

当你最担心模型：

  • 漏掉条件
  • 格式出错
  • 输出和约束不一致

时，可以让它在输出前再做一层自检。

一个最小示意​

在输出最终答案前，请检查：
1. 是否遗漏了关键信息
2. 是否满足输出格式要求
3. 是否包含了原文中不存在的事实

这类技巧的边界​

它可能有帮助，但不是万能药。 它更适合：

  • 格式敏感
  • 漏信息敏感

的场景。

六、为什么高级技巧不能乱叠？​

因为每多加一层技巧，也在增加：

  • Prompt 长度
  • 复杂度
  • 调试难度

所以更成熟的做法通常不是：

  • 什么都加

而是：

  • 先明确问题，再加最需要的那一层

这是一个非常重要的 Prompt 工程习惯。

再看一个最小“逐层加技巧”的实验表​

版本改了什么你最该观察什么
v1只有任务目标输出是否跑偏
v2+ 输出格式格式是否更稳
v3+ few-shot边界任务是否更稳
v4+ 自检是否更少漏条件

这个表很适合新人，因为它能把 Prompt 调优重新变成：

  • 一个能做对照实验的过程

七、一个更稳的 Prompt 调优顺序​

比起“看到一个技巧就往上堆”，更推荐：

  1. 先把任务目标写清楚
  2. 再把输出格式写清楚
  3. 如果还不稳，再补示例
  4. 如果还是不稳，再加分步约束或自检

这样你更容易判断：

  • 哪一层改动真的带来了收益

第一次做 Prompt 调优时最稳的策略​

建议你每次只新增一层技巧，例如：

  1. 先改输出格式
  2. 再补 1~2 个 few-shot
  3. 再考虑加分步约束

不要一次把角色、示例、自检、格式全叠上去，否则很难知道到底哪一层在起作用。

八、最常见的误区​

觉得 Prompt 越长越高级​

长但乱的 Prompt 往往更糟。

什么技巧都叠进去​

这会让你很难知道究竟哪一层在起作用。

只凭感觉调，不做小实验​

九、核心提醒​

  • 高级 Prompt 不是“更花”，而是“更贴问题”
  • few-shot、角色设定、分步约束和自检各有边界
  • 最稳的调优方式仍然是逐层实验，而不是一次乱叠

Prompt 调优本质上也应该是实验过程。

如果把它做成笔记或项目，最值得展示什么​

最值得展示的通常不是：

  • 一长串看起来很复杂的 Prompt

而是：

  1. 原始 Prompt
  2. 你新增了哪一层技巧
  3. 输出因此稳定了什么
  4. 哪些技巧其实没有明显帮助

这样别人会更容易看出：

  • 你理解的是 Prompt 调优方法
  • 不只是会堆技巧名词

小结​

这一节最重要的不是背几个技巧名字，而是理解：

高级 Prompt 技巧真正有价值的地方，在于它们能帮助你把任务定义、示范、约束和校验做得更稳定。

而不是让 Prompt “看起来更高级”。

练习​

  1. 为一个情感分类任务写出一个包含 few-shot 的 Prompt。
  2. 想一想：角色设定和任务目标哪一个更基础？为什么？
  3. 用自己的话解释：为什么“分步约束”常常比一句模糊大指令更稳？
  4. 为什么说高级 Prompt 技巧真正重要的不是复杂，而是适配？