介绍

在大模型（如GPT、Claude、文心一言等）的应用体系中，提示词（Prompt） 是用户向大模型输入的指令、问题或上下文信息，本质是引导模型生成预期输出的“沟通桥梁”。简单来说，提示词就是你“告诉模型要做什么、怎么做”的文字内容。

作用

大模型的输出高度依赖输入的提示词，它的核心作用有3个：

1. 明确任务目标：让模型知道需要执行的具体任务（如翻译、写代码、总结文章、生成创意文案等）。
   示例：请把这段英文翻译成中文
2. 约束输出范围：限定模型的回答方向、格式、风格，避免输出偏离需求。
   示例：用300字以内总结这篇论文的核心观点，语言简洁专业
3. 补充上下文信息：提供必要的背景、数据或规则，让模型的输出更精准。
   示例：基于以下用户反馈，分析产品的3个核心问题：[用户反馈内容]

提示词的基本结构

一个高质量的提示词通常包含 4个核心要素，可以类比为“给模型的作业要求”：

完整示例

你是一名资深鸿蒙应用开发工程师，有5年教学经验。请写一篇面向零基础学生的鸿蒙Hello World教程，分步骤讲解，每步配代码示例和注释，字数控制在800字内。开发环境：DevEco Studio 4.1；设备：鸿蒙4.0模拟器。

分类

根据教学场景，你可以给学生讲解以下常见的提示词类型：

1. 指令型提示词
   直接下达任务指令，适用于简单明确的需求。
   示例：解释大模型的注意力机制 用Python写一个冒泡排序算法

2. 上下文型提示词
   提供背景信息+任务，适用于需要结合特定场景的需求。
   示例：已知以下是某电商平台的用户行为数据：[数据表格]，请分析用户的购买偏好

3. 示例型提示词（少样本学习）
   给模型提供1-3个示例，让模型模仿输出格式或逻辑，适用于格式要求严格的任务。
   示例：

   请按照以下格式提取文本中的人物信息：
   示例1：输入“小明，25岁，北京人” → 输出：姓名：小明，年龄：25，籍贯：北京
   输入“小红，30岁，上海人” → 输出：

4. 思维链提示词（Chain-of-Thought, CoT）
   引导模型“一步步思考”，适用于复杂推理、数学计算、逻辑分析类任务，核心是加入“请分步推理”“说明思考过程”等关键词。
   示例：一个笼子里有鸡和兔共30只，脚共86只，请问鸡和兔各有多少只？请分步推理，写出计算过程

提示词设计原则

重点强调 “精准、明确、可落地”，避免模糊表述。核心原则有：

1. 越具体，越精准：避免“写一篇文章”这种模糊指令，换成“写一篇面向大学生的人工智能科普短文，1000字，分3个部分：定义、应用场景、未来趋势”。
2. 善用角色设定：给模型赋予专业身份，输出会更贴合领域需求（如“你是一名金融风控分析师”“你是一名初中数学老师”）。
3. 格式约束优先：如果需要特定格式（如表格、代码块、markdown），直接在提示词中说明。
4. 逐步优化迭代：一次提示达不到效果时，基于输出结果补充信息（如“上一轮回答太笼统，请补充具体的技术实现步骤”）。

案例（对比效果）

可以用同一个任务展示好提示词 vs 差提示词的区别，让学生直观理解：

原文出处：/show_1GW2TcdahBW3.html