
关于
掌握高级提示工程技术,最大化 LLM 的性能、可靠性和可控性。
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:
-
级别 1:直接指令
- "总结这篇文章"
-
级别 2:添加约束
- "用 3 个要点总结这篇文章,聚焦关键发现"
-
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"
-
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
- 具体明确:模糊提示产生不一致结果
- 展示而非描述:示例比描述更有效
- 广泛测试:在多样化、有代表性的输入上评估
- 快速迭代:小改动可能产生大影响
- 监控性能:在生产中跟踪指标
- 版本控制:将提示视为代码进行适当版本管理
- 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
兼容工具
Claude CodeCursor
标签
AI与机器学习