LLM提示工程入門指南

概述與背景

隨著ChatGPT、Claude等大語言模型（LLM）的普及，如何與AI進行有效溝通成為一項關鍵技能。提示工程（Prompt Engineering）就是研究和優化與LLM交互方式的學問，它能幫助我們從AI獲得更準確、更有用的回應。

無論你是開發者、內容創作者還是普通用戶，掌握提示工程都能讓你的工作效率大幅提升。本指南將帶你從零開始，系統性地學習提示工程的核心概念和實用技巧。

本文你能學到

✅ 5種核心提示策略的對比與選擇
✅ 3個完整的實戰案例（代碼生成、數據分析、內容創作）
✅ 進階技巧：思維鏈、ReAct、思維樹
✅ 10個常見問題與解決方案
✅ 提示模板庫，可直接複用

核心概念

什麼是提示（Prompt）？

提示是我們輸入給LLM的文本內容，它可以是問題、指令、描述或任何形式的輸入。提示的質量直接決定了AI回應的質量。

提示的構成 = 指令 + 上下文 + 輸入數據 + 輸出格式

graph TB
    subgraph 提示構成
        A[指令<br/>Instruction] --> E[完整提示]
        B[上下文<br/>Context] --> E
        C[輸入數據<br/>Input Data] --> E
        D[輸出格式<br/>Output Format] --> E
    end

    E --> F[LLM處理]
    F --> G[AI回應]

    style A fill:#e1f5fe
    style B fill:#e8f5e9
    style C fill:#fff3e0
    style D fill:#f3e5f5
    style E fill:#fce4ec
    style F fill:#fff9c4
    style G fill:#c8e6c9

提示工程的基本原則

清晰性：提示應該明確、具體，避免歧義
完整性：提供足夠的背景信息和上下文
結構化：使用適當的格式組織提示內容
可迭代：願意根據結果調整和優化提示

五種核心提示策略對比

graph LR
    subgraph 提示策略選擇決策樹
        A[任務類型?] --> B{複雜度}
        B -->|簡單| C[零樣本<br/>Zero-shot]
        B -->|中等| D{需要示例?}
        B -->|複雜| E{需要推理?}
        D -->|是| F[少樣本<br/>Few-shot]
        D -->|否| C
        E -->|是| G{需要工具?}
        E -->|否| H{多路徑決策?}
        G -->|是| I[ReAct]
        G -->|否| J[思維鏈<br/>CoT]
        H -->|是| K[思維樹<br/>ToT]
        H -->|否| J
    end

    style A fill:#fff9c4
    style B fill:#e1f5fe
    style C fill:#c8e6c9
    style F fill:#c8e6c9
    style I fill:#c8e6c9
    style J fill:#c8e6c9
    style K fill:#c8e6c9

sequenceDiagram
    participant U as 用戶
    participant L as LLM
    participant T as 工具(ReAct)

    Note over U,T: 零樣本流程
    U->>L: 直接提問
    L-->>U: 直接回答

    Note over U,T: 思維鏈流程
    U->>L: 複雜問題+逐步思考請求
    L->>L: 步驟1推理
    L->>L: 步驟2推理
    L->>L: 步驟N推理
    L-->>U: 完整推理結果

    Note over U,T: ReAct流程
    U->>L: 需要外部信息的問題
    L->>L: 思考：需要什麼信息
    L->>T: 調用工具
    T-->>L: 返回結果
    L->>L: 行動：基於結果分析
    L-->>U: 最終答案

策略	適用場景	優點	缺點	推薦指數
零樣本（Zero-shot）	簡單任務	快速、直接	複雜任務效果差	⭐⭐⭐
少樣本（Few-shot）	格式化輸出	結果可控	需要準備示例	⭐⭐⭐⭐
思維鏈（CoT）	複雜推理	推理過程透明	Token消耗大	⭐⭐⭐⭐⭐
ReAct	工具調用	可執行動作	需要工具支持	⭐⭐⭐⭐
思維樹（ToT）	多路徑決策	探索更全面	計算成本高	⭐⭐⭐

