Prompt Engineering
写好 Prompt 不是玄学，而是一门「把意图结构化地翻译给模型」的工程技艺。清晰、具体、可验证，是高手与新手的分水岭。
很多人把 Prompt 工程理解为「加一堆 magic word」，比如「你是某领域专家，请逐步思考」。这些技巧有时有效，但本质上是表层。真正决定输出质量的，是你能否把业务需求拆解成模型可执行的指令结构。
我常用的框架是「角色 - 任务 - 上下文 - 约束 - 输出格式」。角色决定语气与专业深度；任务必须单一且可验证；上下文要给出足够的背景信息但避免噪声；约束要明确边界，比如字数、风格、禁用词；输出格式最好给示例，让模型少猜。
对于复杂任务，我不会指望一条 Prompt 解决所有问题，而是采用分链式（Chain-of-Thought）或多步调用：先让模型拆解问题，再分别处理每个子任务，最后汇总。Few-shot 示例在此非常关键——好的示例胜过千言万语，而错误的示例会直接把模型带偏。
Prompt 工程的最高境界，是建立一个可复用的「Prompt 资产库」：针对高频场景沉淀模板，记录版本迭代与效果数据，让团队不再从零写 Prompt。这也是 AI 训练师与业务团队之间最重要的协作桥梁。
把模糊的业务需求转化为「角色-任务-上下文-约束-格式」五要素，确保模型理解的是目标而非碎片。
用 Few-shot 示例锚定输出风格，通过 A/B 测试对比不同 Prompt 的效果，持续沉淀高得分模板。
对复杂任务采用 Chain-of-Thought 或多 Agent 分步执行，先拆解再生成，提升准确性与可控性。