提示工程 (Prompt engineering)

写出能让 LLM 稳定产出高质量结果的 prompt 的技术，包含结构、示例、角色设定、限制条件。

Prompt engineering 是设计喂给 LLM 的文字，让它做你要它做的事的技术。涵盖指令放哪里、要不要放示例、给模型什么角色、加什么限制、要它输出什么格式。它重要的原因是：同样一个任务，prompt 写法不同结果差很多。「总结这个」会给你很普通的输出；「用三个 bullet point 总结，给忙碌主管看，聚焦财务影响」就能直接用。模型对 phrasing、顺序、示例极度敏感——小改动可能让成功率从 60% 跳到 95%。简单例子：抽结构化数据。差的 prompt：「给我数据」。好的：「从下面文字抽出公司名称、融资金额、轮次（Series A/B/C 等）。返回 JSON，key 为 company、amount_usd、round。缺字段用 null。」第二个指定输出 schema、处理缺字段、厘清币别。常见技巧：few-shot 示例、chain-of-thought、角色设定、明确输出格式、负面限制、prefill assistant 回答开头。Anthropic、OpenAI、Google 都有自家模型的官方 prompt engineering 指南——从那边开始，不要看随机的 Twitter thread。延伸阅读：few-shot、chain-of-thought、system prompt、prompt injection。