提示词基础

提示词（prompt） 是交给模型的全部文字输入。第 4 讲（词向量与语言模型）讲过，语言模型做的事是「根据前文预测下一个 token」，所以提示词就是那个「前文」。前文写成什么样，后面续写出来的内容就是什么样。

提示词工程不涉及改模型参数。它只改输入，所以成本最低、见效最快，是所有 AI 应用的第一道工序。

Anthropic 的文档给了一个好用的比喻：把模型当成一个聪明但刚入职的新同事，他不了解你们的规矩和背景，你说得越精确，结果越好。文档还给了一个检验办法：把提示词拿给一个不了解这项任务的同事看，如果他看不懂，模型多半也看不懂。

调用模型时，消息分成几种角色：

• 系统提示（OpenAI 新接口里叫 developer 消息或 instructions 参数）：开发者写好的长期规则，比如角色、语气、禁区、输出格式。
• 用户提示（user）：每次请求都不同的内容，比如这次要处理的文件和问题。
• 助手消息（assistant）：模型自己之前的回答。

OpenAI 文档明确写道：developer 消息的优先级高于 user 消息。它还打了个比方：developer 消息像函数定义，user 消息像传给函数的参数。

这对设计提示词意味着：

• 产品层面的规则（如「不提供投资建议」）应该放在系统提示里，不能指望用户每次都说。
• 用户输入的内容即使写着「忽略上面的规则」，也不应该推翻系统提示。不过，模型是否真的不会被推翻，要靠测试验证（第 39 讲（提示注入）会讲提示注入）。

Anthropic 文档还强调要解释原因。例如，与其只写「不要用省略号」，不如写「这段文字要交给语音合成朗读，它不会读省略号，所以不要用」。模型理解了原因，就能推广到没明说的类似情况。

第 0 版（模糊）

帮我写个产品介绍。

模型不知道产品是什么、给谁看、写多长，只能写出一段泛泛的套话。

第 1 版（补上任务和背景）

帮我写一段「智能算法交易平台」的产品介绍，放在官网首页，读者是私募基金的交易主管。

方向对了，但长度和重点仍然靠猜。

第 2 版（再补约束和格式）

你是一名金融科技产品的文案。
任务：为「智能算法交易平台」写官网首页介绍。
读者：私募基金交易主管，懂交易但不关心技术细节。
必须提到：降低冲击成本、支持多券商接入、实时绩效分析。
不能出现：收益承诺、「保证」「稳赚」等字样。
格式：一句标题（不超过 15 字）+ 3 个要点（每个不超过 30 字）。

每改一遍，模型需要「猜」的东西就少一些。检查方法很简单：数一数还剩哪些问题模型必须自己猜，比如长度、受众、重点、禁区、格式。

当提示词里既有指令又有大段资料时，要用分隔符把它们隔开。常用的写法有：

• XML 标签，如 <资料>…</资料>
• Markdown 标题
• 三个引号

Anthropic 文档建议用 XML 标签包裹不同类型的内容（指令、背景、示例、输入），因为这样模型解析得更清楚。OpenAI 文档也推荐同时使用 Markdown 和 XML 标签来标出逻辑边界。

分隔有两个好处：

1. 模型更清楚哪部分是要遵守的规则，哪部分只是要处理的材料。
2. 资料里如果混入「请忽略以上指令」之类的话，模型更不容易把它当成指令。这只能降低风险，不能保证安全。

关于长资料还有一条实用建议，来自 Anthropic 文档：长文档放在提示词前面，问题放在最后。文档称，在测试中这种写法能把回答质量最多提升 30%，复杂的多文档输入效果尤其明显。

模型每生成一个 token 的计算量是固定的。如果要求它直接给出答案，复杂问题就只能「一步猜到底」。如果允许它先把中间步骤写出来，每一步都成为后面步骤可以参考的「前文」，相当于给了它草稿纸。下面第 18 讲（思维链 CoT）会详细讲这种做法，叫思维链。

工程上常见的写法：

先在 <思考> 标签里逐条核对资料、列出计算过程，
再把最终结论写在 <答案> 标签里。

程序只把 <答案> 里的内容展示给用户，思考过程用来排查问题。

注意：第 13 讲（推理模型）讲的推理模型会在内部自动思考。OpenAI 文档说，推理模型给高层目标就能做好，GPT 类模型则需要更精确的指令。所以对推理模型，不必再手写「一步步想」。

• 越长越好：不对。要写的是模型需要的信息，不是堆砌形容词。
• 只说不要什么：只写「不要啰嗦」，模型不知道该写成什么样。更好的写法是「用 3 条要点，每条不超过 30 字」。
• 改一次就上线：模型输出有随机性。OpenAI 文档建议固定模型版本，并为提示词建立测试和评估集（第 38 讲（评测）会讲评估）。

• Anthropic, Prompting best practices（Claude 文档）：platform.claude.com
• OpenAI, Prompt engineering 指南：platform.openai.com