03篇 AI从零开始 - Prompt提示语学习与应用

2025-02-12

字数统计: 5.7k字 | 阅读时长≈ 20分

做一个有温度和有干货的技术分享作者 —— Qborfy

前面我们在02篇 AI从零开始 - 部署本地大模型 DeepSeek-R1中学习如何搭建本地大模型，本篇我们学习如何使用Prompt提示语，来让 AI 返回结果更加有符合我们所需要的效果。

1. Prompt提示语基础学习

在很多AI学习的文章中，我们都会看到Prompt提示语，那么Prompt提示语是什么，有什么作用呢？

在OpenAI的官方文档中，对Prompt提示语的解释是：

Prompt: A prompt is a short text that is used to guide the model’s output. It can be used to provide context, specify the desired output format, or even to control the model’s behavior.
翻译中文则是“Prompt: Prompt是一种用于指导模型输出的短文本。它可以用于提供上下文、指定所需的输出格式，甚至可以用于控制模型的行为。”

我们简单理解一下，Prompt提示语就是，我们给模型输入一段文本，告诉模型，我们想要什么结果，模型就会按照我们的要求，生成我们想要的结果。

一个规范的提示语，有几个关键的组成部分:

角色: 是指希望 AI 在完成任务时所扮演的身份或视角。通过定义角色，可以让 AI 的输出更具专业性、针对性或特定风格。
上下文: 是提供给模型的背景信息或对话历史，它像一条线索链，帮助 AI 更好地理解当前任务的关联性和具体要求。
指令/任务: 是希望 AI 执行的具体操作的核心陈述。它是提示语的“行动命令”，直接影响输出的方向和形式。
范例: 是提示语中最直观的示范材料，它能像教学案例一样具象化你的需求，降低沟通歧义。
输出格式: 就像为AI搭建一个展示成果的舞台框架，它决定了信息的组织方式和最终呈现形态。合理设置格式可以提升信息传达效率，尤其适用于需要结构化数据的场景。

接下来，我们针对不同的提示语分别了解一下提示语不同组成部分的作用。

1.1 角色

为什么需要设置角色？

想象你要拍一部电影：

无指定角色：演员自由发挥，可能不符合剧情需求；
明确角色：导演指定演员演医生、侦探或喜剧人，表演会更贴合剧本。

同样，赋予 AI 角色相当于让它戴上不同的“职业帽子”，输出效果会有显著差异！

如何通过角色优化提示语？

1️⃣ 专业型角色

当需要权威性或技术性内容时，可指定专家身份：

❌ 普通提问：
“告诉我如何减肥。”
✅ 角色限定：
“假如你是营养学教授，为一名BMI超标的上班族制定安全减重方案，需包含饮食、运动和心理调节建议。”

2️⃣ 创意型角色

激发 AI 的故事力或艺术性表达：

❌ 通用请求：
“写一首诗。”
✅ 角色+风格：
“模仿李白的浪漫主义风格，以‘人工智能与月亮’为主题，写一首七言绝句。”

3️⃣ 中介型角色

让 AI 模拟特定对象的口吻：

❌ 直白需求：
“教孩子刷牙。”
✅ 角色转换：
“你是一只爱干净的卡通兔子，用儿歌和拟声词教3岁小朋友正确的刷牙步骤。”

角色的进阶用法

多重角色协作：
“你既是编剧又是影评人。先为科幻短片《火星幼儿园》写一个大纲，再从观众角度分析它的创新点和风险。”
反向角色训练：
“你现在是小学生，我来教你勾股定理。如果我讲解不清楚，请随时提出幼稚的问题。”

注意事项

🎯 角色与目标一致：避免让诗人写代码，或程序员作抒情诗（除非刻意制造反差）；
📝 细化角色特征：年龄、行业、性格等描述越具体，输出越生动；
🔄 动态调整角色：同一对话中可通过指令如“现在切换为经济学家身份”改变 AI 应答模式。

小练习✨

优化以下提示语，加入角色设定：
❌ 原句：”介绍一下太阳能的好处。”
✅ 参考答案：”假设你是环保机构的科普讲师，用通俗易懂的语言向农村老人列举太阳能的3个实际优点，避免使用专业术语。”

