✨
Prompt Engineering 速查 2025
10大提示词技巧 + 实战模板，让 AI 输出更精准
1️⃣ Zero-Shot 零样本提示
📝 直接提问 入门
不提供任何示例，直接描述任务让 AI 完成。适合简单、明确的任务。
❌ 模糊
帮我写个东西
✅ 清晰
写一段100字的产品介绍文案，
产品：智能保温杯
特点：12小时保温、显示温度
风格：简洁专业
2️⃣ Few-Shot 少样本提示
📚 提供示例 入门
提供1-5个示例，让 AI 学习模式后处理新输入。示例质量比数量更重要。
请将以下句子改写为更正式的商务语气：
示例1：
输入：这个方案不行
输出：该方案可能需要进一步优化
示例2：
输入：你搞错了
输出：这里似乎存在一些误解
现在处理：
输入：这价格太贵了
输出：
3️⃣ Chain-of-Thought 思维链
🔗 逐步推理 中级
让 AI 展示推理过程，而不是直接给出答案。显著提升逻辑和数学任务的准确率。
问题：一家商店有125个苹果，卖掉了68个后，
又进货了45个，现在有多少个苹果？
请一步步思考：
1. 初始数量：125个
2. 卖掉后：125 - 68 = 57个
3. 进货后：57 + 45 = 102个
答案：现在有102个苹果
触发词：
Let's think step by step
让我们一步步思考
请详细解释你的推理过程
中文触发
First... Then... Finally...
分步引导
4️⃣ Role Prompting 角色扮演
🎭 设定身份 入门
为 AI 设定一个专业角色，让它从该角度思考和回答。
你是一位有20年经验的资深前端架构师，
精通React、Vue、性能优化和团队管理。
请以架构师的视角，评审以下代码并给出改进建议：
[代码内容]
要求：
1. 指出潜在的性能问题
2. 评估代码可维护性
3. 给出具体的重构方案
5️⃣ ReAct (Reason + Act)
🔄 推理与行动 高级
结合推理（Thought）和行动（Action），模拟人类解决问题的方式。
问题：北京到上海的高铁票价是多少？
Thought 1: 我需要查询北京到上海的高铁信息
Action 1: Search[北京到上海高铁票价]
Observation 1: 二等座553元，一等座933元...
Thought 2: 已获取到票价信息，可以回答
Action 2: Finish[二等座553元，一等座933元]
💡 ReAct 是 AI Agent 的核心提示模式，适合需要多步操作的复杂任务
6️⃣ Step-Back 逐步回退提示
🔙 先抽象再具体 中级
先让 AI 思考相关的通用原则，再解决具体问题。适合复杂的专业问题。
具体问题：如何优化 React 组件的重渲染？
Step 1 - 先问通用问题：
"React 渲染机制的核心原理是什么？"
Step 2 - 基于原理解决具体问题：
"基于上述原理，请分析以下组件的性能问题
并给出优化方案..."
7️⃣ Tree-of-Thought 思维树
🌳 多路径探索 高级
同时探索多条推理路径，评估每条路径的可行性，选择最优解。
问题：设计一个用户登录系统
路径A：传统账号密码
├─ 优点：用户熟悉，实现简单
├─ 缺点：安全性依赖密码强度
└─ 评分：7/10
路径B：OAuth第三方登录
├─ 优点：无需管理密码，用户体验好
├─ 缺点：依赖第三方服务
└─ 评分：8/10
路径C：无密码登录（邮箱/短信）
├─ 优点：安全性高，无密码泄露风险
├─ 缺点：实现复杂，有成本
└─ 评分：8/10
最优方案：结合B和C，主推OAuth，备选邮箱验证
8️⃣ APE 自动提示优化
🔧 让 AI 优化提示词 中级
让 AI 帮你改进提示词，生成更有效的版本。
我的原始提示词：
"帮我写个产品文案"
请你：
1. 分析这个提示词的不足
2. 生成3个改进版本
3. 解释每个版本的改进点
4. 推荐最佳版本
9️⃣ 结构化输出
📋 指定输出格式 入门
明确要求输出格式（JSON、Markdown、表格等），确保结果易于处理。
分析以下用户评论的情感倾向。
评论：这个产品太棒了，发货也快，强烈推荐！
请以JSON格式返回：
{
"sentiment": "positive/negative/neutral",
"confidence": 0-1之间的数值,
"keywords": ["关键词数组"],
"summary": "一句话总结"
}
🔟 实用技巧速查
📐 CRISPE 提示框架
C
Capacity - 设定 AI 的能力/角色
R
Request - 明确请求的任务
I
Input - 提供必要的输入信息
S
Style - 指定输出风格
P
Personality - 设定语气/性格
E
Example - 提供参考示例
✅ 最佳实践
🎯任务目标要具体明确
📊复杂任务分解为子任务
📝提供足够的上下文信息
🔢使用数字限制输出长度
💬用分隔符标记不同部分
🔄迭代优化提示词
- 避免使用"不要"等否定词（说明要什么，而非不要什么）
- 避免过于复杂的嵌套指令
- 避免假设 AI 知道特定上下文
- 避免一次性提出过多要求
🔗 延伸阅读
最后更新：2025年12月 | 基于 Google、OpenAI、Anthropic 最新研究