Prompt 工程模板库与高级技法（2026-07-13 基线版）

AI 总索引 | AI 全景概览

本文定位：在 AI 全景概览 第 4 块基础上做的深挖版——把 Prompt 工程方法论、模板与高级技法系统化。 价值定位：可直接复制模板套用——本文目标是为读者省下”自己摸索”的时间。

一、Prompt 6 大要素（最稳的骨架）

[已在搜索结果确认的事实]

1.1 标准模板（精准场景）

【角色】
资深 [领域] 专家，[背景说明]

【任务】
完成 [具体任务]

【核心原则】
1. ...
2. ...

【上下文】
[背景信息 / 约束条件]

【输入】
[核心数据 / 问题]

【输出规范】
- 格式：Markdown 表格
- 长度：300 字以内
- 风格：客观、技术化

【Few-Shot 示例】
输入：示例 query
输出：示例 output

1.2 简单场景可简化

非复杂 / 非精准场景下，CRISE / BROKE / ICIO 等轻量框架更适用：

CRISE 框架：

• Capacity（角色）
• Request（要求）
• Insight（洞察）
• Style（风格）
• Exchange（交换）

二、CoT（Chain of Thoughts）—— 思维链

2.1 核心思想

[已在搜索结果确认的事实]

让模型 “一步步思考”，把推理过程显式化，避免直接给答案。

2.2 模板

【任务】
{question}
 
【请按以下步骤推理】
步骤 1：xxx
步骤 2：xxx
步骤 3：xxx
...
最终答案：xxx

2.3 适用场景

2.4 进阶：Self-Consistency

让模型生成多个推理路径，投票选出最一致的答案。适合高风险决策场景。

三、ReAct（Reasoning + Acting）—— Agent 风格

[已在搜索结果确认的事实]

适用于需要工具调用、外部 API、多步交互的场景。

3.1 模板

【思考】{thought}
【行动】{action}
【观察】{observation}
... (循环，直到得出结论)

3.2 完整示例：自动订机票

思考：用户要去上海出差，时间 7 月 15 日
行动：调用 [航班搜索 API] 输入："上海"、"2026-07-15"
观察：得到 10 个航班选项
思考：筛选价格 < 1500 的航班，按时间排序
行动：调用 [筛选 API]
观察：剩余 3 个
思考：推荐最便宜 + 时间最优
行动：生成结果给用户

3.3 框架与平台

• Coze（字节）：可视化搭建 ReAct Agent
• Dify：开源的 LLM App 编排
• n8n：开源工作流（支持 LLM 节点）

四、Few-Shot Learning（少样本学习）

4.1 为什么有效

[已在搜索结果确认的事实]

通过 2-5 个示例让模型理解期望的输出格式、风格、长度。比自然语言描述更精确。

4.2 模板

【任务】
将用户输入转换为指定格式
 
【示例 1】
输入：iPhone 15 Pro Max 256GB
输出：{"品牌":"Apple","型号":"iPhone 15 Pro Max","存储":"256GB"}
 
【示例 2】
输入：小米 14 Ultra 16+512 钛金属
输出：{"品牌":"小米","型号":"14 Ultra","内存":"16GB","存储":"512GB","材质":"钛金属"}
 
【示例 3】
输入：华为 Mate 70 Pro+ 12+512GB 砚黑色
输出：{"品牌":"华为","型号":"Mate 70 Pro+","内存":"12GB","存储":"512GB","颜色":"砚黑色"}
 
【输入】
vivo X100 Pro 16+1TB 星迹蓝

4.3 实战经验

• 示例必须真实、有代表性：太简单或太离散的示例效果差
• 3-5 个示例最稳：少（1-2）效果差，多（>10）浪费 token
• 示例之间保持格式一致：否则模型学到”格式可以不一”
• 反例也很有用：在示例末尾加 1 个”这是反例”

五、中文 Prompt 模板库汇总

[已在搜索结果确认的事实]