通过角色设定，你能像导演指挥演员一样，精准调动 AI 的能力边界和表达风格🎭。试试给你的下一个提示语“发一张工作证”吧！

1.2 上下文

为什么要关注上下文？

假设你和朋友聊天：

没有上下文：
你突然说：”好的，明天见！”
朋友会困惑：”明天要见面吗？约在哪里？”
有上下文：
你先说：”周末想去看电影吗？” → 朋友回复：”好啊，看哪部？” → 你再答：”《奥本海默》怎么样？明晚7点万达影院。” → 最后说：”没问题，明天见！”
（通过多轮对话建立清晰的情境）

同理，AI 需要足够的上下文才能精准回应你的需求。

如何在提示语中添加上下文？

1️⃣ 单次提问中提供背景

❌ 模糊提问：
“这段话翻译成英文。”
（AI 不知道原文用途、语气或专业术语是否需要调整）
✅ 带上下文的提问：
“这是一份医疗器械说明书的技术参数部分，请用专业学术英语翻译以下中文段落，保留术语缩写：[附上原文]”

2️⃣ 多轮对话中延续上下文

第一轮：
“我想写一封辞职信，模板太正式了，能帮我改得温和一些吗？”
AI 生成初稿。
第二轮：
“谢谢！请在结尾加一句‘感谢团队过去三年的支持’，并用口语化词汇替换‘因个人职业规划’这句。”
（AI 会根据前文调整，而不是重新生成无关内容）

3️⃣ 隐式上下文的利用

即使不主动说明，AI 也会根据输入内容自动推断隐含信息。例如：

你输入：”李白是谁？” → AI 默认回答诗人身份。
若你输入：”王者荣耀里的李白技能怎么用？” → AI 会自动切换到游戏角色解析。

上下文的常见误区

🚫 信息过载：堆砌无关细节会让 AI 迷失重点。
✅ 技巧：只保留与任务强相关的背景。
🚫 断层跳跃：在多轮对话中突然切换话题而不重置上下文。
✅ 技巧：新任务开始时可以说”现在我们需要讨论另一个问题……”

小练习✍️

优化以下缺乏上下文的 Prompt：
❌ 原句：”解释一下量子力学。”
✅ 优化后：”我是一名高中生，刚学完原子结构章节，请用比喻和日常例子简单解释量子力学中的‘叠加态’概念。”

通过合理控制上下文，你可以让 AI 的输出更贴近真实需求，就像给导航软件设定起点和终点一样重要 🌟

1.3 指令/任务

指令的本质是什么？

如果把 AI 比作员工，那么指令就是你布置的工作任务。
-模糊指令 = “整理这份资料”（员工不确定按什么标准分类或呈现）
-清晰指令 = “将会议纪要中的待办事项提取出来，按优先级排序，标记负责人和截止时间”（明确动作、规则、交付形态）

如何设计有效指令？

1️⃣ 动词先行 + 结果导向

直接用动词开头，声明核心任务类型：

❌ 笼统请求：
“关于气候变化的数据。”
✅ 明确指令：
“对比近十年全球碳排放量变化趋势，用柱状图数据表格展示，标注主要国家增减幅度。”

2️⃣ 区分任务层级

基础操作类（单一动作）：
“将以下英文论文摘要翻译成简体中文。”
综合分析类（多步骤处理）：
“阅读这三篇社会学的田野调查报告，总结研究方法共性，批判性分析其样本选择偏差风险。”

3️⃣ 约束条件绑定

附加限制条件缩小任务范围：
-“用小学生能理解的比喻，解释区块链原理（不超过100字）”
-“生成5条七夕节珠宝促销朋友圈文案，要求押韵，每条附带表情符号🌹💎”

典型错误与修正

问题类型	❌ 低效示例	✅ 优化思路
缺少主指令	“我觉得最近经济形势不太好……”	➡️ 补全动作：”分析当前CPI上涨对普通人消费的影响，并提出3条省钱建议。”
多指令混杂	“总结这本书并推荐类似书籍再写个书评”	➡️ 分步拆解： 1. 用三句话概括《人类简史》核心观点 2. 推荐3本同主题著作并说明理由 3. 撰写200字幽默风格短评
指令过泛	“写一篇关于人工智能的文章”	➡️ 精准聚焦： 1. 用一句话概括人工智能技术发展现状 2. 介绍人工智能在医疗、金融、教育等领域的应用 3. 分析人工智能对人类社会的影响
指令过细	“用表格展示2023年Q4各品类销售数据”	➡️ 精简概括： 1. 用柱状图展示各品类销售额占比 2. 用折线图展示销售额变化趋势 3. 用饼图展示各品类销售额占比变化趋势

