为什么 Prompt Engineering 依然重要？

有人说 Prompt Engineering 是过渡期产物，模型越来越强就不需要了。我不完全同意。

模型确实在进步，但 prompt 本质上是人和 AI 之间的 protocol。就像 API 设计不会因为后端变强就不重要一样，prompt 设计关乎的是"如何精确表达意图"——这个需求永远存在。

Core Patterns

1. Zero-Shot：直接了当

最简单的方式，直接告诉模型你要什么：

你是一个专业的文案编辑。请将以下用户评论改写为正式的产品评测，
保持核心观点不变，语气客观中立。

用户评论：这个耳机音质太炸了 低音给力 就是戴久了耳朵疼

适用场景：任务明确、模型能力已经很强的领域（翻译、摘要、格式转换）。

2. Few-Shot：以身作则

给几个 example，让模型学会 pattern：

请根据用户的自然语言描述，生成搜索查询。

示例1：
输入：最近有什么好看的科幻电影
输出：2026 高分科幻电影推荐

示例2：
输入：Python 怎么读取 Excel
输出：Python pandas read_excel 教程

现在请处理：
输入：怎么把图片背景去掉

关键技巧：examples 的多样性比数量更重要。3 个覆盖不同 pattern 的例子 > 10 个雷同的例子。

3. Chain-of-Thought (CoT)：让模型"想"出来

请分析这款产品的市场定位是否合理。

请按以下步骤思考：
1. 首先识别目标用户群体
2. 分析竞品格局
3. 评估差异化优势
4. 给出结论和建议

产品描述：一款面向 Z 世代的 AI 绘画社交 App...

CoT 的核心不是让模型"更聪明"，而是 强制模型经过中间推理步骤，减少跳跃式回答导致的错误。

4. ReAct：思考 + 行动

ReAct pattern 是 Agent 的基础：

你是一个数据分析助手，可以使用以下工具：
- search_database(query): 查询数据库
- calculate(expression): 计算表达式
- draw_chart(data, type): 绘制图表

用户问题：上个月 DAU 最高的是哪一天？比平均值高多少？

请按 Thought → Action → Observation 的循环来完成任务。

这个 pattern 在 Agent 场景中非常核心。我们在贴吧的 Agent 系统中广泛使用了 ReAct 的变体。

我在工作中常用的 Prompt Template

经过大量实践，我总结了一个通用的 prompt 结构：

## Role
你是 {角色描述}

## Context
{背景信息和约束条件}

## Task
{具体任务描述}

## Output Format
{期望的输出格式}

## Examples (optional)
{输入输出示例}

## Constraints
- {约束1}
- {约束2}

这个结构在 90% 的场景下都好用。关键是 Role 和 Context 决定了模型的"思维模式"，Task 和 Format 决定了输出质量。

Common Pitfalls

  1. Prompt 太长不等于效果好 — 信息过载会让模型"注意力分散"，关键信息反而被忽略
  2. 不要用否定句 — “不要用口语化表达” 不如 “请使用书面语，语气正式客观”
  3. Temperature 不是万能的 — 创意任务调高、确定性任务调低，但差距通常没想象中大

What’s Next

Prompt Engineering 正在从"单条 prompt 优化"演进到"多 Agent prompt 系统设计"。下一篇我会聊聊 Multi-Agent 系统的 prompt 设计——如何让多个 Agent 协调工作，而不是互相打架。