引言：让模型精准执行、按既定逻辑思考，核心秘诀就在于——高质量的Prompt设计

在撰写Prompt（提示词）时，你是否常常感到大模型似乎并不那么“听话”？它要么答非所问，要么给出一堆无关紧要的信息。当你仔细剖析它的回答时，有时会觉得它聪明绝顶，有时又会觉得它愚蠢至极。明明已经给出了正确的信息，它却推理到了错误的方向；明明在提示词中明确提醒过不要这样思考，它却依然“瞎想”。这或许是每一位Prompt Engineer都会遇到的困扰：如何让模型按照要求去思考？

那么，长提示词到底应该如何撰写？是否有一种方法可以一击即中，直接找到那个完美的提示词呢？遗憾的是，答案是否定的。一篇成功的长提示词往往需要经历从初始版本到调优、测试，再到进一步调优的过程。不过，在这个过程中，我们可以发现一些规律，总结出一些方法。以下是一套经过无数次实践和磨砺后总结出的提示词写作方案，它能帮助你得到满意的长提示词，让模型真正“听话”。

1：解锁高效Prompt设计的架构

你可能已经在小某书、某站看过形形色色的提示词框架：CRISE、BROKE、ICIO……这些结构化模板确实在**通用场景**下表现不俗，尤其适用于写作、翻译、内容生成等“非精准类任务”——也就是那些允许一定自由发挥空间的问题。

但在我们深耕的领域——**复杂场景下的数据分析与决策支持**，这类通用框架就显得力不从心了。  

为什么？  
因为数据类任务是“精准型战场”：  
- 要求逻辑严密，不能“差不多就行”  
- 需要多步推理，不能靠直觉回答  
- 输出必须结构化，便于系统对接和自动化处理  
- 场景高度复杂，涉及条件判断、异常处理、上下文依赖  

在这样的高要求下，普通Prompt框架容易出现：  

漏步骤、跳逻辑  
由发挥、编造数据  
 输出格式混乱，无法程序解析  

我们的答案：一套为“精准+复杂”而生的工业级Prompt架构

经过长期实践与迭代，我们在真实业务场景中验证出一套高效、稳定、可复用的提示词结构，专为大模型在高精度、高复杂度的数据分析任务中落地**而设计：

> 角色/任务 + 核心原则 + 上下文处理 + 思维链（CoT）+ 输出规范 + 少样本示例（Few-Shot）  
> 并辅以必要的**约束条件与执行限制

这套结构不是理论模型，而是从一次次失败、调优、上线中打磨出来的“实战手册”。接下来，我们将逐一拆解每个模块的，手把手教你打造能扛住生产环境考验的AI指令系统。

模型不仅是接收和执行 Prompt 的“执行者”，更是一位潜藏的“Prompt 设计高手”

2：利用模型打造Prompt的初稿

 2.1构建Query与期望输出：

2.1.1 准备Query与期望输出
准备30条Query（查询问题）及其对应的期望输出结果。这些案例将涵盖多种场景，帮助明确模型的任务目标和输出要求。

 2.1.2 提供上下文与文本结构介绍
为每条Query提供必要的上下文信息，帮助模型更好地理解问题背景。同时，详细描述期望输出的文本结构，确保模型生成的内容符合要求。

2.1.3 明确目标与提示词框架
清晰描述模型需要实现的具体目标，以及生成提示词的框架结构。这将帮助模型在生成初始版本的提示词时，能够更精准地满足任务需求。

通过以上步骤，可以为模型提供清晰的指导，使其能够高效地生成符合要求的提示词。

2.2利用模型反向赋能：用AI驱动Prompt持续优化

要让Prompt越用越准，不能靠“凭感觉修改”，而需要一套数据驱动的迭代机制。其中，大模型本身就可以成为你最高效的“优化助手”。

2.2.1.准备测试集 + 当前Prompt的输出结果

构建一个具有代表性的测试用例集合（Test Set），覆盖常见场景、边界情况和易错点。
对每个用例，使用当前版本的 Prompt 让模型生成一次结果，完整记录原始输出。