推荐使用策略

flowchart TD
    A["用 Prompt 的目的"] -->|"参考现成模板"| B["Prompt 提示词大全<br/>或 ChatGPT 中文指南"]
    A -->|"系统性学"| C["Prompt Engineering Guide<br/>+ LangGPT"]
    A -->|"写代码 prompt"| D["GitHub f/awesome"]
    A -->|"找营销模板"| E["文案狗 + AI 提示词库"]
    A -->|"绘画 prompt"| F["词魂"]

六、按场景的实战模板

6.1 写作场景

写作助手（标准）

【角色】资深内容编辑
【任务】基于提纲撰写 800-1200 字公众号文章
【核心原则】
- 钩子句前 50 字
- 段落不超过 200 字
- 关键观点加粗
【输入】提纲：[粘贴]
【输出】Markdown 格式

6.2 编程场景

Code Review

【角色】资深工程师
【任务】review 以下代码的潜在 bug、性能、安全问题
【输入】[代码]
【输出】Markdown 表格：

| 问题类型 | 位置 | 描述 | 严重程度 | 建议 |

单元测试生成

【角色】测试工程师
【任务】为以下函数生成 Jest 单元测试
【输入】[函数代码]
【输出】覆盖：
- 正常路径 3 个
- 边界 2 个
- 异常路径 2 个

6.3 营销场景

小红书爆款笔记

【角色】小红书爆款写手
【任务】为一件事生成爆款笔记
【核心原则】
- 标题带数字 + 情绪 + 钩子
- 封面卖点前 30 字
- 正文分 3 段，每段 1 句话
- 末尾 1 行 CTA
【输入】产品 / 卖点
【输出】3 版不同风格标题 + 笔记正文

知乎高质量回答

【角色】领域专家
【任务】回答知乎问题
【核心原则】
- 先表态（是 / 否 / 分情况）
- 给出 3 条论据，每条配 1 个例子
- 末尾反向思考 / 局限
- 全文 500 字
【输入】问题原文

6.4 分析场景

数据分析

【角色】数据分析师
【任务】分析以下数据并给出洞察
【输入】[CSV / 表格]
【输出】
1. 核心结论（3 条）
2. 数据细节（表格）
3. 异常点说明
4. 后续行动建议

竞品分析

【角色】产品经理
【任务】分析 3 款竞品
【输入】3 个产品名称
【输出】表格：定位 / 核心功能 / 价格 / 目标用户 / 优劣
+ 5 条差异化建议

七、优化 Prompt 的元方法

[第一性原理 + 搜索结论]

7.1 让模型自己优化 Prompt

【角色】Prompt 工程师
【任务】优化以下 Prompt，让它更精准、更稳定
【输入】
1. 旧 Prompt：[粘贴]
2. 30 条 query 与期望输出：[粘贴]
3. 当前实际输出：[粘贴]
【输出】
- 优化后的 Prompt
- 改动点说明
- 预期收益

7.2 测试集验证

• 准备 30-100 条 query 与期望输出
• 在新 Prompt 上跑一遍
• 对比实际输出与期望
• 找出”系统性偏差”针对性优化

7.3 反向工程 Prompt

如果你看到一段好的 AI 输出，反推 Prompt：

请分析以下 AI 回复，反推它使用的 Prompt 结构，包括：
- 角色设定
- 任务描述
- 上下文
- Few-Shot 示例
- 输出格式

八、常见坑与对策

九、待展开

• LangGPT 框架详解（角色 + 模板 + Few-Shot 标准化）
• Coze / Dify / n8n Agent 编排实战
• Self-Consistency / Tree of Thoughts 等高级推理技法

关联主题

• AI 全景概览
• 主流大模型选型——影响 Prompt 适配
• Cursor 实操——.cursorrules 本质是大 Prompt

参考来源（2026-07-13）

• Prompt 工程师指南 - 腾讯云
• 2025 Prompt 工程实战大全 - CSDN
• 万字解读 prompt 工程指南 - 今日头条
• Prompt 使用指南 - 今日头条