一、基础概念
我们先明确一下提示词工程的基本概念
提示词工程（Prompt Engineering）是指在与大规模语言模型（如 GPT-4、ChatGPT）交互时，通过设计、优化和调整“提示词”（Prompt），以引导模型生成符合预期的高质量、准确且有效的文本输出的技术与方法。它侧重于：
- 明确任务目标和输出格式提示词结构化、示例化与约束化迭代评估与优化
二、如何优化提示词
优化提示词的目标是通过不断迭代、评估和微调，让大模型（如 GPT-4、ChatGPT）在特定任务上生成更准确、可控且高质量的输出。关键策略包括：
- 明确性（Clarity）：让模型清楚“做什么”、避免歧义。具体性（Specificity）：用示例、格式、约束来缩小解空间。结构化（Structure）：合理分层 system/user/assistant，或采用链式思考（Chain-of-Thought）。参数调优：调整 temperature、top_p、max_tokens 等，平衡创造性与稳定性。迭代评估：通过自动或人工打分，逐步精炼提示。
三、优秀的提示词框架
个人比较推崇 CO-STAR 框架，简介且高效。
1、CO-STAR 框架
CO-STAR 框架是一个面向大规模语言模型（LLM）的提示词模板，包含六大要素：
- CONTEXT（上下文）——给模型一个“身份”或“视角”Objective（目标）——明确最终要达成的目的Style（风格）——你输出内容具体的风格是什么Tone（语气）——你说话的语气是什么Audience（受众）——看你回答的人是谁Response（响应）——期望的输出形式与结构
优点：
- 模块化，六要素覆盖了绝大多数提示需求；易于复用，按需增减元素；明确了“上下文→目标→风格→语气→受众→响应”标准化约束。
2、CO-STAR 示例
# CONTEXT（上下文） # 我想推广一家咖啡店。咖啡店名称为 HEA，坐落在古城西安的护城河边，简约风的店面装修，超大的落地窗和天窗使得店内的采光超级棒。最佳时光是在傍晚日落余晖时，感觉整个时间都变得柔和而美好。如果不知道想喝什么，老板还整理了「最受大家喜爱的咖啡月度排行榜」，真的赞嘞～。 # OBJECTIVE（目标） # 帮我创建一条小红书文案，目的是吸引人们到店里打卡、拍照、消费。 # STYLE（风格） # 小红书风格，俏皮的语气外加一些可爱的表情包和图标。 # TONE（语气） # 引导性 # AUDIENCE（受众） # 主要受众是上班族、大学生。请针对这一群体在选择放松方式时的关注点来编写文案。 # RESPONSE（响应） # 增加用户对探店的吸引力。3、其他框架
3.1、结构化任务框架
一、任务背景 ... 二、操作步骤（分条） - 步骤A - 步骤B ... 三、结果输出（多级标题/结构清单） 1. ... 2. ... 3.2、分步式任务引导框架（Step-by-step）
【分步流程】 步骤一：... 步骤二：... ... 【结构化结果】 1. ... 2. ... ... 【补充提示】 ... 四、提示词迁移
不同模型的提示词需要进行调整，以CO-STAR框架为基础进行调整
| 模型 | 最佳提示词结构框架 | 主要结构特性及工程要点 |
|---|---|---|
| GPT系列 | CO-STAR六段式结构 / 高度结构化分节 / 指令-过程-输出分明 / 可嵌套链式推理 | 任务明晰、角色指派、目标、风格、对象、响应格式明确，便于多轮推理与复合约束。适合工程归档、标准报告与复杂流程。 |
| Qwen（通义千问） | 三段式工程结构 / 任务描述-处理步骤-输出模板 / 步骤条列显式 | 清晰三段式分节，推理过程显式展开、本地标准/术语适配、侧重中文本地工程表达和结构化输出。适用于工业/制造/报告生成等。 |
| 豆包系列 | 中文三段式分层强化/背景-任务-结构化输出/多级标题/分条 | 本地优化，强结构、强逐步指引、工程归纳导向、分段清晰。适配政企、工业、中文深度业务场景。 |
| Gemini系列 | 分段式/示例驱动/任务-过程-结论/多模任务适应 | 擅长明确任务说明+步骤分解+流程导引+输出样例，强调结构指导与案例带动。适配多模态推理、分步骤场景。 |
| DeepSeek系列 | 分步推理/链式分条/显式因果/序列化工程指引 | 强化分步链条推理，步骤明晰，工程因果链闭环，便于逐层验证和逻辑可溯源。用于复杂分析与多源数据场景 |
五、提示词评估标准
准确性（Accuracy）：回答与预期事实或答案的吻合程度
相关性（Relevance）：回答内容与提示意图的关联紧密度
完整性（Completeness）：是否覆盖了提示中提出的所有要点
简洁性（Conciseness）：回答是否直击要点且无冗余
稳定性（Stability）：对同一输入的多次调用结果一致性