高阶技巧

隐性指令传递：
通过示例暗示任务要求（如提供已排版文本让 AI 模仿格式）
元指令调控：
预先约定响应规则（例：”所有回答先用一句话总结结论，再用分点论述”）

小练习

改写以下模糊指令：
❌ 原句：”处理这些客户反馈。”
✅ 参考方案：”从2023年Q4投诉邮件中统计出现频率最高的前5类质量问题，用饼图可视化占比，并提出改进措施关键词。”

清晰的指令如同GPS坐标，能让 AI 准确抵达目的地📍。记住：不要问AI能做什么，而是告诉TA该怎么做。

1.4 范例

为什么需要提供范例？

试想两种学习方式：

纯文字描述：
“画一只猫，要有科技感”
图文对照：
“参考这张赛博朋克风格的机械猫设计图（附图），保持齿轮关节和荧光线条的特征，但把瞳孔改成三角形”

显然第二种方式更能锁定预期效果。范例就是给AI的视觉锚点或样式模板。

何时需要使用范例？

1️⃣ 风格迁移

当涉及抽象审美或文体要求时：

❌ 语言描述困难：
“我想要复古的海报字体”
✅ 图片+文字说明：
“参照这张1950年代电影海报的字体风格（附图），为咖啡馆店名’旧时光’设计LOGO，保留斑驳纹理但不做褪色处理”

2️⃣ 复杂格式规范

需要结构化输出时：

❌ 纯文本要求易出错：
“按照学术期刊格式调整参考文献”

✅ 提供模板示例：

# 目标格式示例：
[1] Author A, Author B. Title[J]. Journal Name, 2023, 10(2): 25-30. DOI:xxxx  
# 待处理的原始文献：  
Smith J et al. Climate Change Impacts... (后续略)

3️⃣ 语义校准

防止专业领域用词偏差：

❌ 泛化表述：
“写芯片制造工艺的创新点”
✅ 对标样例：
“仿照下面这段光刻技术突破的描述（附范例），用相同技术文档结构说明3D封装工艺的优势：
【范例】极紫外光刻(EUV)通过…实现了线宽微缩至7nm以下…(下略)”

范例的使用技巧

方法	应用场景	实例
正反例对比	明确质量红线	“广告标语要像例句A这样突出产品功能，避免例句B空洞的情感词”
渐进迭代	持续优化输出	首轮提供基础范例→收到初稿后追加修改意见：”请参考新范例增加数据对比模块”
跨模态引导	打通不同表现形式	上传手绘流程图草图并要求：”将此逻辑转化为PPT图示，配色参考附件企业VI手册”

注意事项

⚠️ 版权风险：避免直接复制受保护的内容作为范例
💡 适度精简：关键片段优于完整长文（特殊需求除外）
🔄 动态更新：长期使用时定期刷新范例以防模型过拟合陈旧模式

小练习🔧

优化以下提示语：
❌ 原句：”帮我想几句婚礼祝福语”
✅ 升级版：

请模仿这个获奖贺词的排比句式（附范例），创作3句适合长辈致辞的中式婚礼祝福语，每句以"一愿"开头，融入梅兰竹菊意象：

【范例】
"一愿你策马山河，青春不改凌云志  
二愿你执笔星辰，热血常存赤子心  
三愿你回望征途，笑颜永似少年时"

用好范例就如同给AI配备了「临摹字帖」，能大幅提升输出质量的稳定性和精确度✨ 下次遇到抽象需求时，记得问自己：能否找到一个具体参照物来示范？

1.5 输出格式

为什么要规定输出格式？

设想你需要一份报告：

无格式要求：
AI可能返回杂乱的长段落，关键信息被淹没
有格式约束**:
“用Markdown表格对比iPhone14/15参数，分为屏幕、摄像头、电池三列，最后添加优缺点总结栏”

