在使用大语言模型（LLM）如DeepSeek、通义千问或ChatGPT时，Prompt--提示词扮演着至关重要的角色。理解Prompt是什么、如何设计、如何分类和管理，是我们开发高效智能应用的基础。本文将系统梳理Prompt的核心知识，并帮你建立一套完整的认知体系。
一、什么是Prompt？
Prompt，即提示词，是我们与LLM交互时输入的文本。
举个例子，当你在ChatGPT里提问：“中国2024年的国民生产总值是多少？”这段提问本身就是一个Prompt。
LLM接收Prompt后，会基于已有知识和算法进行续写，输出我们看到的回答。
总结：Prompt是唯一可以直接影响模型行为的数据输入。
二、为什么Prompt设计如此重要？
无论是在聊天机器人、智能问答、内容生成还是搜索引擎优化中，最终实现什么效果，都依赖于找到或设计出最适合的Prompt。
可以说：
✅ Prompt的质量 = LLM产出效果的上限。
一个好的Prompt能极大提高模型的准确率、可靠性和表达质量；而设计不好，则容易出现答非所问、逻辑混乱、内容失真等问题。
三、Prompt的长度限制——K窗口
在交互过程中，Prompt的总长度并不是无限的，而是受限于模型的“上下文窗口（K窗口） ”。
- K窗口代表模型一次能够“看到”的最大文本长度。早期模型的K窗口只有几千token，而现在Llama4这样的新一代模型，K窗口已经扩展到了1000万token，能处理更复杂、更长的对话和资料。
注意：如果Prompt内容超出K窗口，模型一般会优先保留System Prompt，截断User Prompt较早部分，以保证对当前任务指导的完整性。
这种机制尤其在多轮对话场景下很重要，因为旧的问题往往重要性低于最新的提问。
四、Prompt的基本组成
一个完整的Prompt通常包括两部分：
System Prompt（系统提示）
- 定义全局规则、风格、限制条件。告诉模型“你是什么角色”、“你该怎么回答”。
User Prompt（用户输入）
- 直接描述用户希望得到的内容或答案。
示例：
System Prompt：请用通俗易懂的语言回答用户的问题，从三个角度分析，最后总结，回答不超过200字。User Prompt：中国2024年的国民生产总值是多少？
最终提交给模型的完整Prompt是二者的拼接。
五、Prompt的分类方法
为了更系统地管理和使用Prompt，可以从多个角度对其进行分类：
1. 按内容结构分类
- 参考资料、样例、指令
将资料或样例直接放入Prompt，引导模型学习，这种方法叫做In-Context Learning（上下文学习） 。
2. 按样例数量分类
- Zero-Shot：没有示例，直接提问。One-Shot：给一个示例后提问。Few-Shot：给多个示例后提问。
常见应用：
通过将相同Prompt在Zero/One/Few-Shot下执行，统计不同模型的表现，从而做出模型选型决策。
3. 按任务类型分类
- 问答型、检索型、生成型、翻译型、分类型、排序型、摘要型、解释型、逻辑推理型、格式化型等。
4. 按指令模块分类
- 身份设定背景设定目标设定输入示例输出格式要求限制条件说明
（例如，要求模型用200字以内回答。）
六、Prompt数据准备与使用方法论
要让模型在实际业务场景中发挥最大效果，需要进行系统性的数据准备和管理：
1. 数据准备
- 准备大量高质量Prompt，覆盖各种场景和任务。为每个Prompt准备高质量Response（参考答案） 。对Prompt进行精细化打标签：标记它属于对话、问答、指令还是其他任务。
2. 执行与打分
- 在选定的基座模型上，分别在Zero-Shot、One-Shot、Few-Shot条件下运行每个Prompt。每种条件执行10次取平均分，确保结果稳定。
3. 评估与优化
- 生成统计表格，评估模型在不同场景、不同设置下的表现。找到效果最好的模型组合。在微调（Fine-Tuning）期间不断验证Prompt集，记录每次优化的变化。发现弱项，针对性提升，比如补充训练样本或修改Prompt结构。
4. 流程总结
所有过程应基于Prompt+Response+标签的数据进行：
打分 → 评估 → 调整训练 → 再测试 → 再打分 → 再评估 → 持续迭代优化
七、LLM对话型产品中的Prompt工作流
在真实产品中，Prompt并不是简单直接提交的，而是经过一系列后台处理：
客户端：用户输入问题；
服务端：
- 接收输入；进行问题分类（比如内容生成、检索问答、翻译指令等）；查询数据库，查找参考资料、样例、规则；根据分类设定System Prompt；拼接User Prompt，形成完整的输入；提交到模型生成回答；
质量控制：
- 把模型的初步输出交给**打分模型（自动评估器）**打分；如果分数低，自动重新生成（如重写Prompt或调整细节）；分数高的回答返回给客户端显示。
打分模型一般会从逻辑性、流畅性、完整性、符合指令程度等维度综合打分。
小结
整体来看，Prompt的设计与管理不仅是简单的写提示词，更是一个涉及内容结构、样本设计、执行测试、打分优化的系统工程。掌握这套方法论，才能真正发挥大模型的能力，做出可靠、可控、可扩展的AI应用。
进一步优化建议
为了让你的Prompt管理能力更进一步，建议补充以下两块内容：
- 提示工程（Prompt Engineering）技巧：如链式思考（Chain-of-Thought Prompting）、反向思考提示、思维树提示等高级技巧，能在Zero-Shot下大幅提升效果。Prompt版本管理：用版本号、日期、备注记录不同版本Prompt的演变过程，尤其适用于长期维护的大型系统。
