Prompt Engineering（提示工程）是与大模型（如 ChatGPT、GPT-4、Claude、Gemini 等）交互时，构造有效输入提示词（Prompt）以引导模型输出所需结果的技术和方法。
🧠 一、Prompt 的核心形式
| 类型 | 示例 | 用途 |
|---|---|---|
| 指令式 Prompt | “请用中文总结以下英文段落” | 最常用，引导模型完成任务 |
| 少样本学习（Few-shot） | “例1：问题… 回答… 例2：问题… 回答…” | 用少量示例教模型如何回答 |
| 上下文补全（In-context） | “这是一个函数：def f(x): … 请补全” | 用上下文引导模型续写代码、文案等 |
| 链式思维（CoT） | “请一步步分析并推理…” | 增强复杂推理、数学推导能力 |
| 系统提示（System Prompt） | “你是一个专家级翻译机器人…” | 设置模型角色和语气风格（适用于 API） |
🔧 二、提示工程常用技巧
✅ 1. 明确角色设定（Role Prompting）
你是一位资深图像编辑算法研究员，请帮我……
- 有助于模型稳定输出专业风格的回答。
✅ 2. 明确任务目标（Task Specification）
请用一段 Python 代码实现图像二值化处理，要求：可重复使用，带注释。
- 越明确越好，不要泛泛地说“帮我生成代码”。
✅ 3. 增加步骤思维（Chain of Thought）
请一步一步推理你是如何得出结论的。
- 适合复杂数学推理、问答、图像理解等任务。
✅ 4. 样例引导（Few-shot Examples）
Q: 什么是卷积神经网络？
A: 一种常用于图像处理的神经网络结构…
Q: 什么是图神经网络？
A: 一种对图结构数据建模的神经网络方法…✅ 5. 限定格式（Format Constraining）
请以 JSON 格式输出结果，包括字段：summary、key_points、emotion。
🔍 三、常见应用场景
| 场景 | 应用方式 |
|---|---|
| 代码生成与调试 | 给定说明 → 生成函数 → 调试报告 |
| 学术总结 | 输入论文片段 → 提取要点/生成摘要 |
| 数据标注 | 语义分类 / 情感分类 / 标签生成 |
| Agent 调度与工具调用 | 利用函数调用、插件、工具模式 |
| 写作创作 | 小说结构草图 → 完整段落生成 |
| 产品问答 / 搜索增强 | 基于知识库 + Prompt 重构回答 |
📚 四、进阶方向
| 方向 | 说明 |
|---|---|
| AutoPrompt / Prompt Tuning | 自动搜索最优 Prompt |
| Soft Prompt / Embedding Prompt | 使用向量形式嵌入提示词 |
| Prompt Injection 防御 | 防止恶意诱导模型行为 |
| Multi-turn Prompt设计 | 多轮对话连贯控制 |
| Function Calling Prompt | 引导模型调用工具/函数/API |
模版
crisp-re： (capacity)角色和能力 (result) 输出 (input) 输入 (step) 过程方法 (persona) 风格 (reason)大背景 (experiment) 提供实验方案