阅读指南
上一节学习了API参数控制。但参数调得再好，如果提示词写不清楚，AI的回答仍然可能不尽如人意。本节从基础开始——理解什么是提示词、提示词工程，以及真正需要它的场景。
提示词，就是对AI说的话
我们之前在API调用案例里已经用到过提示词，只是没有明确它叫"提示词（Prompt）。提示词的质量，直接决定了AI回答的质量。
messages = [
{"role": "user", "content": "把这句话翻译成英文"} # ←content 这就是提示词
]
想象你在跟一个非常聪明但不了解你的助手对话：
第一句话就是糟糕的提示词，第二句话就是优秀的提示词。
提示词并非越多越好
既然第二句话更详细，那提示词是不是越多越好？未必。
提示词设计其实是一门平衡的艺术：给太少，AI不知道你要什么，可能答非所问；给得刚好，清晰、精准，AI精准命中需求；给太多，不只是消耗Token多，过多的内容反而会干扰AI思考，让质量下降。
一个反例
# 看似详细，实则冗余的提示词
# 重复表达、优先级不清、缺乏结构
"""请帮我翻译下面这段文字。我需要的是英文翻译，翻译的时候请注意语法的准确性，
同时也要考虑语义的完整性，另外在翻译过程中如果遇到专业术语要用专业的表达方式，
还有就是不要添加多余的解释说明，因为我只需要翻译结果就可以了，
格式上也要保持简洁，不需要额外的排版和修饰。"""
# 简洁高效的提示词
# 优点：结构清晰、重点突出、易于理解
"""把这段文字翻译成英文：
- 专业严谨的风格
- 只返回翻译结果，不要解释"""
好的提示词特征
在接下来的内容中，我们会系统学习这些技巧。
既然提示词这么重要，如何设计出优秀的提示词，就成了一门技术——这就是提示词工程。
提示词工程包括：
初级提示词
写一个排序函数
过于简单，AI回复容易跑偏。
优化后
写一个快速排序函数，包含注释
AI给你：
def quick_sort(arr):
"""快速排序实现"""
if len(arr) <= 1:
return arr
pivot = arr[len(arr) // 2] # 选择中间元素作为基准
left = [x for x in arr if x < pivot] # 小于基准的元素
middle = [x for x in arr if x == pivot] # 等于基准的元素
right = [x for x in arr if x > pivot] # 大于基准的元素
return quick_sort(left) + middle + quick_sort(right)
有注释更容易理解，这是最初级的提示词工程——明确说明要求。这是基础，还远远谈不上"提示词工程"。
研究表明，好的提示词能让普通模型超越顶级模型，且优化成本远低于模型训练或参数调优。
这就是为什么提示词工程成为了AI应用开发者的必修课。
不需要提示词工程的场景
如果你只是想：
直接问就好。过度设计提示词反而是累赘：
# 过度设计（没必要）
"""你是一位资深的软件架构师，拥有20年的行业经验，擅长Web开发。
请用通俗易懂的语言，结合实际例子，详细解释以下概念...
