[基石1]Prompt Engineering（提示词工程）

whoway2026/1/7大约 5 分钟

为什么说【提示词工程】是基石？

因为后来火热的所谓的MCP、A2A、Skills本质都是要写好相关提示词，然后加上工程设计【那个叫上下文工程】结合，然后加上一点设计者的想法，沉淀出的一些协议和范式而已

Prompt：在大语言模型应用中，用于“提示”模型唤起特定能力以解决实际问题的提问方式，是prompt工程的核心。

不少技术背景用户初接触 Prompt Engineering 时的第一印象：“不过就是加个括号、写清楚点，没啥技术含量。”

但是prompt 工程的“门槛低”只是表象，真正的技术含量在于你能用 prompt 解决多难的问题、做出多稳的系统，此外prompt的设计其实还是有一些框架、套路（因为现代大模型预训练埋下的一些训练语料的刻意练习）

现在大部分情况都是直接使用RTF框架

	RTF框架：● R-Role(角色)：指定大模型担当固定角色(程序员、数据分析师、讲解员、记者等等) ● T-Task(任务): 任务，告诉大模型需要为我们做的事情 ● F-Format(格式)：大模型最终结果的返回格式(比如：表格、Markdown、英文等等)	RTF(Role-Task-Format)框架是一个非常简单通用的Prompt提示框架，我们和任意大模型对话场景都可以使用该规范进行输出。
	思考链模式：只需要在末尾添加”让我们逐步思考”即可。	通过这种模式来逐步改善大模型的推理能力，非常适合一些复杂的任务处理。例如：
??	RISEN框架	该框架主要适合：
??	RODES框架● R-Role: 角色● O - Objective: 目标● D - Details: 详细的细节● E - Examples: 示例● S - Sense Check: 感官检查
??	密度链模式	适合：

使用分隔符清晰界定输入部分，核心原因：标记符（如[]、<>、【】）有助于形成明确的结构边界，让模型能更容易理解上下文的角色和任务划分

在大量的 prompt 实验中，我发现使用结构符号、强调符号，可以显著提高模型响应的准确性和一致性。

在构建prompt时，使用分隔符将特定文本部分与提示的其他部分清晰隔开，能有效避免提示词冲突。任何能让模型识别出单独部分的符号都可作为分隔符，常见的包括：

1、大模型（如GPT系列）在**预训练**中接触了大量有明确结构的文本：
- 编程语言里的 <tag>、[param]、{value}
- 网页/HTML/XML格式、Markdown、JSON 等结构化数据
- 各种提示工程（Prompt engineering）范例里大量使用 <>, [], ---, ### 分隔语法
- 所以它习惯性地将这些字符视为一种“分隔任务”或“标记角色”的信号
2、Token 分词更稳定
- 特殊字符如[]、<>本身是**单独成一个token**，分词不会混乱；
- 而中文如果没有加标记，模型可能对句子结构的切分就不明确，尤其是你输入的句子不够规范或存在歧义。

比如，同一个好的prompt，可能你放国内某些模型就很差，但是放到claude之类，发现更差的prompt也都能做得很好

原因有2个

1、claude之类，本身的prompt工程可能做得更好

2、claude基础模型本身在特定领域水准领先日常某些模型，一方面是训练语料问题、一方面是

所以结论就是：你的prompt要和具体基础模型去微小绑定！而不是一条prompt吃遍所有大模型

绘制 xxx 结构图（SVG）
- 元素不重叠，避免内容过于拥挤
- 添加小型公式来解释关键计算
- 使用精确的专业术语
- 数学公式使用公式字体，英文使用 time news roman 字体，中文使用宋体

效果也很好，但是在很多其他模型表现就很不好，那就需要更高端的prompt工程

上面的一般的prompt：完全可以让你的论文、演讲、教学材料立刻提升一个档次！