主题
提示词工程技巧
来源说明
本页内容翻译整理自 DAIR.AI 提示词工程指南（GitHub 72,800+ 星标），这是目前全球最权威的提示词工程学术资源。以下每个技巧都经过学术论文验证，不是网上随便传的"小窍门"，而是有理论依据的方法论。
我们把最常用的 10 个技巧做了中文解读，用大白话讲清楚原理，配上实际例子，让不懂技术的老板也能直接上手。
1. 零样本提示 (Zero-Shot Prompting)
一句话解释： 直接告诉 AI 要做什么，不给任何例子。
原理
大语言模型在训练时已经学习了海量知识，对于简单的任务，你只需要直接下指令，它就能理解你要什么。这是最基础的用法——你说什么，它就做什么，不需要额外铺垫。
实际例子
请将以下文本分类为正面、负面或中性。
文本：我觉得这次度假还行。
情感倾向：AI 输出： 中性
就这么简单。你没给任何"正面长什么样、负面长什么样"的例子，AI 也能正确分类。
老板怎么用
- 快速分类客户反馈（正面/负面/中性）
- 简单的问答："我们的退货政策要点是什么？"
- 翻译、总结等直来直去的任务
适用场景： 任务简单、意图明确的时候。如果发现 AI 理解不了你的意思，就需要升级到下面的"少样本提示"。
2. 少样本提示 (Few-Shot Prompting)
一句话解释： 先给 AI 看 2-5 个例子，让它照着做。
原理
有时候光靠描述不够，AI 不确定你到底要什么格式、什么风格。这时候给几个例子就能解决问题。研究发现，例子格式的一致性比内容的准确性更重要——也就是说，AI 主要是在学你的"模板"，而不是在学你的"答案"。
实际例子
没有例子（AI 可能不知道你要什么格式）：
用"whatpu"造句。（"whatpu"是一种原产于坦桑尼亚的小型毛茸茸的动物。）给了例子（AI 立刻明白了格式）：
"whatpu"是一种原产于坦桑尼亚的小型毛茸茸的动物。使用whatpu这个词造句：
我们在非洲旅行时看到了这些非常可爱的whatpu。
"farduddle"的意思是非常快速地上下跳跃。使用farduddle这个词造句：AI 输出： 当我们赢得比赛时，我们都开始farduddle来庆祝。
看到了吗？AI 通过第一个例子学会了你要的造句格式，然后自动套用到新词上。
老板怎么用
- 让 AI 按照你公司的风格写邮件——给它 2-3 封以前的邮件当模板
- 统一客服回复的格式——给几个标准回复做参考
- 产品分类——给几个已分类的例子，AI 就能帮你分类剩下的
关键： 给的例子格式要统一。2-3 个例子通常就够了，不需要太多。
3. 思维链 (Chain-of-Thought, CoT)
一句话解释： 让 AI 把推理过程写出来，而不是直接给答案。
原理
人做复杂问题也需要在纸上列步骤，AI 也一样。如果让它直接跳到答案，很容易出错。让它"展示解题过程"，准确率会大幅提升。有两种用法：给出带步骤的例子，或者简单地在问题后面加一句"让我们一步步思考"。
实际例子
不用思维链（容易出错）：
问：停车场有3辆车，又来了2辆，一共多少辆？
答：4（错误！）用了思维链（结果正确）：
问：停车场有3辆车，又来了2辆，一共多少辆？
让我们一步步思考：
1. 最初有3辆车
2. 又来了2辆
3. 3 + 2 = 5
答：5这个例子很简单，但在复杂的财务分析、逻辑推理里，差别会非常大。
研究发现
自动提示工程（APE）研究发现，用"让我们一步一步推导，确保得到正确答案"比简单的"让我们一步步思考"效果更好。
老板怎么用
- 财务分析："请一步一步分析我们上季度的成本构成"
- 决策判断："请一步一步评估这个投资方案的风险"
- 复杂问答："请一步一步解释为什么这个方案可行"
最简单的用法： 在任何问题后面加上"请一步一步分析"，立刻就能提高回答质量。
4. 思维树 (Tree of Thoughts, ToT)
一句话解释： 让 AI 像"圆桌会议"一样，从多个角度同时分析问题。
原理
思维链是一条线走到底，思维树是同时展开多条线。就像开一个专家讨论会：每个专家各自分析，每走一步就互相交流，发现自己思路不对的就主动退出，最后剩下最靠谱的结论。这种方法特别适合没有唯一正确答案的战略性问题。
实际例子
你不需要写代码，直接用这个提示词模板：
想象三个不同的专家在回答这个问题。
所有专家会写下他们思考的第1步，然后分享给小组。
然后所有专家继续第2步，以此类推。
如果任何专家在任何时候发现自己错了，他们就退出。
问题：我的奶茶店应该开在商场还是写字楼旁边？AI 会模拟三个专家从不同角度分析——比如一个从客流量角度、一个从租金成本角度、一个从目标人群角度——最后给出综合建议。
老板怎么用
