Universe Prompt 工程指南
高质量的 Prompt（提示词）是释放大语言模型潜力的关键。本指南将帮助您掌握 Prompt 工程的核心原则与实用技巧，通过 Universe API 获得更精准、更可靠的生成结果。
什么是 Prompt 工程
Prompt 工程是指通过精心设计和优化输入给大语言模型的文本指令，引导模型生成符合预期的高质量输出的技术与方法论。一个好的 Prompt 就像一份精确的需求文档——描述越清晰，模型的"交付"就越到位。
Prompt 工程并非一次性工作，而是一个设计 → 测试 → 迭代优化的持续过程。建议您从小规模测试开始，逐步完善 Prompt 结构，直到输出稳定满足业务需求。
核心原则
无论您的应用场景如何，以下四条原则是编写高质量 Prompt 的基础：
| 原则 | 说明 | 关键要点 |
|---|---|---|
| 清晰明确 | 用简洁的语言准确描述您的需求，避免模糊和歧义。 | 说清楚"要什么"和"不要什么"，越具体越好。 |
| 提供上下文 | 给予模型足够的背景信息，帮助其理解任务场景。 | 包含领域知识、用户画像、输出格式要求等。 |
| 设定边界 | 明确输出范围，防止模型"自由发挥"偏离主题。 | 限定字数、格式、语言风格和内容禁区。 |
| 迭代优化 | 没有完美的初版 Prompt，持续测试和调整是关键。 | 记录每次修改及其效果，形成可复用的 Prompt 模板。 |
System Prompt 设计
System Prompt 是每次对话中优先级最高的指令，用于定义模型的角色、行为模式和输出规范。一个设计良好的 System Prompt 能显著提升输出的一致性和可控性。
基本结构
一个完整的 System Prompt 通常包含以下要素：
角色定义：你是谁？（如：资深法律顾问、Python 开发专家）
任务目标：你需要完成什么？（如：审查合同条款、生成单元测试）
输出规范：输出格式、语言、风格、长度等要求
约束条件：不能做什么？（如：不编造数据、不超出知识范围）
示例
基础版：
你是一个专业的客服助手，负责回答用户关于产品使用的问题。
请用简洁友好的语气回复，回答长度不超过 200 字。
进阶版：
# 角色
你是"小宇"，Universe API 平台的官方智能客服。
# 职责
- 解答用户关于 API 调用、模型选择、计费规则等技术问题
- 引导用户查阅相关文档，必要时提供操作步骤
# 回复规范
- 语言：中文
- 语气：专业、友好、耐心
- 格式：使用 Markdown，关键步骤使用有序列表
- 长度：优先简洁回答，复杂问题分段说明
# 约束
- 仅回答与 Universe API 平台相关的问题
- 不确定的信息请明确告知用户并建议联系技术支持
- 不编造 API 端点、参数名或价格数据
最佳实践
- 角色越具体越好：与其说"你是一个助手"，不如说"你是一位拥有 10 年经验的数据分析师，擅长用通俗语言解读复杂数据"。
- 用正面指令代替负面指令："请用简洁的语言回答"比"不要用冗长的语言回答"更有效。
- 分模块组织：使用标题（
#）、列表（-）等结构化方式组织 System Prompt，模型理解更准确。 - 定期更新：随着业务变化和产品迭代，及时更新 System Prompt 中的角色定义和约束条件。
Prompt 编写技巧
1. 提供具体细节，避免模糊指令
模型无法"猜"出您的真实意图。在 Prompt 中补充具体的背景信息、约束条件和期望输出，能大幅提升结果质量。
反面示例：
帮我写一篇文章。
正面示例：
请撰写一篇面向技术团队负责人的博客文章，主题为"如何在企业内部推广 AI API 的使用"。
要求：
- 字数：800-1200 字
- 风格：专业但不枯燥，适当使用类比
- 结构：引言 → 痛点分析 → 解决方案（3 个步骤） → 总结
- 包含至少 1 个实际案例或场景描述
2. 使用分隔符区分指令与内容
当 Prompt 中同时包含操作指令和待处理的内容时，使用分隔符（如 """、---、<tag> 等）将二者明确区分，可以防止模型混淆指令与输入。
请将以下用户评论翻译为英文，并判断情感倾向（正面/中性/负面）。
用户评论：
"""
这个 API 接口响应速度很快，文档也写得很清楚，就是错误提示信息可以更友好一些。
"""
输出格式：
{"translation": "...", "sentiment": "..."}