提示策略實戰演示

以下截圖展示了在OpenWebUI中使用不同提示策略的實際效果：

OpenWebUI界面

OpenWebUI聊天界面，支持與各種LLM模型對話

1. 零樣本提示（Zero-shot）

Zero-shot示例

直接提問，AI立即給出翻譯結果

2. 少樣本提示（Few-shot）

Few-shot示例

通過示例引導AI學習情感分類模式

3. 思維鏈（Chain of Thought）

Chain-of-Thought

逐步推理過程，AI按步驟計算結果

4. 角色扮演

角色扮演

AI以React專家身份給出專業回答

5. 結構化輸出

結構化輸出

要求JSON格式返回，結果可直接解析使用

6. ReAct模式

ReAct模式

推理+行動模式，AI系統性分析技術選型

1. 零樣本提示（Zero-shot）

直接提問，不提供示例：

將以下文本翻譯為英文：
「人工智能正在改變我們的生活方式」

適用場景：翻譯、摘要、簡單問答

2. 少樣本提示（Few-shot）

提供示例讓AI學習模式：

判斷以下句子的情感傾向：

示例1：
句子：這部電影太精彩了！
情感：正面

示例2：
句子：服務態度很差，再也不來了。
情感：負面

示例3：
句子：今天的天气一般般。
情感：中性

請判斷：
句子：這家餐廳的菜品很有特色，但價格偏貴。
情感：？

適用場景：分類、格式化輸出、風格模仿

3. 思維鏈（Chain of Thought）

引導AI逐步推理：

一個商店有120個蘋果，第一天賣出了1/3，
第二天賣出了剩餘的1/2，第三天又進貨了50個。

請計算現在還有多少蘋果？請一步一步計算。

步驟1：計算第一天賣出的數量
步驟2：計算第一天後剩餘的數量
步驟3：計算第二天賣出的數量
步驟4：計算第二天後剩餘的數量
步驟5：加上第三天進貨的數量
步驟6：得出最終結果

適用場景：數學推理、邏輯分析、複雜問題

4. ReAct（推理+行動）

結合推理和工具調用：

你是一個AI助手，可以使用以下工具：
- search(query): 搜索網絡信息
- calculate(expression): 計算數學表達式
- weather(location): 查詢天氣

問題：北京今天的天氣如何？適合戶外運動嗎？

思考過程：
1. 需要查詢北京今天的天氣
2. 調用 weather("北京")
3. 根據溫度、濕度、空氣質量判斷是否適合運動

適用場景：問答系統、自動化任務、研究調研

5. 思維樹（Tree of Thoughts）

探索多條推理路徑：

問題：創業應該選擇哪個方向？

請從多個角度思考，每個角度提出2-3個選項，
然後評估每個選項的優缺點，最後綜合給出建議。

角度1：市場需求
角度2：技術門檻
角度3：資金要求
角度4：競爭格局

每個角度列出可能的選項，評估後選擇最優路徑。

適用場景：決策分析、創意生成、策略規劃

三個實戰案例

graph TB
    subgraph 實戰案例應用場景
        A[案例1<br/>代碼生成] --> A1[Python函數開發]
        A --> A2[配置文件解析]
        A --> A3[錯誤處理實現]

        B[案例2<br/>數據分析] --> B1[銷售數據分析]
        B --> B2[趨勢預測]
        B --> B3[報告生成]

        C[案例3<br/>內容創作] --> C1[博客大綱]
        C --> C2[技術文檔]
        C --> C3[教程編寫]
    end

    style A fill:#e3f2fd
    style B fill:#e8f5e9
    style C fill:#fff3e0

案例1：代碼生成助手

代碼生成實戰

AI生成的Python配置解析器代碼

需求：讓AI生成一個Python函數，解析JSON配置文件

你是一位資深Python開發者，請編寫一個函數來解析JSON配置文件。

要求：
1. 函數名：parse_config
2. 參數：config_path（配置文件路徑）
3. 返回：配置字典
4. 錯誤處理：
   - 文件不存在時返回默認配置
   - JSON格式錯誤時拋出異常並提示具體位置
5. 支持環境變量覆蓋配置項
6. 添加完整的類型註解和文檔字符串

示例配置文件格式：
{
  "database": {
    "host": "localhost",
    "port": 5432,
    "name": "myapp"
  },
  "logging": {
    "level": "INFO",
    "file": "app.log"
  }
}

請提供完整代碼，包括單元測試。

AI輸出要點：

使用 json.load() 和 try-except
使用 dataclasses 定義配置類
使用 os.environ.get() 覆蓋配置
使用 pytest 編寫測試

