illegalCreed

中文

English

中文

English

Appearance

入门 ​

基于 OpenAI Prompt Engineering Guide（developers.openai.com）+ Anthropic Prompting Best Practices（platform.claude.com）编写，对照 2026-07 官方文档

速查 ​

  • 总入口策略：先 Zero-shot 直接下指令 → 效果不足加 Few-shot（3–5 个示例） → 仍不行才 fine-tuning
  • 四段式结构：Identity（角色/目标）→ Instructions（规则/禁令）→ Examples（示例）→ Context（数据）
  • 消息角色三态：OpenAI developer / user / assistant（developer 取代 legacy system）；Anthropic system / user / assistant
  • 角色权威层级：developer（或 system）> user > assistant——把规则抬到最高层能提高遵守度
  • 三种 CoT：Zero-shot CoT（"Let's think step by step"）/ Few-shot CoT（示例带推理）/ 模型内建 reasoning + Extended Thinking
  • 结构化输出三层演进：JSON Mode（仅合法 JSON）→ Structured Outputs（json_schema + strict: true，schema 校验）→ Function Calling（tools + tool_choice，触发外部动作）
  • Token 估算：1 token ≈ 4 字符 / 0.75 英文词；中文每字约 1–2 token；上下文窗口 ~100K 到 1M 不等
  • Prompt Caching：稳定前缀打 cache_control 断点，读 0.1× / 写 1.25×（5min TTL），多轮场景省 80–92%
  • Anthropic 黄金法则：把提示给一个零背景同事看，他若困惑模型也会困惑——清晰具体优于模糊强求

提示工程的核心心智 ​

提示工程的本质是用自然语言给模型下「规格说明」——和给同事写需求文档没本质区别。OpenAI 与 Anthropic 官方指南都把这条原则放在最前面：

  • 清晰直接：把任务、输入、输出格式、约束写具体，不要让模型「猜」你的隐性预期
  • 加上下文：相关数据、领域知识、边界条件，越具体越好
  • 用例子说话：3–5 个多样、覆盖边界的示例，比写一堆规则更有效
  • 结构化：用 Markdown 标题、XML 标签把「这是什么」标清楚
  • 自检：让模型在出答案前先 verify against [test criteria]

Anthropic 黄金法则：把提示给一个零背景同事看，他若困惑模型也会困惑。

提示范式：从 Zero-shot 到 CoT ​

Zero-shot：什么都不给 ​

定义：不提供任何示例，仅靠任务描述触发模型预训练知识。

text
请把下面这句话翻译成英文：
今天天气真好。

适用：通用任务（翻译、改写、分类、总结），模型预训练阶段已见过大量同类样本。

OpenAI GPT-5 系列宣称「no examples needed」的零到一能力——简单任务默认 Zero-shot 就够。

Few-shot：给 3–5 个示例 ​

定义：在 developer / system / user 消息内提供 3–5 个输入/输出示例，让模型从示例中学习任务模式。

text
请把单词分类为「水果」或「蔬菜」：

苹果 → 水果
胡萝卜 → 蔬菜
香蕉 → 水果
土豆 →

适用：格式迁移、风格对齐、边缘情况——示例是迁移任务格式最稳的杠杆。

Anthropic 推荐：用 <example> / <examples> 标签包裹示例，让模型明确「这是例子，不是新指令」。

Chain-of-Thought（CoT）：分步推理 ​

三种实现形态：

形态做法适用
Zero-shot CoT在 prompt 末尾追加「Let's think step by step」通用触发
Few-shot CoT示例里带推理过程推理范式迁移
Extended ThinkingAPI 参数 thinking（Anthropic）或推理模型（OpenAI o-series）复杂多步推理

适用：数学、代码、多跳问答、逻辑推理——分步推理显著降低错误率。

反模式：简单分类任务别加 CoT——徒增 token、降低吞吐。

4.7+ 模型应使用 thinking: {type: 'adaptive'} + output_config: {effort: 'low/medium/high'}，旧版 budget_tokens 已 deprecated。

角色设定与 System Prompt ​

角色设定（System Prompt）是给模型套上一层「人格 / 行为框架」——它定义模型在整个对话中的 tone、视角、约束。

OpenAI 写法：用 role: 'developer'（取代 legacy system'）消息，或 Responses API 的 instructions 参数。

text
你是「车险理赔审核专家」，拥有 10 年经验。
你的工作：审阅用户提交的理赔材料，输出是否赔付 + 理由。
约束：只基于用户提供的材料，不可臆造事实。

Anthropic 写法：顶层 system 参数（可传字符串或 content blocks 数组）。

角色设定的本质是提高 developer/system 消息的权威层级，把规则从 user 层抬到最高层，模型遵守度显著提高。OpenAI 明确：instructions 参数只对当次响应生效、不跨 previous_response_id 持久化。

结构化提示：四段式 + XML 标签 ​

Anthropic 实测：在多段混合提示里，模型容易混淆「指令 vs 上下文」。XML 标签把「这是什么」标清楚，可显著降低误解。

xml
<identity>你是一位资深数据分析师。</identity>

<instructions>
请基于下方数据回答问题。规则：
1. 数字四舍五入到 2 位小数
2. 缺失值显示为 N/A
</instructions>

<examples>
<example>
<input>Q1 销售额？</input>
<output>1234.56 万元</output>
</example>
</examples>

<context>
Q1 销售额 1234.555 万、Q2 2345.6 万、用户数 80 万。
</context>

<question>Q1 销售额是多少？人均销售额是多少？</question>

OpenAI 等价方案：Markdown 标题 + 列表，配合 Identity → Instructions → Examples → Context 四段式布局。两家方案可互换，但 XML 边界更明确。

Token 经济基础 ​

概念数值
1 token≈ 4 字符 / 0.75 英文词
中文每字约 1–2 token
上下文窗口~100K（GPT-4o）/ 200K（Claude）/ 1M（GPT-4.1）
Prompt Caching 读0.1× 基础价（5min TTL）
Prompt Caching 写1.25×（5min）/ 2×（1h）
Cache 断点上限4 个
最低可缓存 token512 ~ 4096（因模型而异）

核心反模式：长 system prompt 每次重发不计 cache、CoT 无限拉长、把已知参数交给模型瞎填——账单会失控。

最佳实践：稳定前缀置顶打 cache、长文档数据置顶 + 提问置尾（Anthropic 实测可提升 ~30%）、简单任务关闭 thinking、已知值应用层注入而非让模型生成。

下一步 ​

  • 核心范式与结构化输出：四种范式深度对比、Structured Outputs 与 Function Calling 三层演进、消息角色层级、Token 经济实战、反模式
  • 参考：完整 API 参数表、版本变化、官方资源、迁移指南