提示词工程
学会写有效提示词：角色设定、Few-shot、Chain-of-Thought 三种核心模式，附真实模板。
核心观点
提示词工程不是什么玄学。它就是学会怎么和 AI 有效沟通。你把需求说清楚，AI 就能给出更好的结果。
但 "说清楚" 这件事没你想的那么简单。大多数人的提示词不是不够长，是不够具体。
三种核心模式
1. 角色设定
让 AI 扮演一个特定角色。这比"帮我写个文案"效果好得多。
反例：
写一篇介绍我的产品的文章。正例：
你是一个资深文案，专门给 SaaS 产品写官网文案。你的读者是中小企业的技术负责人，他们最关心的是稳定性和性价比。请为以下产品写一篇 300 字的产品介绍。区别很明显。正例告诉 AI：你是谁、读者是谁、关注什么、输出多长。AI 不是读心术，你不说它不知道。
2. Few-shot 示例
给 AI 几个输入-输出例子，让它理解你要的格式和风格。这比写一堆规则管用。
反例：
帮我把这些用户反馈分类。
反馈1：登录太慢了
反馈2：这个功能真好用正例：
请将用户反馈分为三类：bug、功能建议、其他。
示例：
反馈："支付页面打不开" → bug
反馈："要是能加个搜索功能就好了" → 功能建议
反馈："谢谢你们的服务" → 其他
现在请分类：
反馈1："登录太慢了"
反馈2："这个功能真好用"Few-shot 的关键是示例要覆盖边界情况。只给简单的例子，复杂情况来了 AI 就会懵。
3. Chain-of-Thought (CoT)
让 AI 分步思考，而不是直接给答案。适合复杂推理任务。
普通:
估算一个电商网站一个月的服务器成本。CoT:
请一步步分析电商网站的月服务器成本：
1. 先估算日均访客量和请求数
2. 再算需要多少台服务器
3. 最后根据云服务商定价算总成本
假设一个月活 10 万的中小型电商。CoT 的本质是把复杂问题拆成子问题。你帮 AI 拆好步骤，它就很少跑偏。
提示词结构模板
我常用的结构是五个要素：
角色：你是一个 [具体角色]
任务：你要完成 [具体任务]
背景：[相关的上下文信息]
格式：[输出的格式要求]
约束：[边界条件/不要做什么]实战模板：
角色：你是一个 React Native 前端开发者，熟悉 Expo Router 和 Tailwind CSS。
任务：帮我实现一个用户个人资料编辑页面。
背景：项目使用 Expo SDK 52，数据库用 Supabase，用户已通过 auth 中间件认证。
格式：给出完整组件代码，包含 TypeScript 类型定义。
约束：不要使用第三方 UI 库，只用 Tailwind 样式。这个模板不是我发明的，是社区经验的总结。花 30 秒把五个要素写完，省的是反复调提示词浪费的 30 分钟。
什么时候该调提示词，什么时候该放弃
- 提示词能解决：输出格式不对、风格不符合预期、回答太啰嗦
- 提示词解决不了：模型不知道的信息（需要 RAG）、模型能力不够（需要换更强的模型）、任务太复杂（需要拆成多步 Agent）
如果你调了 5 次提示词效果还是不理想，问题大概率不在提示词上。