Prompt Engineering 是使用大模型最重要的技能之一。好的 Prompt 和差的 Prompt，输出质量可能天差地别。
1. 使用角色设定
给模型一个明确的角色，可以显著提升输出质量：
你是一位资深的 Python 后端工程师，拥有 10 年开发经验。
请帮我 review 以下代码，关注性能和安全性问题。
2. 提供示例（Few-Shot）
通过给出 1-3 个输入输出示例，让模型理解你期望的格式和风格。
3. 结构化输出
明确要求输出格式，比如 JSON、Markdown 表格、分步骤列表等：
请以 JSON 格式输出，包含以下字段：
- summary: 一句话总结
- key_points: 关键要点数组
- difficulty: 难度等级（1-5）
4. 分步思考（Chain of Thought）
使用 “Let’s think step by step” 或 “请一步步分析” 引导模型进行推理。
5. 设定约束条件
明确告诉模型什么不该做，减少不需要的输出。
6. 使用分隔符
用 """ 或 --- 将指令和内容分隔开，避免模型混淆。
7. 迭代优化
不要期望一次就写出完美的 Prompt。像调试代码一样，反复测试和优化。
8. 控制输出长度
明确字数或段落要求，避免模型输出过长或过短。
9. 利用系统提示
API 调用时，充分利用 system 消息设置全局行为。
10. 温度参数调优
创意任务用高温度（0.7-1.0），精确任务用低温度（0-0.3）。
总结
Prompt Engineering 不是玄学，而是一套可以学习和练习的技能。掌握这些核心模式，你的大模型使用效率会大幅提升。