后者不仅便于快速扫描比较，还能直接复制到文档中使用，节省二次编辑时间。

常见格式类型及应用

格式类别	适用场景	示例指令
自然段落	故事创作、观点阐述	“用三个连贯段落描述未来城市交通，每段以设问句开头”
结构化列表	要点罗列、步骤说明	“列出5种提高记忆力的科学方法，每个方法含①原理简述②实操步骤③每日耗时”
表格/图表	数据对比、参数分析	“创建对比表显示各省GDP增速，包含排名、省份名称、2022vs2023增长率、变化幅度”
代码块	编程辅助、公式展示	“用Python代码演示线性回归预测房价，要求包含注释和matplotlib可视化部分”
对话体	情景模拟、访谈记录	“编写客服与顾客关于退换货政策的对话，体现专业性与共情力，交替发言至少8轮”

格式设计四要素

1️⃣ 层次分明

使用标题分级：
“# 年度总结\n## 业绩亮点\n### 客户增长”
添加序号标识：
“解决方案分三点呈现：⑴…⑵…⑶…”

2️⃣ 留白控制

限制长度：
“每个论点阐述不超过50字”
空行分隔：
“章节之间用—分割”

3️⃣ 标记强化

重点标注：
“关键技术名词用粗体表示”
颜色提示（支持渲染的平台）：
“盈利数据标为绿色，亏损标红色”

4️⃣ 交互适配

平台兼容：
“输出格式兼容微信排版，无需Markdown语法”
设备优化：
“生成适合手机竖屏浏览的信息图文案”

经典组合技

格式嵌套：
“先以时间轴形式梳理辛亥革命大事件（年份+事件+影响），再用SWOT分析法总结历史意义”
动态格式：
“根据输入内容自动选择最佳呈现方式：争议话题用正反方辩论体，客观知识用问答体”

避坑指南

🚫 过度格式化：简单的天气查询不需要五级目录
✔️ 格式验证：添加自检指令如”请确保JSON格式有效”
🌐 编码统一：跨境使用注明”所有计量单位采用公制”

实训练习📝

优化下列提示语：
❌ 原句：”说说新能源汽车的优点”
✅ 格式增强版：

请按以下框架组织内容：
# 新能源汽车优势分析
## 环境效益
- 减排表现 ▸ 量化数据对比燃油车
- 噪音控制 ▸ 城市道路实测分贝值
## 经济效益 
- 补贴政策 ▸ 2023最新购置税减免额度
- 维保成本 ▸ 三年周期预估费用表
► 最后用[❗]符号标注最具颠覆性的创新点

掌握格式设计就相当于获得了信息整形术——同样的内容经过精心排版，价值感知度可提升300%以上。记住：好的格式不是束缚，而是专业的可视化表达！

2. Prompt实践应用

通过上面的讲解，相信大家对Prompt已经有了初步了解，那么接下来，我们通过一个具体的例子，利用 5 大核心要素去构建一个系统工程化的 Prompt，来帮助大家更好的理解 Prompt 的应用。

目标： 根据用户输入的关键词，生成用户所需要的 SQL 语句。

2.1 角色定位

对模型的角色定位越精准越好，ta 就越容易理解用户的意图，从而生成更符合用户需求的答案。

比如这里我们需要生成 SQL 语句，那么我们就可以将模型的角色定位为 SQL 语句生成器，具体例子如下：

您是具有以下能力的专业数据库工程师：
- 准确解析用户业务场景关键词
- 掌握ANSI SQL标准及主流数据库方言
- 熟悉数据库设计范式与性能优化原则
- 具备多表关联查询设计能力

2.2 上下文

上下文包括用户所操作的数据库的结构信息，如表名、字段等，以及用户的查询意图，具体例子如下：

用户需要快速生成准确SQL语句但可能面临：
1. 不熟悉复杂表关联结构
2. 对特定函数用法不明确(如时间处理函数)
3. 多条件组合逻辑易混淆
4. 需要兼顾查询性能优化

2.3 指令/任务

用户将提供一些关键词或者简短的描述，描述他们想从数据库中查询什么信息。系统需要根据这些信息生成正确的SQL查询语句。

按以下步骤处理用户输入的关键词：
1. 语义解析：识别关键词中的核心要素
   - 操作类型(SELECT/INSERT/UPDATE/DELETE)
   - 目标表/字段
   - 过滤条件(时间范围、状态值等)
   - 排序/分组需求
   - 分页参数