3. 思维链提示（Chain of Thought）
对于需要推理、计算或分析的复杂问题，引导模型"逐步思考"可以显著提高准确率。
基础用法：在 Prompt 末尾加入引导语。
请分析以下 SQL 查询的性能瓶颈并给出优化建议。
在回答前，请先逐步分析查询的执行逻辑，再得出结论。
进阶用法：指定推理框架。
请按以下步骤分析这份市场报告：
1. 提取报告中的核心数据点
2. 识别数据之间的关联和趋势
3. 评估潜在的风险和机会
4. 基于以上分析，给出 3 条可执行的建议
4. 少样本学习（Few-shot Learning）
通过提供输入输出示例，让模型理解您期望的回答模式和风格。通常提供 2-3 个高质量示例即可获得良好效果。
请将以下产品描述改写为适合社交媒体发布的短文案风格。
示例 1：
输入：这款蓝牙耳机采用主动降噪技术，续航时间长达 30 小时，支持多设备切换。
输出：通勤路上的静音神器！30 小时超长续航，降噪一开世界安静，多设备随心切换~
示例 2：
输入：该云服务器支持弹性扩容，按需计费，提供 99.99% 的可用性保障。
输出：业务高峰不怕流量暴涨！按需弹性扩容，用多少付多少，99.99% 稳如磐石。
现在请改写：
输入：Universe API 提供多款大语言模型，支持按 token 计费，最低仅需 2 元/百万 tokens。
输出：
5. 指定输出格式
明确告知模型您期望的输出格式，尤其在需要结构化数据（JSON、表格、Markdown 等）用于下游系统处理时。
请分析以下文本中的关键实体，以 JSON 数组格式输出。
每个实体包含 name（名称）、type（类型：人名/地名/组织/产品）和 description（简要描述）三个字段。
文本："""
马云在杭州创立了阿里巴巴集团，旗下产品包括淘宝、天猫和阿里云等。
"""
小贴士：如果对 JSON 格式有严格要求，建议在 System Prompt 中补充"请确保输出为合法的 JSON 格式，不要包含 Markdown 代码块标记"，减少解析错误。
6. 控制输出长度与风格
虽然模型无法精确计算字数，但您可以通过描述性指令大致控制输出篇幅。
| 期望效果 | 推荐写法 |
|---|---|
| 简短回答 | "请用一句话回答" 或 "用 50 字以内概括" |
| 中等篇幅 | "请用 2-3 个段落详细说明" |
| 长文本 | "请撰写一篇 800-1000 字的完整文章" |
| 列表形式 | "请以有序列表形式列出 5 个要点" |
复杂任务分解策略
大语言模型在处理单一、明确的任务时表现最佳。面对复杂需求，将其拆解为多个简单子任务并串联执行，能显著降低错误率，提升输出的可靠性。
策略一：多轮对话拆解
将一个复杂需求拆分为多个对话轮次，每轮聚焦一个子任务。
# 第一轮：意图识别
用户输入："我想查一下上个月的销售数据，如果下滑的话帮我分析原因"
请判断用户的核心意图，输出 JSON：{"primary_intent": "...", "secondary_intent": "..."}
# 第二轮：数据查询（基于第一轮结果）
根据意图"查询上月销售数据"，生成对应的 SQL 查询语句。
# 第三轮：原因分析（基于第二轮结果）
销售数据显示环比下降 12%，请从市场、产品、运营三个维度分析可能原因。
策略二：长文档分段处理
当文档长度超过模型上下文窗口时，采用分步归纳策略：
第一步：逐章节摘要
→ 对文档每个章节生成独立摘要
第二步：合并摘要
→ 将所有章节摘要组合，提炼核心观点
第三步：最终输出
→ 基于合并摘要生成结构化的总结报告
策略三：Map-Reduce 模式
适用于需要跨多个文档进行信息整合的场景：
Map 阶段：分别对每份文档提取关键信息（如结论、数据点、风险项）
Reduce 阶段：将所有文档的提取结果汇总，去重合并后生成统一报告
高级技巧
角色扮演与专业视角
让模型站在特定专业角色的视角思考问题，能获得更有深度和专业性的输出。
你是一位资深的代码审查员（Code Reviewer），拥有 15 年 Python 开发经验。
请审查以下代码，重点关注：
1. 潜在的 Bug 和边界条件
2. 性能优化空间
3. 代码可读性和可维护性
4. 安全隐患
请以审查报告的形式输出，每个问题标注严重程度（Critical / Major / Minor）。
自我验证与纠错
引导模型在输出前进行自我检查，减少错误和遗漏。
