本指南是 提示词工程 的实战手册，帮助你在日常工作中系统性地编写高质量提示词。

明确指令的四个要素

一个结构清晰的提示词通常包含以下部分：

1. 角色设定：告诉 LLM 以什么身份回答。例如"你是一位有 10 年经验的 Python 后端工程师"，这会约束输出的风格和深度。
2. 任务描述：用一句话说明你要什么，避免冗长铺垫。
3. 输出格式：明确指定返回格式——Markdown 表格、JSON、分步骤列表等。不指定格式，LLM 会自行选择，结果往往不可控。
4. 约束条件：限定范围、字数、语言、禁止事项。约束越具体，输出越可预测。

Chain-of-Thought（CoT，思维链）是一种通过引导 LLM 逐步展开中间推理步骤来提升复杂任务表现的 concepts/prompt-engineering 技术。其核心观察是：当模型被要求"展示推理过程"而非直接给出答案时，在数学、逻辑和多步推理任务上的准确率显著提升。

Zero-shot CoT

Kojima 等人发现，仅需在提示末尾添加 "Let's think step by step"，就能在无示例的情况下激活模型的推理能力。这种 Zero-shot CoT 方法无需构造复杂的示例，使用成本极低，适用于快速验证推理任务。其效果在不同模型上差异较大，通常在较大参数量（100B+）的模型上表现更稳定。

提示工程是与大语言模型交互的核心技能，指通过精心设计输入文本（prompt）来引导模型产生期望输出的技术与方法。在模型能力既定的情况下，prompt 的设计质量直接决定了输出效果的优劣。理解 concepts/llm-training-pipeline 中的训练机制，有助于更有效地设计 prompt。

基本概念

LLM 本质上是文本补全引擎——它根据输入上下文预测最可能的后续 token。提示工程的核心在于：如何构造这个上下文，使模型的预测方向与用户意图高度对齐。优秀的 prompt 不仅是"提问题"，更是为模型设定清晰的任务框架、输出格式和约束条件。