提示工程 - 示例、技术和最佳实践

以模型响应的单一、可衡量的目标开始。 将每个指令与该目标对齐；将消息映射为向模型提供结构化上下文；使用一个prompt_template，它捕捉意图、约束、评估标准。

使用一个hook，它锚定开头的conversations，并明确期望什么构成成功的回复。将设置视为开发阶段；将每个messages序列映射为紧凑、明确的路径；一个prompt_template，它引导模型朝向期望的行为。mirascope视图有助于识别不同上下文中的盲点；从随意到正式的查询。

pitfalls会破坏可靠性；要小心。在首先，定义约束：长度、风格、安全；之后，从多次运行中收集响应；跟踪不同上下文中的消息，以发现揭示偏差或漂移的模式。

一旦存在稳定的骨架，通过工作流程的模块化部分传播它：一个基础prompt_template，一组约束向量，后处理检查列表。对于不同场景，重用相同的结构，仅调整表面元素；这在模型被要求切换语域时保持输出可预测。可靠性的首都在于可重复的步骤，而不是一次性技巧。

在迭代过程中，提及与模型对话的已证明方法，以避免漂移；将提示的部分分离为标题、约束、评估提示。该技术在不同提示中产生干净的响应；mirascope警报有助于在偏差传播之前定位不对齐。

提示的范围和约束

在起草指令之前设置固定的范围；定义任务类型；锁定user_message边界；这减少了漂移。使用mirascope将计划与输出对齐；建立清晰的护栏，管理内容、格式；时机。

• 范围边界：定义领域；允许的内容；语言；输出长度；限制对外部网站的依赖，仅限于可信来源；需要时要求引用；用于 grounding 的咨询文本必须被记录。
• 约束类型：风格；语气；格式化；结构；内容边界；使用明确上下文处理user_message输入；保护隐私；避免不允许的主题。
• 任务类型：包括分析、分类、生成、总结、翻译等类型；一旦设置范围，为每个类别定制提示；使用文本作为输入材料；任务。
• User_message处理：提取上下文；告知利益相关者适用的约束；验证来源可靠性；如果缺少上下文，提示澄清；在user_message和系统输出之间保持清晰分离；安全处理数据。
• 定制提示：适应受众；调整复杂性；定制提示提高相关性。
• Mirascope对齐：使用mirascope将约束映射到任务输出；确保阶段间的一致结果。
• 计算：要求对数字结果进行计算；定义可接受范围；根据可信来源验证计算。
• 评估：定义指标；运行自动化检查；跟踪响应时间；监控相对于范围的漂移；继续监控以防止泄漏。
• 输入来源：使用user_message作为主要信号；系统消息或工具输出的文本限制为相关内容。
• 潜在漂移：识别可能的故障模式；实施护栏；安排定期审查。

清晰指令：框架、角色和输出格式

推荐：为模型锁定一个角色；制作简洁的角色描述；使用一个prompt_template绑定persona、范围、输出格式；要求user_message启动流程；包含一个澄清目的的hook；确保流程保持自然；通过数据衡量影响；高效总结大型数据集；提供精确推荐；任务后审查提高质量。

框架要素

角色框架元素：主要角色塑造输出；从各种选项中选择：分析师、顾问、翻译者；在语言模型操作的领域中设置范围；指定首选语气；确保输出保持在模型约束内；在提示中定义成功标准；包括推荐；跟踪任务后调整以服务大用户；保持上下文简洁以清晰。

输出格式、验证

输出格式：规定确切结构；使用固定的prompt_template；要求输出以JSON、项目符号列表形式交付；在开头包含一个hook；指定字段：summary、解决方案、next_steps；确保解决方案保持可操作；涉及轻量级后处理；路径对读者保持自然。

方面	规范	示例
框架	固定角色；prompt_template绑定persona、范围、输出格式；user_message激活流程	角色：数据分析师；hook以简洁总结开始
输出	结构化格式；JSON或项目符号列表；字段：summary、解决方案、next_steps；语气自然	示例：{ "summary":"...", "解决方案":"...", "next_steps":["..."] }
验证	检查列表；验证准确性；任务后审查；日志记录	指标：准确性目标；日志偏差；如果需要触发重新生成