请完成以下数学证明。在得出结论后，请回头检查每一步推理是否存在逻辑漏洞。
如果发现错误，请修正后重新给出最终结论。
模板化 Prompt
对于重复性任务，将 Prompt 抽象为模板，用变量占位符替换动态内容，便于批量调用。
请将以下{source_language}文本翻译为{target_language}。
要求：
- 保持原文的段落结构
- 专业术语参照{domain}领域的通用译法
- 语气风格：{tone}
待翻译内容：
"""
{content}
"""
在实际调用时，通过代码替换 {source_language}、{target_language} 等变量即可复用同一套 Prompt。
参数调优建议
除了 Prompt 本身，API 调用参数也会影响输出效果。以下是常用参数的调优建议：
| 参数 | 作用 | 推荐设置 |
|---|---|---|
| temperature | 控制输出的随机性。值越高，输出越多样；值越低，输出越确定。 | 事实问答/代码生成：0.0-0.3；创意写作：0.7-1.0；日常对话：0.5-0.7 |
| top_p | 核采样，仅从概率最高的 token 中采样。与 temperature 二选一调整。 | 需要精确输出时设低（如 0.1），需要多样性时设高（如 0.9） |
| max_tokens | 限制模型输出的最大 token 数。 | 根据期望输出长度设置，避免输出被截断或过于冗长 |
| frequency_penalty | 降低已出现 token 的重复概率。 | 需要避免重复内容时适当调高（如 0.5-1.0） |
| presence_penalty | 降低已讨论话题的重复概率，鼓励引入新话题。 | 需要多样性讨论时适当调高（如 0.5-1.0） |
注意：temperature 和 top_p 通常只需调整其中一个。同时调整两者可能导致输出行为难以预测。
常见问题与避坑指南
| 问题 | 可能原因 | 解决方案 |
|---|---|---|
| 模型输出不稳定，每次结果差异大 | temperature 设置过高，或 Prompt 不够明确 | 降低 temperature，增加具体约束和示例 |
| 模型"幻觉"（编造不存在的信息） | 缺乏知识边界约束 | 在 System Prompt 中明确"不确定时请如实说明"；使用 RAG 提供可靠知识源 |
| 输出格式不符合预期 | 未指定格式或指定方式不够明确 | 提供明确的格式模板和示例输出；使用 JSON Mode 强制结构化输出 |
| 长对话中模型"忘记"早期内容 | 超出上下文窗口限制 | 定期总结对话内容；使用分段处理策略；选择上下文窗口更大的模型 |
| 模型拒绝执行合理请求 | 触发了安全策略或角色限制 | 调整措辞避免歧义；在 System Prompt 中明确授权模型处理该类任务 |
| 输出被截断不完整 | max_tokens 设置过小 | 适当调大 max_tokens 参数；将长输出任务拆分为多次请求 |
Prompt 模板速查表
以下是常见应用场景的 Prompt 模板，可直接复制修改使用：
文本分类
请对以下文本进行分类。
类别选项：{category_list}
仅输出类别名称，不需要解释原因。
文本："""{input_text}"""
信息提取
从以下文本中提取所有{entity_type}，以 JSON 数组格式输出。
每个实体包含 name 和 context（出现的上下文）两个字段。
文本："""{input_text}"""
内容摘要
请为以下内容生成摘要，字数控制在{word_count}字以内。
要求：保留核心观点和关键数据，语言精炼，不添加原文中没有的信息。
内容："""{input_text}"""
代码生成
请使用{language}编写一个函数，实现以下功能：
{function_description}
要求：
- 包含完整的类型注解和文档注释
- 处理常见的边界条件（如空输入、异常值）
- 附带 2-3 个使用示例
多轮对话系统
# System Prompt
你是{assistant_name}，{role_description}。
# 对话规范
- 每次回复只回答一个核心问题
- 如需追问，每次最多提出 1 个问题
- 引用信息时说明来源
# 当前对话上下文
{conversation_history}