Prompt Engineering — 怎么跟 AI 说话才有效

今天学了一个概念叫 Prompt Engineering，翻译成中文就是「提示词工程」。听起来很高端，但说白了就是「怎么跟 AI 说话才能让它给出最好的回答」。

为什么这个东西值得花时间学？因为你会发现，同样一个问题，换一种问法，AI 的回答可能天差地别。不是 AI 的能力有差别，而是你给它的「信号」质量不一样。就像同一个员工，你给他模糊的指示和清晰的指示，产出完全不一样。

我把最近学到的 Prompt Engineering 技巧整理成几个原则。

第一个原则：具体 > 模糊。

「解释量子计算」和「用三个类比向一个没有物理背景的人解释量子计算的基本原理」，这两个提示词出来的结果完全不同。前者可能给你一篇学术论文式的回答，后者会用生动的比喻让你真正理解。

越具体的提示词，AI 越容易理解你想要什么。你可以指定回答的长度（「用 100 字解释」）、格式（「用列表的形式」）、受众（「假设读者是高中生」）、语气（「用轻松幽默的语气」）等等。

第二个原则：角色设定很有效。

「帮我看这段代码有什么问题」和「你是一个有十年经验的资深 Python 工程员，请帮我 review 这段代码，重点关注性能和安全性问题」，后者的回答质量明显更好。

这不是什么魔法。当你给 AI 一个角色的时候，它会调用与那个角色相关的知识和思维方式。就像你在现实中咨询一个专家和随便问一个路人，得到的答案质量是不一样的。

第三个原则：分步提问 > 一步到位。

复杂的任务不要指望一个提示词搞定。比如你想写一个完整的应用程序，直接说「帮我写一个电商网站」，出来的结果肯定很粗糙。但如果你拆成「先设计数据库结构」「再写用户认证模块」「然后写商品管理 API」，一步步来，效果好得多。

这不仅是因为分步提问降低了 AI 的理解难度，更重要的是它让你有机会在每一步进行检查和调整。

第四个原则：给范例。

「按照这个格式输出」加一个范例，比你自己描述格式有效一百倍。AI 对范例的理解能力远超你对格式的文字描述。你可以给它一个输入和期望的输出，让它「学会」你想要的模式。

这在数据处理场景中特别有用。比如你要从一堆文本中提取信息，直接描述提取规则可能很复杂，但给 AI 几个输入输出的范例，它就能「悟出」规则。

第五个原则：迭代优化。

第一次的提示词很少能直接给出完美的结果。好的做法是把 AI 的第一次回答当成「初稿」，然后根据结果调整提示词。比如你问了一个问题，AI 的回答太长了，你就追加一句「简化一下，控制在 200 字以内」。这种迭代过程通常两到三次就能得到满意的结果。

第六个原则：知道它的局限。

Prompt Engineering 再好，也不能让 AI 做它做不到的事情。它不能预测未来，不能访问实时数据（除非用带搜索功能的版本），不能处理太复杂的逻辑推理。知道什么时候该用 AI，什么时候该自己想，也是一种重要的能力。

最后分享一个我自己的使用习惯：我会建一个「提示词模板库」。把那些效果好的提示词模式存下来，以后遇到类似的场景直接套用。比如「代码 review 模板」「文章生成模板」「数据分析模板」等等。这样每次用的时候不用从零开始想提示词，效率提高了不少。

Prompt Engineering 这个领域还在快速发展，今天学到的技巧明天可能就不适用了。但有一个底层能力是不变的：清晰地表达自己的需求。不管 AI 怎么进化，能清楚地知道自己要什么的人，永远能更好地利用它。