prompt-engineering

Compare original and translation side by side

🇺🇸

Original

English

🇨🇳

Translation

Chinese

Prompt Engineering Guide

提示词工程指南

Effective prompts, RAG systems, and agent workflows.

高效的提示词、RAG系统与Agent工作流。

When to Use

适用场景

Optimizing LLM prompts
Building RAG systems
Designing agent workflows
Creating few-shot examples
Structuring chain-of-thought reasoning

优化LLM提示词
构建RAG系统
设计Agent工作流
创建少样本示例
构建思维链推理结构

Prompt Structure

提示词结构

Core Components

核心组成部分

Component	Purpose	Include When
Role/Context	Set expertise, persona	Complex domain tasks
Task	Clear instruction	Always
Format	Output structure	Need structured output
Examples	Few-shot learning	Pattern demonstration needed
Constraints	Boundaries, rules	Need to limit scope

组成部分	作用	适用场景
Role/Context（角色/上下文）	设定专业能力、人物身份	复杂领域任务
Task（任务）	清晰的指令	所有场景
Format（格式）	输出结构要求	需要结构化输出时
Examples（示例）	少样本学习	需要演示模式时
Constraints（约束条件）	设定边界、规则	需要限制范围时

Prompt Patterns

提示词模式

Pattern	Use Case	Key Concept
Chain of Thought	Complex reasoning	"Think step by step"
Few-Shot	Pattern learning	2-5 input/output examples
Role Playing	Domain expertise	"You are an expert X"
Structured Output	Parsing needed	Specify JSON/format exactly
Self-Consistency	Improve accuracy	Generate multiple, vote

模式	适用场景	核心概念
Chain of Thought（思维链）	复杂推理任务	“逐步思考”
Few-Shot（少样本）	模式学习任务	2-5个输入/输出示例
Role Playing（角色扮演）	领域专业任务	“你是X领域专家”
Structured Output（结构化输出）	需要解析结果的任务	明确指定JSON等格式
Self-Consistency（自一致性）	提升准确率	生成多个结果并投票

Chain of Thought Variants

思维链变体

Variant	Description	When to Use
Standard CoT	"Think step by step"	Math, logic problems
Zero-Shot CoT	Just add "step by step"	Quick reasoning boost
Structured CoT	Numbered steps	Complex multi-step
Self-Ask	Ask sub-questions	Research-style tasks
Tree of Thought	Explore multiple paths	Creative/open problems

Key concept: CoT works because it forces the model to show intermediate reasoning, reducing errors in the final answer.

变体	描述	适用场景
Standard CoT（标准思维链）	“逐步思考”	数学、逻辑问题
Zero-Shot CoT（零样本思维链）	仅添加“逐步思考”	快速提升推理能力
Structured CoT（结构化思维链）	分步骤编号	复杂多阶段任务
Self-Ask（自我提问）	提出子问题	研究类任务
Tree of Thought（思维树）	探索多种路径	创意/开放性问题

核心概念：思维链之所以有效，是因为它迫使模型展示中间推理过程，减少最终答案的错误。

Few-Shot Learning

少样本学习

Example Selection

示例选择标准

Criteria	Why
Representative	Cover common cases
Diverse	Show range of inputs
Edge cases	Handle boundaries
Consistent format	Teach output pattern

标准	原因
Representative（代表性）	覆盖常见场景
Diverse（多样性）	展示输入范围
Edge cases（边缘案例）	处理边界场景
Consistent format（格式一致）	教授输出模式

Number of Examples

示例数量

Count	Trade-off
0 (zero-shot)	Less context, more creative
2-3	Good balance for most tasks
5+	Complex patterns, use tokens

Key concept: Examples teach format more than content. The model learns "how" to respond, not "what" facts to include.

