Prompt 工程不是咒语，而是任务说明书

来源：一次关于提示词工程的讨论整理。
核心问题：如何用简单、可复用的结构说明什么是 Prompt 设计？

一句话理解

Prompt 设计的本质不是写一段“神奇咒语”，而是把任务的上下文、目标、边界、过程、格式和评估标准清楚地告诉模型。

也可以更工程化地说：

Prompt 是写给大模型看的任务说明书。

一个好的 Prompt 应该回答六个问题：

谁来做？
做什么？
基于什么背景？
怎么做？
输出成什么样？
如何判断好坏？

1. 角色定义：缩小回答空间

角色定义不是简单地让模型“扮演某个人”，而是帮助模型缩小回答空间。

例如：

你是一名资深产品经理，擅长将模糊需求拆解成可执行的产品方案。

这会影响模型后续的：

• 关注重点
• 语言风格
• 判断标准
• 输出结构
• 默认假设

不过角色不一定越复杂越好。比较好的角色定义通常包含：

• 专业身份
• 核心能力
• 当前任务中的职责

例如：

你是一名法律科技产品架构师，擅长把复杂政府表单流程抽象成可复用的 AI Workflow。
你的任务是分析下面的表单流程，并提炼出适合工程实现的结构化步骤。

2. 任务目标：明确最终产物

差的目标：

帮我分析一下这个东西。

好的目标：

请分析这份政府表单的填写流程，并输出：
1. 用户需要提供的信息
2. 每一步的判断条件
3. 可自动化处理的部分
4. 需要人工确认的风险点

目标最好回答：

• 要解决什么问题？
• 最终产物是什么？
• 面向谁使用？
• 使用场景是什么？

3. 背景上下文：避免看似正确但不贴合场景

模型不是只靠指令工作，它很依赖上下文。

例如：

背景：
这个流程用于帮助普通用户申请某项政府服务。
用户不具备法律知识。
我们的系统希望尽量减少用户手动填写内容。

背景可以包括：

• 用户是谁
• 使用场景是什么
• 当前已有信息
• 不能做什么
• 业务限制
• 技术限制
• 风险边界

如果没有背景，模型容易给出“抽象正确但落地错误”的答案。

4. 任务拆解：让模型产生可验证的中间结果

复杂任务不要只给最终目标，最好告诉模型先做什么、再做什么。

例如：

请按照以下步骤完成：
1. 先阅读原始材料，提取关键事实。
2. 再识别其中涉及的角色、条件、输入和输出。
3. 然后将流程拆解成步骤。
4. 最后输出一个适合工程实现的 workflow schema。

这里的重点不是要求模型展示完整思考过程，而是让它输出可验证的中间结果。

更推荐说：

请展示分析依据、关键判断点和最终结论。

而不是：

请展示你的完整推理过程。

5. 约束条件：告诉模型不要做什么

Prompt 不只是告诉模型“做什么”，也要告诉它“不要做什么”。

例如：

要求：
- 不要编造原文中不存在的信息。
- 如果信息不足，请标记为「待确认」。
- 不要使用过于抽象的描述。
- 每个步骤都必须包含输入、处理逻辑和输出。

常见约束包括：

• 禁止编造
• 不确定时如何处理
• 输出语言
• 输出长度
• 风格要求
• 是否允许假设
• 是否需要引用依据
• 是否需要风险提示

6. 输出格式：越结构化，越稳定

模型对格式的遵守能力，很大程度取决于你有没有给清楚结构。

例如：

## 流程名称

## 适用场景

## 用户输入
- 字段名：
- 字段类型：
- 是否必填：
- 说明：

## 流程步骤
1. 步骤名称：
   - 输入：
   - 判断条件：
   - 操作：
   - 输出：
   - 风险点：

## 待确认问题

如果是给程序消费，最好使用 JSON Schema 或 YAML。

7. 示例：让模型模仿粒度

示例很重要，因为模型会模仿你的样例。

如果希望输出稳定，可以给：

• 一个好样例
• 一个坏样例
• 一个边界情况样例

尤其是结构化抽取、评估、工作流拆解这类任务，示例经常比长篇规则更有效。

8. 结果评估：不要只相信 confidence

让模型输出 confidence 分数有帮助，但不要过度相信。

更好的方式是让它按具体标准自检：

## 自检
- 是否完整覆盖输入材料：是/否
- 是否存在未确认假设：是/否
- 是否有编造信息风险：低/中/高
- 工程实现清晰度评分：1-5
- 需要人工复核的地方：

这比单纯输出：

confidence: 0.87

更可解释，也更方便人工复核。

通用 Prompt 模板

你是【角色】，擅长【能力】。

背景：
【任务背景、使用场景、用户对象、限制条件】

目标：
请完成【具体任务】，最终输出【具体产物】。

请按照以下步骤处理：
1. 【步骤一】
2. 【步骤二】
3. 【步骤三】

要求：
- 【约束一】
- 【约束二】
- 如果信息不足，请标记为「待确认」，不要编造。

输出格式：
【给出具体结构】

示例：
【给出样例】

自检：
请在最后根据以下标准检查输出：
- 完整性：
- 准确性：
- 可执行性：
- 风险点：

面试版总结

如果在面试里解释 Prompt 工程，可以这样说：

我理解 Prompt 设计不是简单向模型提问，而是把任务的角色、目标、背景、步骤、格式和评估标准清楚描述出来，让模型在明确边界内稳定地产生我们想要的结果。好的 Prompt 本质上是一份写给大模型的任务说明书，它的目标是减少歧义、控制输出边界，并提高结果的稳定性和可用性。