SUN 整理自多方资料，涵盖 Prompt 基础概念、结构化框架和常用技巧。
1. Prompt 的定义
Prompt（提示词）是给 AI 模型的指令，指令的明确性和详细性决定了模型的输出效果。
核心原则：指定角色、明确任务、控制输出格式。
2. 大模型的局限性
编写 Prompt 时需要了解当前大模型的固有局限：
- 时效性差：模型知识截止于训练数据日期，无法获取最新信息（可通过联网搜索插件、RAG 等方式缓解）
- 上下文长度有限：超长文本可能丢失信息，建议分段处理、表达清晰
- 幻觉问题：模型可能生成看似合理但事实错误的内容（概率性生成的本质）
- 无法精确控制字数：要求生成 1000 字可能输出 800-1200 字
- 长期规划能力不足：在遇到意外错误时难以动态调整计划
3. 结构化框架
基础框架（角色-任务-格式）
一个有效的 Prompt 应包含：
- 角色（Role）：让模型扮演特定角色（如"资深后端工程师"）
- 任务（Task）：明确要完成的具体任务
- 格式（Format）：指定输出格式（Markdown、JSON、表格等）
角色：你是一位资深的 Python 后端工程师
任务：请审查以下代码的安全性问题，找出潜在的 SQL 注入和 XSS 漏洞
格式：以表格形式输出，列包括：问题位置、风险等级、修复建议
进阶框架
| 框架 | 要素 | 适用场景 |
|---|---|---|
| CRISPE | 能力(Capacity)、角色(Role)、洞察(Insight)、陈述(Statement)、个性(Personality)、实验(Experiment) | 复杂角色扮演 |
| RACE | 角色(Role)、行动(Action)、上下文(Context)、期望(Expect) | 通用任务描述 |
| COAST | 背景(Context)、目标(Objective)、行动(Action)、场景(Scenario)、任务(Task) | 多步骤任务 |
| TRACE | 任务(Task)、请求(Request)、操作(Action)、上下文(Context)、示例(Example) | 需要示例的任务 |
| LangGPT | 使用 Markdown 结构定义：角色、限制、能力、工作流等 | 高级结构化 Prompt |
4. 常用技巧
Few-shot Prompting（少样本提示）
在 Prompt 中给出几个输入-输出示例，帮助模型理解任务模式：
将以下英文翻译为中文，保持技术术语准确：
示例1：
输入：The kernel launch configuration specifies grid and block dimensions.
输出：内核启动配置指定了网格和线程块的维度。
示例2：
输入：Cache coherence ensures consistency across multiple processors.
输出：缓存一致性确保多个处理器之间的一致性。
请翻译：
输入：The attention mechanism allows the model to focus on relevant parts of the input.
Chain-of-Thought（思维链提示）
引导模型逐步推理，而非直接给出答案：
请逐步分析以下问题：
1. 首先确定问题的类型
2. 列出相关的公式或原理
3. 逐步推导
4. 给出最终答案
其他技巧
- 约束输出：明确字数、格式、语言等限制条件
- 提供上下文：给出背景信息，减少歧义
- 迭代优化：根据初次输出调整 Prompt，逐步改进
- 负面指令：明确告诉模型不要做什么（如"不要编造数据"）
5. 推荐学习资源
- OpenAI Prompt Engineering Guide — OpenAI 官方 Prompt 编写指南
- Anthropic Prompt Engineering Guide — Anthropic 的 Prompt 最佳实践
- LangGPT — 结构化 Prompt 开源框架