案例2：數據分析報告生成

數據分析實戰

AI生成的銷售數據分析報告

需求：從銷售數據生成分析報告

你是一位數據分析師，請根據以下銷售數據生成分析報告。

數據：
| 月份 | 產品A | 產品B | 產品C | 總計 |
|------|-------|-------|-------|------|
| 1月  | 1200  | 800   | 500   | 2500 |
| 2月  | 1500  | 900   | 600   | 3000 |
| 3月  | 1100  | 1100  | 700   | 2900 |

報告要求：
1. 整體趨勢分析（哪個月最好？為什麼？）
2. 產品對比分析（哪個產品增長最快？）
3. 異常值檢測（有沒有異常數據？）
4. 下季度預測建議
5. 使用markdown表格展示數據

報告格式：
# 銷售數據分析報告

## 數據概覽
[表格和描述]

## 趨勢分析
[分析內容]

## 產品對比
[對比圖表描述]

## 異常檢測
[異常說明]

## 預測與建議
[建議內容]

案例3：內容創作助手

內容創作實戰

AI生成的Docker容器化博客大綱

需求：寫一篇技術博客文章大綱

你是一位技術博主，請為以下主題生成博客文章大綱：

主題：Docker容器化最佳實踐

目標讀者：有1-2年經驗的開發者
文章長度：約5000字
風格要求：
- 實用為主，理論為輔
- 包含代碼示例
- 包含常見問題解答

大綱要求：
1. 引言（為什麼要容器化）
2. 核心概念（3-5個）
3. 實戰步驟（5-7步）
4. 最佳實踐（5-8條）
5. 常見問題（5-10個）
6. 總結

請為每個部分提供：
- 預計字數
- 核心要點
- 代碼示例提示

進階技巧

思維鏈進階：自我一致性（Self-Consistency）

讓AI從多個推理路徑中選擇最可靠的結果：

請用三種不同的方法解決這個問題，然後比較結果：

問題：一個投資組合的年化收益率是多少？
- 初始投資：100萬
- 第一年末：110萬
- 第二年末：125萬
- 第三年末：140萬

方法1：簡單平均法
方法2：幾何平均法
方法3：時間加權法

請分別計算，然後說明哪種方法更適合這個場景。

ReAct進階：多工具協作

你是一個研究助手，需要完成以下任務：

任務：分析「人工智能在醫療領域的應用」

可用工具：
- search(query): 搜索學術論文
- summarize(text): 縮長文本
- translate(text, lang): 翻譯文本
- extract_keywords(text): 提取關鍵詞

執行計劃：
1. 搜索相關論文（至少5篇）
2. 提取每篇論文的關鍵詞
3. 總結每篇論文的核心貢獻
4. 綜合分析，生成研究報告

請逐步執行並記錄每一步的結果。

提示模板複用

創建可複用的提示模板：

# prompt_templates.py

CODE_REVIEW_TEMPLATE = """
你是一位代碼審查專家，請審查以下代碼：

語言：{language}
文件：{filename}

代碼：
```{language}
{code}

請從以下角度審查：

代碼風格（命名、格式）
潛在bug（空指針、邊界條件）
性能問題（時間/空間複雜度）
安全問題（注入、敏感數據）
可維護性（註釋、結構）

輸出格式：

問題列表

行號	類型	描述	建議

總體評分

X/10

改進建議

[具體建議] """

使用

prompt = CODE_REVIEW_TEMPLATE.format( language=“python”, filename=“utils.py”, code=code_content )


## 十個常見問題解答

### Q1: 為什麼AI的回答有時會「幻覺」？

**原因**：LLM基於概率生成文本，可能生成看似合理但實際不正確的內容。

**解決方案**：
- 要求AI標註信息來源
- 使用RAG（檢索增強生成）
- 對關鍵信息進行事實核查
- 添加約束：「如果你不確定，請直接說不知道」

### Q2: 如何讓AI輸出更穩定一致？

**解決方案**：
```text
請嚴格按照以下格式輸出，不要添加任何額外內容：

{
  "summary": "一句話總結",
  "key_points": ["要點1", "要點2", "要點3"],
  "confidence": "高/中/低"
}

