什么是 Prompt 工程?

不改参数只改问法,理解大模型"接话"的本质

原题：什么是 Prompt 工程？为什么同一个大模型，换一种问法输出效果可能天差地别？

Prompt工程

30 秒回答

1. Prompt 工程是通过设计输入文本（提示词），在不改动模型参数的前提下引导模型给出更好输出的方法
2. 大模型本质是"根据上文预测下文"，prompt 就是那个"上文"；上文变了，模型认为合理的下文自然跟着变
3. 效果差异大的原因：任务描述是否明确、有没有示例、有没有指定角色/格式/推理步骤
4. 常用技巧：明确任务与约束、给示例（few-shot）、让模型分步思考（思维链）、指定输出格式

回答与解析

答案要点

• Prompt 工程是通过设计输入文本（提示词），在不改动模型参数的前提下引导模型给出更好输出的方法

• 大模型本质是"根据上文预测下文"，prompt 就是那个"上文"；上文变了，模型认为合理的下文自然跟着变

• 效果差异大的原因：任务描述是否明确、有没有示例、有没有指定角色/格式/推理步骤

• 常用技巧：明确任务与约束、给示例（few-shot）、让模型分步思考（思维链）、指定输出格式

• 它是成本最低的优化手段：先调 prompt，不行再考虑 RAG 或微调

核心概念

Prompt 工程（Prompt Engineering）是指通过精心设计给大模型的输入文本——包括任务描述、上下文、示例和输出要求——来引导模型产生期望输出的一门实践，全程不修改模型的任何参数。理解它的关键是理解大模型的工作方式：模型做的事是"给定前文，预测下一个词"，prompt 就是这个前文；前文提供的信息和暗示不同，模型认为"最合理的下文"就完全不同，所以问法不同、结果天差地别。

为什么 prompt 不同，效果天差地别

1. 任务是否说清楚："帮我写点东西"和"写一封 200 字以内、语气正式的请假邮件"，后者把目标、长度、语气都约束住了，模型不用猜

2. 有没有示例：给 2~3 个输入输出示例（few-shot，少样本提示），模型会模仿示例的格式和风格，往往比纯文字描述规则更有效

3. 有没有引导推理：让模型"一步一步分析"（思维链，CoT），复杂问题的正确率通常显著提升

4. 角色和语境："你是一位资深律师"会把模型的用词和严谨程度带向对应语料的风格

实践中的基本套路

一个结构良好的 prompt 通常包含：角色设定 + 任务描述 + 背景材料 + 示例 + 输出格式要求。写完先用小批量样本测试，按 bad case 迭代改写——像调试代码一样调试 prompt。

入门之后，可以往思维链（CoT）、结构化输出、prompt 效果的自动化评估，以及 prompt 与 RAG/微调的选型边界深入。

口语版讲法(约2分钟)

• 一句话定位：prompt工程本质是调输入不调模型
• 为什么问法不同效果差：模型是猜词游戏
• 具体案例：客服退款场景
• 边界和风险：先调prompt，不行再上RAG或微调

这道题其实在问一个很核心的事：大模型的输出到底受什么影响？答案就是prompt，这是我们能控制的最直接的东西。Prompt工程说白了就是设计输入文本，在不改模型参数的前提下，引导模型输出更好的结果。

为什么换种问法效果天差地别？你可以把大模型理解成一个猜词游戏，它根据前面的词猜下一个。Prompt就是它看到的“上文”，上文变了，它认为合理的下文自然跟着变。具体来说，有几个关键因素。先说任务描述清不清楚。你让它“帮我写点东西”，它很迷茫；你说“写一封200字以内、语气正式的请假邮件”，目标、长度、语气都定好了，模型就不用猜。再一个是有没有示例。给两三个输入输出例子，也就是Few-shot，模型会模仿那个格式和风格，比纯文字规则管用得多。还有就是有没有引导推理。你让它“一步一步分析”，也就是Chain-of-Thought，复杂问题的正确率能明显提升。最后是角色设定，你告诉它“你是一位资深律师”，它用词和严谨程度就会往那个方向走。

举个例子，客服退款场景。用户问“退款什么时候到账”。如果你只写“回答用户问题”，模型可能给个通用答案。但如果你在prompt里设定角色“你是一个客服专家”，再给一条示例“用户问发货时间，你查订单状态后回复”，然后要求它“先查订单状态和退款政策，再生成回答”，输出就靠谱得多。

这里有个坑，就是prompt工程不是万能的。它的前提是模型本身有这个能力，如果模型不知道某个事实，你prompt写得再好也没用。所以实际落地时，我会先调prompt，这是成本最低的优化手段。如果效果还不行，再考虑上RAG或者微调。RAG解决知识更新和私有知识的问题，微调改变模型行为风格。真正上线时，常常是prompt加RAG一起上，prompt控制表达，RAG提供事实。

我会特别关注prompt的稳定性。同一个prompt，模型版本升级后输出可能变差，所以上线后要持续监控bad case，迭代prompt。

总结一下，Prompt工程的核心是：不碰模型参数，只靠输入设计来引导输出。它适合快速验证和低成本优化，但别指望它解决模型本身的能力短板。

关键一句:Prompt的稳定性会受模型版本升级影响，需要持续监控和迭代。

面试官还可能这样问

1. 问法 1 · 概念辨析有人说 Prompt 工程就是"会提问的玄学"，你怎么看？它和微调都能改变模型输出，两者的本质区别在哪里？
2. 问法 2 · 场景切入让模型从合同里抽取甲方、乙方和金额，输出老是格式混乱、时有遗漏，你会从哪几个方向去改 prompt？