提示模板：可重用模式和参数化

为每个工作流程采用模块化、参数化的模板；结构化模板，以便根据上下文、受众、目标切换部分。

下面，下面你将找到为灵活部署构建的可重用模式，适用于不同应用；这些模板保留结构，提供自然清晰度；支持不同用户、上下文、领域的语言调整。你的经验表明，模块化模板减少部署时间；降低风险，提高一致性。

常见陷阱包括脆弱的占位符、过长的列表、缺少默认值、模糊目标。通过明确变量类型；默认值；自我检查；清晰语言来缓解。使用合成数据验证输出以暴露漂移。

模板的部分，或部分，包括标题；参数块；默认映射；验证步骤；所有绑定到一个单一结构。保持参数字典紧凑；在应用间重用键。

设计原则强调清晰而非冗长；使用结构引导响应；自然措辞；允许在语言标签中进行语言调整。这促进更广泛的应用；一致语气，特别是针对亚马逊上下文中的客户。

参数化提示：定义规范字典；分配默认值；为每个变量包含类型；指定预期范围；嵌入样本值作为实时文档。你可以根据上下文调整参数；跨团队重用；在广泛部署前与实时受众运行小型试点。

可行的模板出现在客户支持中；产品发现流程；培训模块；大型语言模型在复杂任务中受益于稳定、可重用的模式。

高级技术：少样本、思维链和自我检查

推荐：为此任务实施简洁的少样本流程；选择2–4个反映典型输入的演示；保持结构简短、简单；清晰标记输入；维护描述示例理由和用法的文档。

数据漂移发生时，定期刷新示例；依赖反映当前领域的新鲜数据；选择跨类别的多样示例；通过在演示提示中排除未来信息避免泄漏；阶段输入结构在阶段间保持稳定以提高耐用性。

思维链流程：请求描述达到结论的步骤；采用简短推理轨迹以降低成本；要求模型在答案前描述步骤；这提高了可靠性；限制为3–5行以维持吞吐量。

自我检查阶段：提示模型在最终确定前验证自己的响应；要求简短检查、数字置信度或简短理由；使用后续查询触发重新检查，而不强制完整重新运行；这种实践支持遵守质量。

处理输入时注意隐私；应用预处理，如清理、规范化，以及停用个人信息；使用匿名数据，不披露标识符；为模型、输入、输出维护版本化笔记；文档结构、理由和技术描述以指导工程描述：针对给定查询使用了哪种方法；版本将帮助比较迭代结果。

在简短文档中记录每个更改，包括文本提示、示例库存和观察到的输出；版本控制确保可追溯性；描述提示和评估指标的结构；版本标签将帮助团队随时间比较结果。

评估和迭代：使用真实场景测试提示

通过选择少量最近日期的工作流程启动真实场景评估，以镜像日常操作；实施现实主义方法；捕获类似于患者对话、随意查询的输出；决策任务；将结果与准确基线比较；在链接数据源、用户意图、观察结果的链中记录差异；这种准备在更广泛部署前降低风险。这项工作提高了可靠性。

可衡量的信号

定义重要的指标：准确性、覆盖率、延迟；建立少样本基线以比较；依赖真实会话的日志；包括思想来源以解释偏差背后的理由；识别常见故障模式，如模糊输入、缺少上下文或误解；优先透明轨迹，便于调试；亚马逊上下文说明用户意图如何随上下文变化；这种信号变化允许揭示弱点；听起来像诗。

迭代节奏

每次运行后，分析差距；采用迭代方法；更新措辞和示例；测试少样本配置；在相同集上重新运行以衡量收益；维护带日期的变更链；跟踪周期间的准确性改进；这有助于保持质量控制。

选择模型；少样本模式

选择模型混合；包括轻量级加上更大的模型以测试泛化；对于复杂任务优先多步推理；使用带有多样示例的少样本提示；避免依赖单一示例；在亚马逊上下文中比较输出；确保输出听起来自然、简洁；在领域间衡量校准。

文档、来源