基础提示设计
基础提示设计是与 LLM 交互的「提示侧」基础工程——它把「求模型办件事」这件自然语言动作，拆成可复用、可版本化、可观测的结构化制品。它覆盖四块核心：提示范式（Zero-shot / Few-shot / Chain-of-Thought / 角色设定）、消息结构（developer / user / assistant 三态与 system prompt）、结构化输出（JSON Mode → Structured Outputs → Function Calling 的三层演进）、Token 经济与模板工程（prompt caching、上下文窗口、代码内版本化提示）。OpenAI 与 Anthropic 两家官方指南在底层逻辑上一致——清晰、具体、有结构、用例子说话——但在落地 API 上各有偏好：OpenAI 把格式约束下沉为 response_format / tool strict 等强类型参数，Anthropic 推崇 XML 标签划定逻辑边界与 prompt caching 的细粒度控制。本主题是 Prompt Engineering 的最权威统一入口，后续 RAG / Agent / 多模态等高级主题都建立在这些基础之上。当前（2026-07）两家趋势一致：从「手写自然语言约束」走向「结构化 API 参数（strict / adaptive thinking / cache_control）下沉控制」。
评价
优点
- 杠杆比最高：同一模型，提示从模糊改到清晰，效果提升常常大过换一代模型——是性价比最高的工程手段
- 可版本化：提示放进代码模块、过 code review 与测试，配合 feature flag 灰度，能走正常 CI/CD 流程
- 结构化输出可靠：
strict: true把 schema 校验下沉到解码层，可靠性接近 100%，省掉重试与 parse 兜底 - 可缓存省钱：稳定前缀打
cache_control断点，多轮对话 / 批处理可省 80–92% 输入费用 - 跨模型迁移性强：四段式（Identity → Instructions → Examples → Context）+ XML 标签的结构，在两家厂商模型上都基本通用
- 降本增效组合拳：Zero-shot 优先 → 不足加 Few-shot → 仍不行才 fine-tuning，避免无谓消耗上下文
缺点
- 效果不稳定：同一提示在不同模型、不同温度、不同上下文长度下表现差异巨大，需要 A/B 测试
- 手写约束会被违反：纯自然语言写「You MUST return JSON」总会有少量响应不合规，必须配合 Structured Outputs
- Token 计量容易失控：长 system prompt 不打 cache、CoT 无限拉长、把已知参数交给模型瞎填，账单会失控
- 厂商 API 演进快：OpenAI 已弃用 Saved Prompts（2026-11-30 关停）、
role: 'system'改为developer；Anthropic 的budget_tokens在 4.6 deprecated、4.7+ 直接 400——提示工程师必须持续跟版本 - 过拟合陷阱：堆几十个相似 Few-shot 示例，模型会学到表面模式（如统一的开头词）而非任务本质
- 反懒人提示翻车：把「CRITICAL: You MUST...」这种激进措辞搬给 4.6+ 模型，会从「触发不足」翻转为「过度触发」
文档地址
- OpenAI Prompt Engineering Guide
- OpenAI Structured Outputs Guide
- OpenAI Function Calling Guide
- Anthropic Prompting Best Practices
- Anthropic Extended Thinking
- Anthropic Prompt Caching