问题：什么是RESTful API？
"""
# 直接问（够用）
"什么是RESTful API？用例子说明一下"
原因很简单
AI本身就很擅长解释知识，复杂的提示词反而增加思考成本，容易产生不相干的"废话"。
这种场景下，自然对话才是最好的方式。
必须使用提示词工程的场景
一旦需要精确控制AI的输出，提示词工程就变得至关重要。典型场景包括：
当使用AI生成图像、视频、音频时，提示词工程的重要性成倍放大：
# 图像生成（如Midjourney、DALL-E、Stable Diffusion）
糟糕Prompt："一只猫"
→ 得到普通照片，风格不可控
优秀Prompt："一只蓬松的橙色猫坐在窗台上，黄昏时分的光线，电影级构图，景深效果，4K画质，照片级真实感"
→ 得到电影级画质，风格精准
# 视频生成（如Sora、Runway）
糟糕Prompt："海滩日落"
→ 画面普通，镜头运动不可控
优秀Prompt："宁静海滩的日落场景，慢速跟随镜头，海浪轻轻翻滚，温暖的橙色天空，镜头从左向右移动，24帧率，电影感"
→ 镜头语言、节奏、氛围全部可控
有的人用AI一张满意的图片都很难生成，但有的人确可以用AI进行漫画、电影的创造。差距主要还是在提示词塑造能力上。
多模态生成对Prompt的依赖
| 特点 | 文本生成 | 多模态生成 |
|---|---|---|
| 可调整性 | 生成后可以再改 | 生成后几乎无法修改 |
| 成本 | 几分钱/次 | 几块钱/次，试错成本高 |
| 生成时间 | 几秒 | 几分钟到几十分钟 |
| 结果随机性 | 较小 | 非常大，同一Prompt生成10次都不同 |
多模态的生成和修改成本更高。越是这样，提示词工程就越重要。
生成代码时，细微的Prompt差异会导致结果大相径庭：
糟糕Prompt
写一个API调用函数
AI给你：
import requests
def call_api(url):
response = requests.get(url)
return response.json()
可能不符合项目规范；没有错误处理、重试、日志。
优秀Prompt
使用httpx库编写一个HTTP API调用函数，要求：
1. 支持GET/POST方法
2. 超时时间30秒
3. 失败重试3次，指数退避
4. 记录详细日志（请求/响应/错误）
5. 返回JSON数据，异常时抛出自定义异常
6. 添加类型注解和docstring
AI给你：
import httpx
#......
logger = logging.getLogger(__name__)
@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def call_api(url: str, method: str = "GET", data: Dict[str, Any] = None) -> Dict[str, Any]:
"""
HTTP API调用函数，支持重试和日志记录
Args:
url: API地址
Returns:
JSON响应数据
Raises:
APIError: API调用失败
"""
try:
logger.info(f"请求 {method} {url}, data={data}")
except httpx.HTTPError as e:
logger.error(f"API调用失败: {e}")
raise APIError(f"API调用失败: {e}") from e
代码包含完整的错误处理、重试、日志、类型注解。
当把大模型集成到应用系统中时，Prompt需要像接口文档一样严格定义输出：
举个例子
传统API返回固定的JSON结构：
{
"temperature": 25,
"humidity": 60,
"condition": "sunny"
}
AI API如果不用Prompt控制，返回的是自然语言：
今天天气不错，气温25°C，阳光明媚...
通过Prompt精确控制，可以让AI返回指定格式、字段名、类型的JSON：
{
"temperature": 25, // 数字类型，不带单位
"humidity": 60, // 数字类型（百分比）
"condition": "sunny", // 字符串，小写英文
"feel_like": "comfortable", // 指定字段名用下划线
"advice": [ // 数组类型
"适合户外活动",
"注意防晒"
]
}
格式细节的重要性
假设程序需要解析天气数据：
"temperature": "25度"（字符串带单位），int()转换会报错"Temperature"而你用data["temperature"]，程序会崩溃了解了需要提示词工程的场景后，接下来系统学习Prompt的五要素——角色、任务、上下文、格式、约束，这是设计优秀提示词的核心框架。
| 中文 | English | 音标 | 说明 |
|---|---|---|---|
| 提示词 | Prompt | /prɑːmpt/ | 用户向AI发送的指令或问题文本 |
| 提示词工程 | Prompt Engineering | /prɑːmpt ˌendʒɪˈnɪrɪŋ/ | 设计和优化提示词以控制AI输出的技术 |
| 多模态生成 | Multimodal Generation | /ˌmʌltiˈmoʊdl ˌdʒenəˈreɪʃn/ | AI生成图像、视频、音频等多类型内容 |
| 代码生成 | Code Generation | /koʊd ˌdʒenəˈreɪʃn/ | 通过自然语言描述让AI自动编写代码 |
| 应用集成 | System Integration | /ˈsɪstəm ˌɪntɪˈɡreɪʃn/ | 将大模型接入应用程序系统的开发过程 |