数量	权衡点
0（零样本）	上下文少，创造性更强
2-3个	大多数任务的最佳平衡
5个以上	复杂模式，消耗更多tokens

核心概念：示例更多是教授格式而非内容。模型学习的是“如何”响应，而非“要包含哪些”事实。

RAG System Design

RAG系统设计

Architecture Flow

架构流程

Query → Embed → Search → Retrieve → Augment Prompt → Generate

查询 → 嵌入 → 搜索 → 检索 → 增强提示词 → 生成

Chunking Strategies

分块策略

Strategy	Best For	Trade-off
Fixed size	General documents	May split sentences
Sentence-based	Precise retrieval	Many small chunks
Paragraph-based	Context preservation	May be too large
Semantic	Mixed content	More complex

策略	最佳适用场景	权衡点
Fixed size（固定大小）	通用文档	可能拆分完整句子
Sentence-based（基于句子）	精准检索	生成大量小块
Paragraph-based（基于段落）	保留上下文	块可能过大
Semantic（语义分块）	混合内容	实现更复杂

Retrieval Quality Factors

检索质量影响因素

Factor	Impact
Chunk size	Too small = no context, too large = noise
Overlap	Prevents splitting important content
Metadata filtering	Narrows search space
Re-ranking	Improves relevance of top-k
Hybrid search	Combines keyword + semantic

Key concept: RAG quality depends more on retrieval quality than generation quality. Fix retrieval first.

因素	影响
Chunk size（块大小）	太小=无上下文，太大=冗余信息
Overlap（重叠）	避免拆分重要内容
Metadata filtering（元数据过滤）	缩小搜索范围
Re-ranking（重排序）	提升Top-K结果相关性
Hybrid search（混合搜索）	结合关键词+语义搜索

核心概念：RAG的质量更多取决于检索质量而非生成质量。优先优化检索环节。

Agent Patterns

Agent模式

ReAct Pattern

ReAct模式

Step	Description
Thought	Reason about what to do
Action	Call a tool
Observation	Process tool result
Repeat	Until task complete

步骤	描述
Thought（思考）	推理下一步行动
Action（行动）	调用工具
Observation（观察）	处理工具返回结果
Repeat（重复）	直到任务完成

Tool Design Principles

工具设计原则

Principle	Why
Single purpose	Clear when to use
Good descriptions	Model selects correctly
Structured inputs	Reliable parsing
Informative outputs	Model understands result
Error messages	Guide retry attempts

原则	原因
Single purpose（单一用途）	明确适用场景
Good descriptions（清晰描述）	帮助模型正确选择
Structured inputs（结构化输入）	确保可靠解析
Informative outputs（信息丰富的输出）	帮助模型理解结果
Error messages（错误提示）	引导重试

Prompt Optimization

提示词优化

Token Efficiency

Token效率

Technique	Savings
Remove redundant instructions	10-30%
Use abbreviations in examples	10-20%
Compress context with summaries	50%+
Remove verbose explanations	20-40%

技巧	节省比例
移除冗余指令	10-30%
示例中使用缩写	10-20%
用摘要压缩上下文	50%以上
移除冗长解释	20-40%

Quality Improvement

质量提升

Technique	Effect
Add specific examples	Reduces errors
Specify output format	Enables parsing
Include edge cases	Handles boundaries
Add confidence scoring	Calibrates uncertainty

技巧	效果
添加具体示例	减少错误
指定输出格式	支持解析
包含边缘案例	处理边界场景
添加置信度评分	校准不确定性

Common Task Patterns

常见任务模式

Task	Key Prompt Elements
Extraction	List fields, specify format (JSON), handle missing
Classification	List categories, one-shot per category, single answer
Summarization	Specify length, focus areas, format (bullets/prose)
Generation	Style guide, length, constraints, examples
Q&A	Context placement, "based only on context"

任务	核心提示词要素
Extraction（提取）	列出字段、指定格式（JSON）、处理缺失值
Classification（分类）	列出类别、每个类别一个示例、单一答案
Summarization（摘要）	指定长度、重点领域、格式（项目符号/ prose）
Generation（生成）	风格指南、长度、约束条件、示例
Q&A（问答）	上下文放置、“仅基于上下文回答”

Best Practices

最佳实践

Practice	Why
Be specific and explicit	Reduces ambiguity
Provide clear examples	Shows expected format
Specify output format	Enables parsing
Test with diverse inputs	Find edge cases
Iterate based on failures	Targeted improvement
Separate instructions from data	Prevent injection

实践	原因
具体且明确	减少歧义
提供清晰示例	展示预期格式
指定输出格式	支持解析
用多样化输入测试	发现边缘案例
基于失败案例迭代	针对性改进
分离指令与数据	防止注入攻击

Resources

资源

Anthropic Prompt Engineering: https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering
OpenAI Cookbook: https://cookbook.openai.com/

Anthropic提示词工程：https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering
OpenAI Cookbook：https://cookbook.openai.com/