Q3: 如何處理長文本輸入？

解決方案：

分段處理，逐步總結
使用滑動窗口技術
先提取關鍵信息，再進行分析

Q4: 如何讓AI記住之前的對話？

解決方案：

在提示中包含對話歷史
使用API的messages參數傳遞上下文
總結之前的對話要點作為新的提示

Q5: 不同LLM的提示策略有區別嗎？

對比：

模型	特點	提示建議
GPT-4	推理能力強	可用複雜提示
Claude	長文本處理好	可輸入大量上下文
Llama	開源可定製	需要更明確的指令
Gemini	多模態	可結合圖像輸入

Q6: 如何評估提示的效果？

評估方法：

A/B測試不同提示
使用基準測試集
人工評估質量
監控輸出一致性

Q7: 如何處理敏感話題？

解決方案：

請以客觀、中立的方式回答，如果問題涉及敏感內容，
請提供多方觀點，並標註信息來源。

Q8: 如何讓AI生成代碼更規範？

解決方案：

請生成符合以下規範的代碼：
- 使用PEP8風格（Python）
- 添加類型註解
- 添加docstring
- 包含錯誤處理
- 編寫單元測試

Q9: 如何減少Token消耗？

解決方案：

精簡提示，去除冗餘
使用縮寫和代號
分批處理長任務
緩存常用結果

Q10: 如何持續改進提示？

迭代流程：

記錄當前提示和結果
分析不足之處
修改提示
對比結果
保留最佳版本

最佳實踐清單

提示模板庫

代碼生成模板

語言：{language}
任務：{task}
要求：
- {requirement1}
- {requirement2}
- {requirement3}

請提供：
1. 完整代碼
2. 使用示例
3. 注意事項

文檔撰寫模板

主題：{topic}
受眾：{audience}
長度：{length}

大綱：
1. 背景
2. 核心內容
3. 實例
4. 總結

風格：{style}

數據分析模板

數據：{data_description}
目標：{analysis_goal}

請提供：
1. 數據概覽
2. 趨勢分析
3. 異常檢測
4. 建議方案

格式：使用表格和圖表描述

提示工程最佳習慣

迭代優化：根據結果不斷調整提示
保存有效提示：建立個人的提示模板庫
理解模型特性：不同模型可能需要不同的提示策略
注意隱私：不要在提示中包含敏感信息
版本管理：對重要提示進行版本控制
文檔化：記錄提示的設計思路和效果

總結

提示工程是一項需要不斷練習的技能。通過本指南，你已經掌握了：

✅ 提示工程的基本概念和原則
✅ 5種核心提示策略的對比與選擇
✅ 3個完整的實戰案例
✅ 進階技巧：思維鏈、ReAct、思維樹
✅ 10個常見問題與解決方案
✅ 可複用的提示模板庫

記住：好的提示 = 清晰的目標 + 足夠的上下文 + 適當的結構。持續練習，你會發現與AI的溝通越來越順暢。

LLM提示工程入門指南

概述與背景

本文你能學到

核心概念

什麼是提示（Prompt）？

提示工程的基本原則

五種核心提示策略對比

提示策略實戰演示

OpenWebUI界面

1. 零樣本提示（Zero-shot）

2. 少樣本提示（Few-shot）

3. 思維鏈（Chain of Thought）

4. 角色扮演

5. 結構化輸出

6. ReAct模式

1. 零樣本提示（Zero-shot）

2. 少樣本提示（Few-shot）

3. 思維鏈（Chain of Thought）

4. ReAct（推理+行動）

5. 思維樹（Tree of Thoughts）

三個實戰案例

案例1：代碼生成助手

案例2：數據分析報告生成

案例3：內容創作助手

進階技巧

思維鏈進階：自我一致性（Self-Consistency）

ReAct進階：多工具協作

提示模板複用

問題列表

總體評分

改進建議

使用

Q3: 如何處理長文本輸入？

Q4: 如何讓AI記住之前的對話？

Q5: 不同LLM的提示策略有區別嗎？

Q6: 如何評估提示的效果？

Q7: 如何處理敏感話題？

Q8: 如何讓AI生成代碼更規範？

Q9: 如何減少Token消耗？

Q10: 如何持續改進提示？

最佳實踐清單

提示模板庫

代碼生成模板

文檔撰寫模板

數據分析模板

提示工程最佳習慣

總結

參考資料

💬 評論區

請我喝杯咖啡