这一步是“现状快照”，用于衡量优化前后的效果差异。

---

2. 注入“正确答案”并标注错误原因

为每条测试用例提供期望的标准答案（Golden Answer），并对模型出错的结果添加结构化备注，明确指出：

• ❌ 错在哪里？（如：格式错误、信息遗漏、逻辑跳跃）
• 🤔 可能原因是什么？（如：角色定义模糊、缺少思维链引导、示例不具代表性）
• ✅ 如何改进？（可初步提出修改方向）

这些标注不仅是人工分析的依据，更能作为后续让模型自我诊断的训练信号。

---

3. 让模型参与优化：从“考生”变“阅卷人+出题人”

这才是关键一步——把标注好的数据反馈给模型，请它协助改写Prompt。

你可以这样提问：

“以下是某Prompt在多个测试用例上的表现，包含实际输出、期望结果及错误分析。请根据这些问题，优化原始Prompt，重点解决格式不一致、逻辑缺失等问题，并保持指令简洁清晰。”

模型会基于你提供的“错误模式”自动识别问题根源，并给出更具结构性、约束力更强的新版提示词。

---

最终目标：形成“评估 → 分析 → 优化”的闭环

通过这种“人设定标准 + 模型执行 + 模型反哺优化”的协同方式，
我们不再只是手动调参，而是建立起一个可持续进化的Prompt工程体系——
让AI不仅完成任务，更成为提升自身指令质量的“智能协作者”。

虽然模型能够帮助我们进行初始化和初步优化，但要实现真正的优化，关键还是要靠我们自己的努力和调整。

4.Prompt格式选择

我选择了Markdown（MD）格式来构建Prompt。这不仅仅是因为MD格式美观，更重要的是它结构清晰、撰写方便，并且具有很好的扩展性。总的来说，MD是一个非常不错的选择。

相比之下，JSON格式虽然结构也很清晰，但扩展性较差。如果内容写得过长，很容易让人感到混乱，因此需要慎重选择。

 Prompt模块设计

Prompt由不同的模块组成，每个模块承担不同的功能。根据任务的复杂程度，所需的模块也会有所不同。

5：角色与任务定义

角色定位：在Prompt的最前面明确角色，这是最高指令，告诉模型它的身份和需要调用的能力。角色定位让模型从一个“杂学家”变成特定领域的专家。例如，“你是一名牙科医生”“你是一名数据分析师”“你是一名川菜厨师”等，通过这样的定义，模型知道在当前任务中需要调用哪方面的知识和技能。

任务说明：用一句话清晰地描述模型需要完成的具体任务。例如，对于数据分析师，任务可以是“编写SQL查询数据”“使用Python进行数据分析”“进行数据可视化”或“撰写分析报告”。任务说明让模型明确具体要做什么。

角色和任务的定义共同约束模型，使其专注于调用特定能力来完成具体的事情。

6.核心原则设定

核心原则可以在Prompt设计的初期就明确输出，也可以在后续的调优过程中逐步生成。它相当于模型执行任务时必须遵守的最高准则，具有纲领性质。因此，核心原则不宜过多，最好控制在3条以内，否则容易失效。

例如，在设计生成SQL的Prompt时，为了确保生成的SQL能够正确查询出数据，就需要设定以下核心原则：

- 准确性：生成的SQL语句必须语法正确，能够成功执行并返回预期结果。
- 完整性：SQL语句应涵盖所有必要的字段和条件，确保查询结果的完整性。
- 安全性：避免SQL注入等安全问题，确保查询的安全性。

在进行分词提取任务时，分词的倾向性也可以作为核心原则之一。例如：

- 准确性：分词结果必须准确，符合语义和上下文。
- 一致性：分词标准应保持一致，避免因上下文变化导致分词结果不稳定。
- 完整性：确保所有相关词汇都被提取，不遗漏重要信息。

在最初实现某个任务时，核心原则可能尚未明确。在优化过程中，如果发现提示词主体中某些问题始终无法解决，可以考虑在核心原则中进行调整。模型在执行任务时，会对核心原则给予较高权重，仅次于角色和任务定义。