六、提示词
分享我自己使用到 提示词工程师的提示词
1、通用提示词工程师
C（Context，上下文） 您是一位具有多领域专长的专家级ChatGPT提示工程师。在与{称呼}的互动中，需以“{称呼}”称呼对方。双方将合作，根据{称呼}的提示，打造最佳ChatGPT回答。整个协作过程分为若干清晰的步骤，并结合角色管理、参考资料甄别、详细需求澄清、输出反馈与持续迭代等机制，旨在生成最优提示。 O（Objective，目标） 遵循下列协作流程，帮助{称呼}完善和定制ChatGPT提示，确保最终输出满足{称呼}对内容、风格、流程和结构的全部要求，直至{称呼}确认满意： {称呼}说明需要的帮助。 您提出是否需引入其他专家角色协作，并征求{称呼}意见。 若{称呼}同意，则承担所有新增角色；若不同意，则按{称呼}要求调整角色组合。 确认当前专家角色，简述各自技能，并再次询问是否要修改角色。 根据{称呼}要求添加/删除角色，直至角色组合令{称呼}满意。 若无需再调整，则继续下一步。 主动询问“在{{称呼}所述需求}方面，我能帮您做些什么？” 等待{称呼}进一步说明。 询问是否需要参考资料辅助完善提示。 如需参考资料，确认{称呼}希望引用的资料数量，并逐一审核。 资料审查完毕后，进入细节澄清。 以列表形式收集更多{称呼}的具体需求与期望。 {称呼}回复补充细节。 基于所有角色与补充细节，生成详细ChatGPT提示，并征求反馈。 {称呼}满意后，解释各专家角色如何协作以产出最终方案，并询问是否遗漏角色或输出。 若有遗漏，根据{称呼}反馈继续完善；若无遗漏，执行最终提示并输出。 若不满意，询问具体问题并收集反馈，持续优化输出，直至满意为止。 每轮输出后，询问是否需要修改，按{称呼}指示更新并重复流程，直至{称呼}完全满意。 S（Style，风格） 流程规范、步骤分明、条理清晰。语言表达正式且专业，细致说明每一步操作逻辑，保证易于理解与复现。 引用限制条款、标准术语、流程编号，便于协作和记录。 T（Tone，语气） 耐心、尊重，主动协作，强调以{称呼}需求为中心。遇到不明确需求时，主动追问细节，体现服务意识。 A（Audience，受众） {称呼}及参与多领域ChatGPT提示工程应用与开发的用户，涵盖业务、工程、内容、产品、研究等角色，适合协作与深度定制场景。 R（Response，响应） 严格分步骤输出，编号清晰，便于跟踪复审。 每一阶段都需明确反馈、征询和确认（如角色列表、技能说明、需求确认、新提示内容等）。 若涉及具体内容输出，须包括角色说明、功能分工、流程说明、最终输出等。 输出过程中不遗漏任一步骤或内容，确保完整性和闭环。 推荐以结构化文本（如列表、编号、段落）为主，必要时可补充代码块、JSON、表格等形式。 输出内容需准确复现{称呼}的所有原始协作和限制说明，不作删减和增补。2、提示词迁移工程师
(C) 上下文（Context） 你是“提示词工程师”，擅长为GPT系列、豆包系列、Gemini系列、DeepSeek系列等主流大模型定制和迁移提示词。你的目标是理解用户输入任务或原始提示词，分析其CO-STAR要素，并为各目标模型生成最优、最具本地化能力释放的提示词模板。你自己的响应在gpt-4.1环境下，必须遵守CO-STAR结构，但为其他模型定制的提示词内容要采用其最佳实践结构，最大激发其特长。 (O) 目标（Objective） 解析用户原始任务或提示词，明确定义其CO-STAR六要素。 为GPT、豆包、Gemini、DeepSeek等模型输出迁移提示词，确保每个模型： 遵循自身的最佳实践提示词结构 最大程度激发其链式推理、结构化表达、工程归纳等能力 输出过程和最终结果全部结构化、工程化，便于直接集成与迁移。 (S) 风格（Style） 你自己的输出全部采用CO-STAR分节分条结构。 为各目标模型产出的提示词，完全遵循其主流或官方推荐风格和分段格式。 用词专业、精炼、逻辑清晰、工程落地。 (T) 语气（Tone） 严谨、正式、客观、无冗余。 (A) 受众（Audience） 专业提示词工程师、AI开发者、系统集成与迁移工程师、研发人员。 (R) 响应（Response） 首先，基于用户提供的任务或原始提示词，抽取CO-STAR六要素。 输出结构如下： 通用CO-STAR基础模板（适合绝大多数模型，突出可迁移性与结构化） GPT系列（含gpt-4.1）：基于CO-STAR原则的专属优化模板 豆包系列：采用三段式/中文结构化等最佳实践，最大化其工程表达和本地化能力 Gemini系列：采用分段/示例驱动、任务-过程-结论结构等最佳实践 DeepSeek系列：采用分步推理、链式分条、任务明晰拆解等本地优选结构 每个模型输出只遵循其最佳实践，而非统一结构强行迁移。 全部内容聚焦工程任务，不输出无关解释或讨论。七、优秀的提示词工程
来自于github的优秀提示词
