构建高效的 Prompt 工程体系

为什么需要 Prompt 工程

随着大模型能力越来越强，如何有效地"提问"成为了一项核心技能。好的 Prompt 能让模型输出质量提升数倍，而糟糕的 Prompt 即便使用最强的模型也会得到平庸的结果。

核心框架：RICE

经过大量实践，我总结出一个 Prompt 构建框架：RICE

• Role（角色）：给模型设定一个具体的身份
• Instruction（指令）：清晰描述要完成的任务
• Context（上下文）：提供必要的背景信息
• Example（示例）：用 1-3 个例子展示期望的输出格式

你是一位有 10 年经验的 MySQL 数据库专家（Role）。

请分析以下 SQL 查询的性能问题，并给出优化建议（Instruction）。

背景：这是一个电商系统的订单表，日均 100 万条数据，查询响应时间超过 3 秒（Context）。

输入 SQL：
[SQL 内容]

请按以下格式输出：
1. 问题分析
2. 优化方案
3. 优化后的 SQL（Example）

进阶技巧

思维链（Chain of Thought）

对于复杂推理任务，让模型先"想"再"答"：

请先分析这道题的已知条件和求解思路，
然后再给出最终答案。

自我校验

在单次对话中让模型检查自己的输出：

请完成以下任务，完成后检查你的输出是否符合要求，
如果有问题请直接修正。

输出约束

明确指定格式，减少后处理工作量：

请以 JSON 格式返回，格式如下：
{"title": "", "summary": "", "tags": []}
不要返回任何其他内容。

常见误区

1. 指令模糊：「帮我改进这段代码」→「找出这段代码的性能瓶颈，并给出重构方案，保持原有接口不变」
2. 上下文过多：把所有背景都塞进 Prompt，反而让模型抓不住重点
3. 忽视输出格式：不约束格式，每次输出结构不一，难以批量处理

工具推荐

• PromptLayer：记录和版本管理你的 Prompt
• LangSmith：观测 LLM 调用链路
• Anthropic Console：测试 Claude 系列模型

持续迭代，建立自己的 Prompt 知识库，是提升效率的最佳路径。