Prompt
Prompt 是你与 AI 对话的"界面语言"。写出好的 Prompt 不是玄学，而是一套可以学习的技能——它决定了 AI 是给你废话还是精准输出。
① 一句话定义
Prompt（提示词）是用户输入给大语言模型的指令或问题，用于引导模型生成期望的输出。它可以是简单的一句话（"翻译成英文"），也可以是一套复杂的工作指令（角色设定 + 任务描述 + 格式要求 + 示例）。
② 为什么重要
Prompt 是人与 AI 交互的唯一接口。模型的能力是固定的，但 Prompt 的质量直接决定了输出的质量：
- 零成本提升输出质量：不需要训练、不需要换模型，一个好的 Prompt 能让同一个模型产出天差地别的结果。
- 核心工作技能：在 AI 时代，写好 Prompt 正在成为像"会用搜索引擎"一样的基础技能。
- 安全与对齐的入口：System Prompt 是控制模型行为、设定安全边界的首要手段。
③ 核心机制
Prompt 的工作机制本质上利用了 LLM 的自回归预测特性：
1. 上下文引导：LLM 本质是"续写"模型。你给的 Prompt 就是它续写的起点——给定的上下文越清晰具体，续写的方向越确定。这就像给一个超级续写机器一个精确的"开头"。
2. In-Context Learning（上下文学习）：这是 Prompt 最神奇的能力——无需更新模型参数，仅通过在 Prompt 中提供示例（Few-shot），模型就能"学会"新任务。这种能力是模型规模 emergent 出来的。
3. 指令跟随：经过指令微调（Instruction Tuning）后的模型，会尝试理解并执行 Prompt 中的指令，而不只是简单续写。
④ 典型应用场景
角色扮演：设定"你是一个资深 Python 工程师"，改变输出风格和深度。
结构化输出：要求模型按 JSON、表格、Markdown 格式输出，便于程序解析。
思维链 Prompting：加入"让我们一步步思考"，提升推理准确率。
多轮对话：通过历史消息构建上下文，实现连贯的对话体验。
⑤ 常见误区
误区：Prompt 越长越好
✅ 实际上：冗长的 Prompt 消耗 Token 成本，还可能导致模型注意力分散。精准 > 冗长。
误区：好的 Prompt 有"万能模板"
✅ 实际上：不同模型对 Prompt 的响应方式不同，不同任务需要不同的结构。最佳实践是迭代测试而非套用模板。
误区：Prompt Engineering 只是写提示词
✅ 实际上：它包括上下文设计、示例选择、输出格式约束、与外部工具的协作设计等系统性工作。
「Prompt 是撬动大模型能力的杠杆——一个好的 Prompt 能让模型发挥 80% 的潜力，而一个随意的 Prompt 可能只用到 20%。
」