---

name: prompt-engineering-patterns description: "掌握高级提示工程技术，最大化 LLM 的性能、可靠性和可控性。" risk: unknown source: community date_added: "2026-02-27"

提示工程模式

掌握高级提示工程技术，最大化 LLM 的性能、可靠性和可控性。

不适用场景

• 任务与提示工程模式无关时
• 需要此范围之外的不同领域或工具时

说明

• 明确目标、约束和所需输入。
• 应用相关最佳实践并验证结果。
• 提供可操作的步骤和验证方法。
• 如需详细示例，请打开 resources/implementation-playbook.md。

适用场景

• 为生产 LLM 应用设计复杂提示
• 优化提示性能和一致性
• 实现结构化推理模式（思维链、思维树）
• 构建具有动态示例选择的少样本学习系统
• 创建带变量插值的可复用提示模板
• 调试和优化产生不一致输出的提示
• 为专业 AI 助手实现系统提示

核心能力

1. 少样本学习

• 示例选择策略（语义相似度、多样性采样）
• 平衡示例数量与上下文窗口限制
• 使用输入-输出对构建有效演示
• 从知识库动态检索示例
• 通过策略性示例选择处理边缘情况

2. 思维链提示

• 逐步推理引导
• 零样本 CoT："让我们一步步思考"
• 少样本 CoT 带推理轨迹
• 自一致性技术（采样多条推理路径）
• 验证和确认步骤

3. 提示优化

• 迭代优化工作流
• A/B 测试提示变体
• 衡量提示性能指标（准确性、一致性、延迟）
• 在保持质量的同时减少 token 使用
• 处理边缘情况和失败模式

4. 模板系统

• 变量插值和格式化
• 条件提示部分
• 多轮对话模板
• 基于角色的提示组合
• 模块化提示组件

5. 系统提示设计

• 设置模型行为和约束
• 定义输出格式和结构
• 建立角色和专业知识
• 安全指南和内容策略
• 上下文设置和背景信息

快速开始

from prompt_optimizer import PromptTemplate, FewShotSelector

# Define a structured prompt template
template = PromptTemplate(
    system="You are an expert SQL developer. Generate efficient, secure SQL queries.",
    instruction="Convert the following natural language query to SQL:\n{query}",
    few_shot_examples=True,
    output_format="SQL code block with explanatory comments"
)

# Configure few-shot learning
selector = FewShotSelector(
    examples_db="sql_examples.jsonl",
    selection_strategy="semantic_similarity",
    max_examples=3
)

# Generate optimized prompt
prompt = template.render(
    query="Find all users who registered in the last 30 days",
    examples=selector.select(query="user registration date filter")
)

关键模式

渐进式披露

从简单提示开始，仅在需要时增加复杂度：

1. 级别 1：直接指令

   • "总结这篇文章"

2. 级别 2：添加约束

   • "用 3 个要点总结这篇文章，聚焦关键发现"

3. 级别 3：添加推理

   • "阅读这篇文章，识别主要发现，然后用 3 个要点总结"

4. 级别 4：添加示例

   • 包含 2-3 个带输入-输出对的示例摘要

指令层次

[系统上下文] -> [任务指令] -> [示例] -> [输入数据] -> [输出格式]

错误恢复

构建能优雅处理失败的提示：

• 包含回退指令
• 请求置信度分数
• 不确定时要求替代解释
• 指定如何表示缺失信息

最佳实践

1. 具体明确：模糊提示产生不一致结果
2. 展示而非描述：示例比描述更有效
3. 广泛测试：在多样化、有代表性的输入上评估
4. 快速迭代：小改动可能产生大影响
5. 监控性能：在生产中跟踪指标
6. 版本控制：将提示视为代码进行适当版本管理
7. 记录意图：解释提示为何如此结构化

常见陷阱

• 过度工程：在尝试简单提示之前就使用复杂提示
• 示例污染：使用与目标任务不匹配的示例
• 上下文溢出：过多示例超出 token 限制
• 模糊指令：留有多种解释的空间
• 忽略边缘情况：未在异常或边界输入上测试