提示词工程概述
提示词工程是连接人类意图与大模型能力的桥梁，决定了 AI 应用的可控性与创新力。
提示词工程（Prompt Engineering, Prompt Engineering）是构建 AI 原生应用的起点，也是连接人类意图与大语言模型（LLM, Large Language Model）能力的关键接口。它不仅仅是“写提示词”，而是一套包含 结构设计、工程流程、思维建模与输出塑形（Answer Engineering） 在内的完整方法体系。
本章节将从开发者视角，结构化梳理提示词工程的基础概念、核心组成、技术谱系与扩展领域，并结合最新研究总结提示词工程的工程化框架。
提示词工程的三层结构
提示词工程的基础可以拆分为三层：Prompt 结构层、Prompt 工程方法层、Answer Engineering 层。三层构成一个完整的提示词系统，从输入到输出都有明确的工程闭环。
下图展示了提示词工程的三层结构及其核心要素：
什么是提示词（Prompt）
提示词是传递给大语言模型（LLM, Large Language Model）的输入规范，用于约束模型行为、限定任务范围、控制输出格式。一个 Prompt 本质上是 任务描述 + 行为规约 + 输出约束 的组合。
优秀的提示词通常具备以下特征：
- 指令明确（Directive）
- 上下文充足（Context）
- 示例有效（Exemplars）
- 格式固定（Format）
- 风格一致（Style）
- 无歧义（Disambiguation）
提示词的工作原理
提示词在大语言模型中的作用可以分为以下几个阶段：
- Token 化与编码：Prompt 转换为 Token 序列，作为模型输入。
- 上下文建模：模型根据已有知识理解意图，建立语境。
- 概率预测：逐 token 预测最可能输出，生成响应内容。
- 策略约束：通过 Temperature、Top-p 等采样策略控制生成过程。
- 输出整形（Answer Engineering, Answer Engineering）：结构化、解析、验证输出结果。
提示词质量直接影响模型在上下文建模与概率预测阶段的推理行为，因此 Prompt 的结构与顺序设计会显著改变输出质量。
提示词的核心组成（结构视图）
提示词可以拆解为 6 个结构单元。下表总结了每个部分的作用：
下表展示了提示词的核心组成及其功能。
| 组成部分 | 作用 |
|---|---|
| Role | 设定模型的专业角色（审计员、工程师等） |
| Directive | 告诉模型“要做什么” |
| Additional Info | 背景知识、限制条件 |
| Exemplars | Few-shot 示例 |
| Format | 输出格式规范（JSON/Markdown/表格） |
| Style | 语气、风格（正式、简洁） |
这些元素共同形成“Prompt Schema”，是所有工程化 Prompt 的基础。
提示词工程：从技巧到体系化技术栈
提示词工程不仅仅依赖“经验”，而是一个系统化的技术体系。下图总结了 Prompt Engineering 的六大技术域及其代表方法：
提示词工程的扩展领域
随着模型能力增强，Prompt Engineering 已从“文本提示”扩展至多语、多模态、智能体、评估、安全等方向。下图展示了提示词工程的主要扩展领域：
提示词工程的工程化流程
提示词工程不是一次性动作，而是一个闭环迭代体系。其工程化流程包括以下三个阶段：
- Inference：试运行 Prompt，观察初步效果。
- Evaluation：使用评测集或人工标注进行误差分析，发现问题。
- Optimization：结构调整、示例重写、指令收紧、输出约束、Answer Engineering 等持续优化。
这个循环还可以与 检索增强生成（RAG, Retrieval-Augmented Generation）、智能体（Agent）和上下文工程等模块结合，成为 AI 系统的核心工程链路。
总结
提示词工程是一门工程学，不是经验技巧：
- Prompt 结构是骨架
- Prompt 技术是方法体系
- Answer Engineering 是落地关键
- 多模态、多语言、智能体让 Prompt Engineering 进入扩展时代
理解“三层结构 + 六大技术域 + 扩展域”后，提示词工程将从“写提示词”升级为 可控、可测、可组合的工程体系。