什么是 Prompt 工程?

这道题其实在问一个很核心的事：大模型的输出到底受什么影响？答案就是prompt，这是我们能控制的最直接的东西。Prompt工程说白了就是设计输入文本，在不改模型参数的前提下，引导模型输出更好的结果。

为什么换种问法效果天差地别？你可以把大模型理解成一个猜词游戏，它根据前面的词猜下一个。Prompt就是它看到的“上文”，上文变了，它认为合理的下文自然跟着变。具体来说，有几个关键因素。先说任务描述清不清楚。你让它“帮我写点东西”，它很迷茫；你说“写一封200字以内、语气正式的请假邮件”，目标、长度、语气都定好了，模型就不用猜。再一个是有没有示例。给两三个输入输出例子，也就是[[Few-shot]]，模型会模仿那个格式和风格，比纯文字规则管用得多。还有就是有没有引导推理。你让它“一步一步分析”，也就是[[Chain-of-Thought]]，复杂问题的正确率能明显提升。最后是角色设定，你告诉它“你是一位资深律师”，它用词和严谨程度就会往那个方向走。

举个例子，客服退款场景。用户问“退款什么时候到账”。如果你只写“回答用户问题”，模型可能给个通用答案。但如果你在prompt里设定角色“你是一个客服专家”，再给一条示例“用户问发货时间，你查订单状态后回复”，然后要求它“先查订单状态和退款政策，再生成回答”，输出就靠谱得多。

这里有个坑，就是prompt工程不是万能的。它的前提是模型本身有这个能力，如果模型不知道某个事实，你prompt写得再好也没用。所以实际落地时，我会先调prompt，这是成本最低的优化手段。如果效果还不行，再考虑上[[RAG]]或者微调。RAG解决知识更新和私有知识的问题，微调改变模型行为风格。真正上线时，常常是prompt加RAG一起上，prompt控制表达，RAG提供事实。

我会特别关注prompt的稳定性。同一个prompt，模型版本升级后输出可能变差，所以上线后要持续监控bad case，迭代prompt。

总结一下，Prompt工程的核心是：不碰模型参数，只靠输入设计来引导输出。它适合快速验证和低成本优化，但别指望它解决模型本身的能力短板。