- 定价策略："三个专家分别分析我们产品的定价方案"
- 市场选择："三个专家评估进入这个新市场的可行性"
- 重大决策："三个专家分析要不要开这个分店"
特别适合： 涉及多方面权衡的战略决策。
5. 自我一致性 (Self-Consistency)
一句话解释： 同一个问题问 AI 三次，取出现最多的答案。
原理
AI 每次回答有一定随机性，就像你问三个人同一道题，答案可能不一样。自我一致性的思路很简单：让 AI 走不同的推理路径得出答案，然后取"票数最多的答案"。研究证明这比只问一次要准确得多。
实际例子
问：我6岁时姐姐是我年龄的一半。现在我70岁了，姐姐多大？| 推理路径 | 过程 | 答案 |
|---|---|---|
| 第1次 | 6岁时姐姐3岁，差3岁，70-3=67 | 67 |
| 第2次 | 同上推理 | 67 |
| 第3次 | 70/2=35 | 35 |
多数票：67（正确答案！）
第三次走了弯路，但投票机制确保了最终答案正确。
老板怎么用
- 重要的财务计算：让 AI 算三次，取一致的答案
- 法律条款解读：问三次，看哪个解读出现最多
- 合同风险评估：多次分析取最一致的结论
简单做法： 遇到重要问题，开三个对话窗口问同样的问题，答案一致才采纳。
6. 生成知识提示 (Generated Knowledge Prompting)
一句话解释： 先让 AI 列出相关知识点，再让它基于这些知识回答问题。
原理
AI 有时候会"想当然"地回答问题，忽略一些关键事实。解决办法是分两步走：第一步让它把相关的事实和知识列出来，第二步基于这些事实来回答。这样就像先做功课再考试，准确率自然高。
实际例子
不生成知识（直接答，容易错）：
问：打高尔夫球的目标是获得比其他人更高的总分吗？
答：是（错误！高尔夫是分数越低越好）先生成知识（两步走）：
第一步——先列知识：
关于高尔夫球的计分规则，有哪些关键事实？AI 输出：高尔夫球的目标是用最少的杆数完成一组球洞。总杆数最低的选手获胜。标准杆（par）是每个球洞的预期杆数......
第二步——基于知识回答：
基于以上事实，高尔夫球的目标是获得比其他人更高的总分吗？AI 输出：不是。高尔夫球的目标是获得最低分，杆数越少越好。
老板怎么用
- 行业分析："先列出新能源行业的5个关键趋势，再基于这些趋势分析我们的机会"
- 竞品研究："先总结竞品A的产品特点，再对比我们的优劣势"
- 政策解读："先列出这个政策的核心要点，再分析对我们业务的影响"
核心思路： 遇到专业问题，别让 AI 直接答，先让它"做功课"。
7. ReAct (推理+行动)
一句话解释： 让 AI 边想边查，像人做调研一样"分析→查资料→再分析"。
原理
普通对话中，AI 只能用它训练时学到的知识。ReAct 让 AI 具备了"查资料"的能力——它先分析问题，发现需要什么信息，去搜索，拿到结果后继续分析，直到得出最终答案。就像一个研究员的工作流程：思考→查资料→思考→查资料→得出结论。
实际例子
问题：苹果公司最新一季度的营收是多少？
思考1：我需要查找苹果公司最近一季度的财报数据。
行动1：搜索[苹果公司 2025年 最新季度 营收 财报]
观察1：根据搜索结果，苹果2025年Q1营收为......
思考2：已经找到了营收数据，让我确认一下同比变化。
行动2：搜索[苹果公司 2024年Q1营收 对比]
观察2：结果显示......
思考3：综合两次搜索结果，可以给出完整回答了。
行动3：完成[苹果公司最新一季度营收为XXX亿美元，同比增长XX%]老板怎么用
这个技巧你不需要自己手动实现。很多 AI 工具已经内置了这个功能：
- 联网搜索的 AI 工具（如 ChatGPT 联网模式、Perplexity）就是 ReAct 的实际应用
- 企业级工具如 LangChain、LlamaIndex 可以让 AI 自动搜索你公司内部资料
- 当你需要 AI 回答时效性问题（最新数据、新闻、行情）时，选择支持联网的工具
8. 检索增强生成 RAG (Retrieval Augmented Generation)
一句话解释： 让 AI 先从你的资料库里查到相关内容，再基于这些内容回答。
原理
AI 的通用知识再多，也不了解你公司的产品手册、内部流程、客户数据。RAG 的做法是：用户提问后，系统先从你的知识库里找到相关文档，然后把这些文档连同问题一起交给 AI，让它基于你的实际数据来回答。这样回答既专业又准确。
工作流程
1. 用户提问："A产品的保修期是多久？"
↓
2. 系统在你的产品文档库中搜索相关内容
↓
3. 找到：《A产品售后政策》第3条——保修期24个月......
