大模型 Prompt 技巧全解析

很多人提 Prompt，第一反应还是“有没有更万能的模板”。这篇文章真正值得保留的，不是又列了一串术语，而是把 Prompt 的作用说得很清楚：它不是修饰文案，而是在给模型定义任务边界、信息范围和交付形式。

模型能力大多在预训练阶段已经形成，Prompt 更像调度层。你说清楚角色、任务、上下文和输出，模型就更容易在对的问题上发力；你说不清楚，它就只能凭概率分布替你补空白。

如果把 Prompt 压成最小单元，基本离不开四个部分：指令、上下文、输入数据、输出要求。

指令负责告诉模型要做什么。上下文负责限定信息范围和任务背景。输入数据是本次真正要处理的材料。输出要求则是在提前钉格式，避免结果难以复用。

这套骨架看起来简单，但很多失控恰好都出在这里。任务没写清楚，模型会自己猜；约束没写清楚，模型会默认自由发挥；输出没写清楚，后续解析和协作都会变难。

原文列了几种常见框架，我觉得可以按用途来理解，而不是当成要背的名词表。

RTF 适合快速起步。角色、任务、格式三件事交代清楚，很多日常场景就已经够用。

RISEN 更适合带约束的任务，因为它把步骤、目标和范围收窄单独提了出来。要写博客、写方案、写商业材料时，这类结构会更稳。

RODES 适合对细节和示例要求更高的场景，本质上是在提醒你别只给目标，不给样例和校验点。

原文还提到链式思考、密度链这类方法。它们的共同点不是“更高级”，而是适合那些需要分步推理、迭代压缩或逐轮改进的任务。真正重要的不是记住名字，而是知道什么时候该用：任务越复杂，越不要指望一句话直接得到高质量结果。

第一条原则是把指令写明确。

这包括用分隔符把不同部分隔开，减少提示词冲突；要求结构化输出，比如 JSON、表格或固定段落；必要时先让模型检查条件是否成立；在复杂任务里给 few-shot 示例，让模型别从零猜格式和判断标准。

第二条原则是给模型足够的思考空间。

很多任务不是模型不会，而是你让它在一句话里同时完成理解、推理、决策和表达。把步骤拆开、明确先后顺序，或者要求模型先分析再下结论，通常都会比“直接给答案”更稳。

原文举了思考链的例子，这类做法的价值不在那句固定话术，而在于你显式告诉模型：先推理，再输出。

零样本、少样本、链式思考、RAG、Prompt Chaining、ReAct，这些技术并不是替代关系，更像不同问题的工具箱。

任务简单、模式稳定，可以先用零样本。

格式敏感、容易跑偏，用少样本更稳。

需要推理过程，链式思考更合适。

知识新、事实密集、对准确性要求高，就该引入 RAG。

步骤长、子任务明显的流程，可以拆成 Prompt Chaining。

既要推理又要调用动作时，ReAct 才真正有意义。

技术选型真正应该回答的问题只有一个：当前失败主要是理解错、知识不够、推理不稳，还是流程太长。

原文对模型局限性的提醒很实在。模型不是完整记住世界知识，也不总能判断自己不知道什么，所以遇到陌生或晦涩主题时，确实可能生成看起来很像真的内容。

应对办法不是多写几句“请确保准确”，而是把证据链拉进来。最常见的方式有两种：一是让模型基于给定文本或引用作答，二是用 RAG 先补上下文，再让模型生成。前者降低自由发挥空间，后者降低知识缺口。

如果把这篇文章的内容落成一句更工程化的话，那就是：Prompt 设计不是写一段漂亮说明，而是在控制模型自由度。该放开的地方给空间，该锁死的地方给边界，该补知识的地方别指望模型自己想起来。