好的提示词能精准引导大模型的输出方向，避免结果偏离预期。对于 AI 交互，提示词是高效沟通的桥梁。好的提示词可节省反复修改时间，提升内容质量与契合度，确保获取信息或结果符合需求。
下文将以几种典型的提示词撰写方法为例，进行介绍：如何根据具体的应用场景来选择合适的提示词撰写方法。
- 零样本提示（Zero-shot）：仅提供任务描述，不包含示例，适用于输出简单的任务的场景（如电影评论情感分析）。
提示词示例：请对以下电影评论进行情感分类，判断其是正面、负面还是中性：这部电影剧情紧凑，演员演技精湛，视觉效果震撼，整体观影体验非常棒，是一部不可多得的佳作。
- 少样本提示（Few-shot）：通过1-5个示例引导模型学习模式（如将披萨订单解析为 JSON 格式），需确保示例的多样性和质量。适用于具有严格的输出格式要求的场景。
提示词示例："请将以下披萨订单文本转换为结构化JSON格式，需包含尺寸、配料、配送要求等字段。示例如下：
-
- 示例1：
输入：'12寸薄饼披萨，加双倍芝士和意大利辣肠，备注：晚7点后配送'
输出：{"size":"12寸","crust":"薄饼","toppings":["双倍芝士","意大利辣肠"],"delivery":"晚7点后"}
-
- 示例2：
输入：'芝心边厚底披萨，不要青椒，多加蘑菇，地址：花园小区3栋'
输出：{"size":"未指定","crust":"厚底","crust_edge":"芝心","toppings":["蘑菇"],"exclude":["青椒"],"address":"花园小区3栋"}
- 系统提示（System Prompting）：定义全局任务框架（如强制返回 JSON 格式或过滤有害内容），适用于结构化输出和安全性控制。
提示词示例：你是一个智能客服助手，需处理用户咨询并返回结构化回复。所有输出必须为JSON格式，包含question（用户问题）、answer（回复内容）、confidence（置信度，0-1）字段。同时，严禁输出任何包含个人隐私或敏感信息的内容。
- 角色提示（Role Prompting）：赋予模型特定身份（如导游、代码审查员），以调整输出风格和视角。
提示词示例：你是一名专业的旅游规划师，擅长根据用户需求定制旅行方案。请以专业、细致的态度，结合当地特色与用户偏好，为计划前往巴黎的用户提供一份包含景点、美食、住宿的3日旅行攻略。
- 上下文提示（Contextual Prompting）：提供任务相关背景信息（如针对机器学习领域最新研究热点问题的相关文章），增强输出的相关性。
提示词示例：你是一名AI行业分析师，需针对“AI大模型在自动驾驶中的实时决策优化”撰写分析报告。请参考以下网页信息：【多传感器时序对齐与动态注意力机制】和【2025年自动驾驶计算平台能效白皮书】作为背景信息进行撰写。
- 回溯式提示（Step-back Prompting）：通过先回答抽象问题（如“游戏关卡设计的核心原则”）再解决具体任务，激活模型的深层知识，提升复杂问题（如设计游戏剧情）的解决能力。
提示词示例：你是一名游戏设计师，请先阐述游戏剧情设计的核心原则，如叙事逻辑、情感共鸣与玩家参与度平衡。接着，运用这些原则设计一个科幻主题的游戏剧情大纲，要求包含关键情节转折与角色成长路径，并说明设计思路。
以下为几种提升模型推理能力的提示方法：
- 思维链（Chain of Thought，简称CoT）：要求模型分步解释推理过程（如数学问题），显著提高复杂任务（如漏洞分类）的准确性。需注意输出长度增加带来的成本。适合场景：那些特别复杂、逻辑链条长的任务。
- 自洽性（Self-consistency）：多次生成不同推理路径，通过多数投票选择最优答案，增强鲁棒性（如邮件分类任务中平衡矛盾结果）。适合场景：在结果可能有矛盾、不确定的任务里特别有用。
- 思维树（Tree of Thoughts，简称ToT）：允许多路径并行推理（如图1对比CoT与ToT），适用于需探索性决策的任务（如多步骤规划）。适合场景：对于那些需要广泛探索、尝试多种可能性才能做出决策的任务很合适。
- 推理与行动（Reason & Act，简称ReAct）：结合推理与外部工具调用（如搜索API），模拟人类“思考-行动”循环（如通过Google搜索汇总乐队成员子女数量）。适合场景：那些需要实时、准确数据才能得出正确结果的任务。