↓
4. 把文档内容 + 用户问题一起发给AI
↓
5. AI回答："根据产品售后政策，A产品保修期为24个月......"老板怎么用
- 智能客服： 让 AI 基于你的产品手册回答客户问题，不会胡说八道
- 内部知识库： 新员工可以直接问 AI 公司流程、规章制度
- 销售助手： AI 基于你的产品资料帮销售快速回答客户技术问题
目前很多企业 AI 产品（如 Coze、Dify、FastGPT）都支持上传文档建立知识库，底层就是 RAG 技术。
9. 提示链 (Prompt Chaining)
一句话解释： 把一个大任务拆成几个小步骤，一步一步让 AI 做。
原理
你不会让一个员工"把今年的年度报告写完"然后就不管了。你会说："先整理数据，再分析趋势，再写总结，最后排版。" AI 也一样。把复杂任务拆成小步骤，每步的输出作为下一步的输入，效果远好于一口气把所有要求塞进一个提示词。
实际例子
不好的做法（一个提示词塞太多）：
请阅读这份销售报告，找出关键数据，分析趋势，给出建议，并写成演示文稿格式。好的做法（拆成链条）：
第一步：
请从这份销售报告中提取所有关键数据和指标。
[粘贴报告内容]第二步：
基于以下数据，分析3个主要趋势：
[粘贴第一步的输出]第三步：
基于以下趋势分析，给出3条具体可行的建议：
[粘贴第二步的输出]第四步：
把以下内容整理成演示文稿的格式，每页一个要点：
[粘贴第三步的输出]老板怎么用
- 报告生成： 数据→分析→建议→格式化，一步一步来
- 邮件处理： 分类→总结→生成回复草稿
- 竞品分析： 收集信息→对比→得出结论→生成报告
核心原则： 与其写一个500字的复杂提示词，不如拆成5个100字的简单提示词。
10. 程序辅助推理 PAL (Program-Aided Language)
一句话解释： 让 AI 写代码来计算，而不是用文字推理计算。
原理
AI 用文字做数学计算经常出错（就像人心算容易出错一样），但 AI 写代码非常擅长，而代码计算是精确的。所以遇到需要精确计算的问题，让 AI 生成代码来执行，比让它直接给答案靠谱得多。
实际例子
问：今天是2023年2月27日。我恰好在25年前出生。我的生日是哪天？
（请用MM/DD/YYYY格式回答）AI 不是直接口算，而是生成代码：
python
from datetime import datetime
from dateutil.relativedelta import relativedelta
today = datetime(2023, 2, 27)
born = today - relativedelta(years=25)
print(born.strftime('%m/%d/%Y'))
# 结果：02/27/1998代码执行后得到精确答案，不会算错。
老板怎么用
- 财务计算： "帮我算一下这笔贷款的月还款额，用代码计算"
- 日期推算： "计算这个项目的里程碑日期"
- 库存管理： "根据以下数据计算最优订货量"
实际操作： 在 ChatGPT 中使用"代码解释器"功能，或者在问题后加一句"请用代码计算"，AI 就会生成代码来确保计算精确。
最实用的3个技巧
如果你只看一个章节，就看这里
以下3个技巧覆盖了80%的日常使用场景，不需要任何技术基础，今天就能用起来。
第一名：思维链 —— 加一句话就能提升回答质量
怎么做： 在任何问题后面加上 "请一步一步分析"。
❌ 我们应该进入东南亚市场吗？
✅ 我们应该进入东南亚市场吗？请一步一步分析。就这一句话，AI 的回答会从笼统的"可以/不可以"变成有条理的"第一、市场规模......第二、竞争情况......第三、政策环境......"。
第二名：少样本提示 —— 给 2-3 个例子就能统一格式
怎么做： 想让 AI 输出什么格式，先给它看几个例子。
请按以下格式总结客户反馈：
【客户】王先生
【问题】配送延迟3天
【情绪】不满
【建议处理】致电道歉+补偿优惠券
【客户】李女士
【问题】产品颜色与图片不符
【情绪】失望
【建议处理】提供退换货服务
现在请总结以下反馈：
张先生打电话说他买的桌子到了但少了一条腿......AI 会自动按照你给的格式输出，不需要你解释格式规则。
第三名：提示链 —— 大任务拆成小步骤
怎么做： 别把所有要求塞在一个提示词里，拆开来一步步做。
复杂任务：写一份市场分析报告
第1步：请列出我们行业目前的5个主要趋势
第2步：针对每个趋势，分析对我们公司的影响
第3步：基于分析结果，给出3个战略建议
第4步：把以上内容整理成正式报告格式每一步都可以检查和调整，最终结果远好于一步到位。
版权说明
本页内容基于 DAIR.AI Prompt Engineering Guide 翻译整理，该项目采用 MIT 许可证开源。我们在原内容基础上进行了面向中国商业用户的改编和本地化。