①角色设定（Role Prompting）

告诉大模型它是谁、以什么身份回答。「你是一个有10年经验的Python老师」比「回答这个问题」效果好得多——角色设定会影响大模型的知识选择（老师会用教学语言而不是学术语言）、语气风格、回答深度。角色要具体（「有10年经验的Python老师，擅长教零基础」比「老师」好）、可以设定多个角色（「你同时是一个严格的代码审查员和一个耐心的老师」）。

②任务描述（Task Description）

清晰具体地说明要做什么。不要说「写个计划」，要说「制定一个4周的Python学习计划，每天30分钟，针对零基础」。任务越具体，输出越可用。技巧：用动词开头（「制定」「分析」「总结」「翻译」）、说明输入和输出（「给定这段代码，分析它的时间复杂度并给出优化方案」）、说明完成标准（「计划要能直接执行，每天的任务30分钟内能完成」）。

③上下文（Context）

给大模型喂足够的背景信息：用户是谁、什么场景、已有什么数据、之前的对话内容。大模型没记忆，每次调用都是独立的，除非你把历史传进去，所以得把所有相关上下文都塞到Prompt里。技巧：用户画像（基础/目标/偏好）、场景（什么时候用、给谁看）、已有数据（要处理的文本/代码/数据）、历史对话（多轮对话要把之前的消息传进去）。上下文不是越多越好，无关的会干扰大模型，只给相关的。

④Few-shot 示例（示例学习）

给大模型看几个「输入→输出」的示例，它会模仿示例的格式和风格输出。Few-shot比纯文字描述更有效——尤其是你需要特定格式、特定风格、特定推理方式的时候。示例要典型，覆盖常见情况；示例要多样化，覆盖不同的输入类型；示例的输出要严格符合你想要的格式，大模型会模仿示例的每一个细节，包括格式错误。通常2-5个示例就够，太多会增加token成本。Zero-shot适合简单任务，Few-shot适合复杂/格式要求严格的任务。

Few-shot 示例：让大模型按指定格式提取信息从用户评论中提取情感和关键词，输出JSON格式。 示例1：输入：这个手机拍照很棒，但是电池不太耐用。输出：{"sentiment": "mixed", "keywords": ["拍照好", "电池不耐用"]} 示例2：输入：非常满意！物流快，质量好，会回购。输出：{"sentiment": "positive", "keywords": ["物流快", "质量好", "会回购"]} 示例3：输入：太差了，完全不能用，退货！输出：{"sentiment": "negative", "keywords": ["不能用", "退货"]} 现在处理：输入：{用户评论}输出：

⑤思维链（Chain of Thought, CoT）

在 Prompt 里要求「请一步步分析，然后给出答案」，或给一个思考过程的示例，就能让大模型先思考再回答。CoT 能提升推理类任务的准确率，比如数学、逻辑、多步推理，因为大模型是「预测下一个词」，直接给答案容易跳步出错，先写思考过程能让它慢慢想。技巧：「让我们一步步思考」（Let's think step by step）是最简单的 CoT 触发词；复杂任务可以要求「先列出分析步骤，再给出结论」。注意：CoT 会增加输出长度和延迟，简单任务不需要用。进阶：Self-Consistency（自我一致性）——让大模型用不同的思考路径生成多个答案，投票选最一致的，进一步提升准确率。

⑥结构化输出（Structured Output）

要求大模型输出特定格式（JSON、XML、Markdown、代码），方便程序解析。方法：①在 Prompt 里明确要求输出格式（「请输出JSON，包含字段name、age、email」）；②给 Few-shot 示例展示格式；③用模型的 JSON 模式/结构化输出功能（OpenAI response_format={"type":"json_object"}、豆包也支持）；④输出后做解析和校验（JSON.parse，失败则重试或降级）。技巧：JSON 模式下要在 Prompt 里提到 JSON 这个词，否则模型可能不遵守；字段名要用英文（模型对英文字段名更稳定）；嵌套不要太深（3层以内比较稳定）；输出后必须校验（不要信任大模型一定输出合法 JSON）。

⑦约束条件（Constraints）

跟大模型对话时，直接说「不能做什么」「必须遵守什么」就行。比如「不要使用专业术语」「回答不超过200字」「信息不足请说不知道，不要编造」「不要给完整代码，只给思路和提示」。约束是控制大模型的关键，尤其是「不要编造」「不要越界」这类安全约束。约束要具体可执行，比如「不超过200字」比「简洁」好；尽量用肯定句，比如「用简单语言」比「不要用复杂语言」好，大模型对肯定句的遵循更稳；重要约束放Prompt开头或结尾，大模型对首尾内容记忆好，这是近因效应和首因效应；有冲突的约束要说明优先级，比如「如果信息不足，优先说不知道，不要编造」。

⑧输出格式（Output Format）

明确规定输出的结构、长度、风格。比如「用Markdown格式，分3个部分：问题分析、解决方案、代码示例」「回答分点列出，每点不超过2句话」「用中文回答，语气友好但专业」。输出格式和结构化输出类似，但更侧重「可读性」和「风格」而不是「程序可解析」。技巧：给示例（Few-shot）是最有效的格式控制；明确长度限制（「不超过300字」「3-5个要点」）；说明受众（「给零基础学习者看，不用专业术语」）；说明语气（「友好鼓励」「客观中立」「严格批评」）。