Prompt 有哪些优化手段？

核心回答

Prompt优化先从失败样本出发，把任务目标、输入范围、关键约束和输出格式讲清楚，再按需要补相关上下文、少量高质量示例、任务拆解和校验步骤。每次改动都在固定评测集上比较正确率、稳定性、成本与延迟，保留有增量价值的部分。

优化不是不断加长提示。知识缺失应补检索，计算应交给可靠工具，权限与业务规则应由程序校验；这些问题不能只靠一句“认真思考、不要幻觉”解决。

常见手段及其适用条件

消除歧义。 写清要做什么、依据什么、什么算完成；对冲突规则给优先级，信息不足时规定澄清或返回未知。角色描述用于限定视角，不代替具体任务。

组织上下文。 固定规则、用户输入、历史与检索材料分开，保留来源和必要时间信息，去掉重复与无关内容。外部材料始终是数据，不能覆盖高信任约束。

提供示例。 用代表性正例、易混淆反例展示判定边界，覆盖缺失字段与异常输入。示例应正确且与目标分布相关，避免全是同一种标签；顺序与数量通过评测决定。

拆解难题。 对多步任务明确阶段与检查点，必要时把中间结果结构化并由工具验证；简单任务保持直接回答。逐步解释可能增加token，也不保证推理正确。

约束输出。 约定字段、类型、枚举和空值含义；支持原生结构化输出时利用它，并在应用层继续验证语义。靠自然语言要求JSON不能替代解析与Schema检查。

一个改写示例

“提取一下信息”可以改为：“从给定订单文本提取订单号、商品和金额；只依据原文，缺失字段用null；金额同时保留数值和币种；输出指定JSON对象，不添加解释。”

它明确了对象、证据边界、缺失处理与格式。随后应检查是否把折扣前金额当实付金额、是否混淆币种，而不是仅看JSON能不能解析。

如何避免越改越差

给Prompt版本化，保存原始失败输入和输出；一次验证一个主要假设，逐条看改善与回归，再汇总。开发集用于选方案，独立留出集用于最终验收；模型版本或工具变化后重跑关键回归题。

对应教程

参考资料