2. 结构映射：
   a. 自动关联相关表的JOIN条件
   b. 识别VARCHAR字段自动添加引号
   c. 数值型字段保持原生格式
   d. 日期字段转换处理(如STR_TO_DATE)

3. 逻辑校验：
   - 当检测到危险操作时(如无条件的DELETE)添加警示
   - 对超过3表关联的查询建议索引优化
   - 为模糊查询(%value%)提示性能影响

2.4 范例

提供一些示例输入和对应的SQL输出，帮助系统理解任务，具体例子如下：

[输入关键词] 
"需要最近三个月上海地区单价超过5000元的电子产品订单，按金额降序排"

[生成SQL]
SELECT 
    o.order_id,
    u.user_name,
    p.product_name,
    o.order_amount,
    o.create_time
FROM 
    orders o
    JOIN users u ON o.user_id = u.user_id
    JOIN products p ON o.product_id = p.product_id
WHERE 
    o.region = '上海'
    AND p.category = '电子产品'
    AND o.order_amount > 5000
    AND o.create_time >= DATE_SUB(CURDATE(), INTERVAL 3 MONTH)
ORDER BY 
    o.order_amount DESC
LIMIT 100;

[说明]
1. 自动关联三表JOIN
2. 数值条件未加引号
3. 添加LIMIT防止结果集过大
4. 时间条件使用函数动态计算

2.5 输出格式

输出格式是对输出数据结构的描述，具体例子如下：

1	[仅返回SQL语句，无需任何额外说明]

2.6 完整的应用示例

最终我们得到的 Prompt 如下：

您是具有以下能力的专业数据库工程师：
- 准确解析用户业务场景关键词
- 掌握ANSI SQL标准及主流数据库方言
- 熟悉数据库设计范式与性能优化原则
- 具备多表关联查询设计能力

用户需要快速生成准确SQL语句但可能面临：
1. 不熟悉复杂表关联结构
2. 对特定函数用法不明确(如时间处理函数)
3. 多条件组合逻辑易混淆
4. 需要兼顾查询性能优化

按以下步骤处理用户输入的关键词：
1. 语义解析：识别关键词中的核心要素
   - 操作类型(SELECT/INSERT/UPDATE/DELETE)
   - 目标表/字段
   - 过滤条件(时间范围、状态值等)
   - 排序/分组需求
   - 分页参数

2. 结构映射：
   a. 自动关联相关表的JOIN条件
   b. 识别VARCHAR字段自动添加引号
   c. 数值型字段保持原生格式
   d. 日期字段转换处理(如STR_TO_DATE)

3. 逻辑校验：
   - 当检测到危险操作时(如无条件的DELETE)添加警示
   - 对超过3表关联的查询建议索引优化
   - 为模糊查询(%value%)提示性能影响

[输入关键词] 
"需要最近三个月上海地区单价超过5000元的电子产品订单，按金额降序排"

[输出]
SELECT
    o.order_id,
    u.user_name,
    p.product_name,
    o.order_amount,
    o.create_time
FROM
    orders o
    JOIN users u ON o.user_id = u.user_id
    JOIN products p ON o.product_id = p.product_id
WHERE
    o.region = '上海'
    AND p.category = '电子产品'
    AND o.order_amount > 5000
    AND o.create_time >= DATE_SUB(CURDATE(), INTERVAL 3 MONTH)
ORDER BY
    o.order_amount DESC
LIMIT 100;

[说明]
1. 自动关联三表JOIN
2. 数值条件未加引号
3. 添加LIMIT防止结果集过大
4. 时间条件使用函数动态计算

[仅返回SQL语句，无需任何额外说明]

如果你已理解上述要求，请回答是的。

通过 DeepSeek 输入后我们可以如下所示的结果：

当然这个只是 Prompt 的一个简单示例，实际应用中，Prompt 可以包含更复杂的逻辑，比如问题的分类，对答案的二次确认等等，以及结合知识库进行一定范围回答，甚至可以给出多个答案，然后评估答案的可信度，降低 AI 幻觉，后面就涉及到模型微调相关内容。

参考

声明：本文部分材料是基于DeepSeek模型生成。

本文作者： Qborfy
本文链接： https://www.qborfy.com/ailearn/ai-learn03.html
版权声明： 本博客所有文章除特别声明外，均采用 MIT 许可协议。转载请注明出处！