7.Context Engineering：让上下文发挥最大效能

当前，Context Engineering（上下文工程）的概念比Prompt Engineering（提示词工程）更为流行。一句话概括，就是让上下文以恰当的格式出现在恰当的位置。知识库可以包括多轮对话的长短记忆、知识库RAG结果、提示词、工作流上游输出等。要让上下文发挥最大作用，就必须清晰地组织上下文，并将其放在合适的位置。

 上下文模块组织原则

1. 上下文位置：如果上下文内容较长，最好放在提示词的最后，以免打断提示词的连贯性。
2. 上下文结构：清晰地组织上下文结构，合适的组织形式不仅影响token数量，还会影响性能（此处不详细展开）。
3. 上下文的作用和价值：明确上下文在任务中承担的作用和价值。

在生成SQL的环节中，上下文输入较多，具体组织形式如下：

- 上下文输入：通常放在提示词的结尾处。
- 特别注意：上下文的结构和形式的优化通常与提示词的优化协同进行，二者同步优化才能达到最佳效果。

通过合理组织上下文，可以显著提升模型的性能和输出质量。

8.CoT（思维链）：为AI装上“逻辑导航仪”

CoT（Chain of Thoughts，思维链）并不仅仅是一种提示词技巧，更是一种引导大模型进行结构化思考的底层机制。

它专为那些需要多步推理、条件判断、因果分析等高逻辑密度任务而设计——比如数学计算、复杂决策、数据分析、故障排查等场景。

其核心理念是：

不让AI“直接给答案”，而是让它“一步步想清楚再输出”。

在没有CoT的情况下，模型往往依赖“直觉式预测”，容易跳步、误判，甚至凭空编造结果。而通过显式地要求模型“展示思考过程”，我们相当于为其搭建了一副“思维脚手架”，强制它：

1. 拆解问题 → 2. 明确前提 → 3. 推理中间步骤 → 4. 验证逻辑 → 5. 得出结论

这不仅显著提升答案的准确性，也让整个推理过程可追踪、可审计、可优化。

9. 要求与限制的设置

要求和限制的安排取决于任务的具体需求和复杂程度，可以灵活地放置在推理（CoT）模块内，或者单独作为一个模块，视情况而定。

通常，要求和限制涉及任务中需要特别强调或特殊处理的逻辑。为了清晰起见，建议将要求和限制分开撰写，这样可以更明确地指导模型遵循特定的规则和约束条件。

10.让逻辑一目了然

大模型其实具备一定的“类编程”理解能力。对于结构化逻辑，伪代码比千言万语更清晰。它既不像真实代码那样苛刻，又能精确表达判断、循环、赋值等操作流程。

11.输出规范的重要性

模型有时过于“健谈”，不仅会输出你想要的内容，还会附带大量的思考过程或相关因素，以此来展示它的“聪明才智”。此外，模型有时还会忽略输出格式的要求，导致结果不符合预期。因此，对输出进行规范是十分必要的。一些平台可以实现结构化的输出，但前提是模型能够生成清晰、有条理的内容。

输出规范通常包括两部分：

1. --期望的输出内容和结构--：明确指出你希望模型输出什么，以及这些内容应如何组织。
2. --禁止的输出内容和结构--：明确指出你不希望模型输出什么，以及应避免的组织方式。

最后：框架致胜，人人皆可成为AI指挥官

诚然，不同模型（如GPT、Claude、通义、混元）在风格和细节上各有特点，不同任务场景（数据分析、内容生成、决策支持）也对Prompt提出差异化要求。  

但无论技术如何演进，一个清晰、结构化、可迭代的**核心框架始终通用**。  
只要掌握“角色定位—任务定义—逻辑引导—格式约束”的底层逻辑，每个人都能写出稳定、精准、可工程化的高质量提示词。

我们分享的这套方法，源自腾讯CSIG磐石数据中心在真实业务场景中的长期实践。  
面对海量、复杂、高时效的数据挑战，我们深知：  

> 企业从来不缺数据，缺的是让数据“开口说话”的能力。

而真正的智能，不只是自动化处理，更是--理解、推理与决策--。

依托领先的AI数据分析引擎，CSIG磐石数据中心致力于构建“会思考、能决策”的智能数据中枢，  
助力企业从“数据洪流”中打捞出真正有价值的未来洞察。

——让AI不止于工具，而是成为你最可靠的数字大脑。