Prompt设计模式大全：从入门到精通的10种核心模式

Prompt工程是构建AI应用的核心技能。掌握设计模式能让你从”试错式”提示编写，进阶到”工程化”的Prompt设计。本文将系统介绍10种经过验证的Prompt设计模式，每种模式都配有实战示例和适用场景分析。

一、为什么需要Prompt设计模式？

1.1 Prompt设计的挑战

在实际开发中，我们经常遇到以下问题：

• 输出不稳定：同样的Prompt，多次运行结果差异很大
• 格式难以控制：模型输出格式不符合预期
• 上下文理解偏差：模型没有准确理解任务意图
• 复杂任务分解困难：难以让模型完成多步骤推理

1.2 设计模式的价值

二、基础模式（Foundation Patterns）

2.1 零样本提示（Zero-Shot Prompting）

定义：不给示例，直接描述任务要求模型完成。

适用场景：

• 任务定义清晰明确
• 模型对该任务有足够先验知识
• 快速原型验证

代码示例：

# 零样本分类
prompt = """
请将以下文本分类为正面、负面或中性：

文本：这款手机的电池续航太棒了，用了一整天还有电！

分类：
"""

# 零样本翻译
prompt = """
将以下中文翻译成英文：

原文：人工智能正在改变我们的生活方式。
翻译：
"""

最佳实践：

• 使用明确的指令动词（分类、翻译、总结、提取）
• 指定输出格式（JSON、列表、段落）
• 添加约束条件（字数限制、风格要求）

2.2 少样本提示（Few-Shot Prompting）

定义：提供少量示例，让模型学习任务模式。

适用场景：

• 需要特定输出格式
• 任务有隐含规则需要学习
• 零样本效果不佳时

代码示例：

# 少样本情感分析
prompt = """
请根据以下示例，对文本进行情感分类：

示例1：
文本：这部电影太精彩了，强烈推荐！
情感：正面

示例2：
文本：服务态度很差，等了一个小时。
情感：负面

示例3：
文本：产品质量一般，没有惊喜也没有失望。
情感：中性

现在请分类：
文本：这个餐厅的环境很优雅，但价格偏高。
情感：
"""

# 少样本实体提取
prompt = """
从文本中提取人名、地点和组织：

输入：马云在杭州创立了阿里巴巴。
输出：{"人名": ["马云"], "地点": ["杭州"], "组织": ["阿里巴巴"]}

输入：特斯拉CEO马斯克在德州工厂宣布新计划。
输出：{"人名": ["马斯克"], "地点": ["德州"], "组织": ["特斯拉"]}

输入：李彦宏在北京的百度大厦发布文心一言。
输出：
"""

示例数量建议：

三、推理增强模式（Reasoning Patterns）

3.1 思维链（Chain-of-Thought, CoT）

定义：引导模型展示推理过程，而非直接给出答案。

适用场景：

• 数学计算和逻辑推理
• 多步骤决策问题
• 需要解释性的场景

代码示例：

# 基础CoT
prompt = """
问题：一个农场有鸡和兔子共35只，脚共94只。鸡和兔子各有多少只？

请逐步思考并解答：
"""

# 显式CoT（带示例）
prompt = """
请按照以下示例的格式回答问题：

示例问题：
小明有5个苹果，给了小红2个，又买了3个。小明现在有几个苹果？

思考过程：
1. 初始数量：5个苹果
2. 给小红后：5 - 2 = 3个苹果
3. 又买3个后：3 + 3 = 6个苹果

答案：6个

现在请解答：
问题：一个水池有两个进水管，A管单独注满需6小时，B管单独注满需4小时。同时打开两管，几小时注满？

思考过程：
"""

CoT变体对比：

3.2 思维树（Tree of Thoughts, ToT）

定义：将推理过程组织为树状结构，探索多个可能的解决路径。

适用场景：

• 需要创造性思维的问题
• 存在多种解决方案的场景
• 游戏策略和规划任务

代码示例：

prompt = """
问题：用数字3、3、8、8得到24点

请探索不同的计算路径：

路径1：尝试 (8 / (3 - 8/3))
- 8/3 ≈ 2.67
- 3 - 2.67 = 0.33
- 8 / 0.33 ≈ 24 ✓

路径2：尝试 (3 + 3) * (8 - 8)
- 6 * 0 = 0 ✗

路径3：尝试 8 * 3 + 8 - 3
- 24 + 8 - 3 = 29 ✗

最优解：8 / (3 - 8/3) = 24
"""

四、结构化模式（Structural Patterns）

4.1 角色扮演（Role Prompting）

定义：为模型设定特定角色，影响其回答风格和知识调用。

适用场景：

• 需要专业领域知识
• 特定沟通风格要求
• 多角色对话系统

代码示例：

# 单一角色
prompt = """
你是一位资深Python工程师，拥有10年开发经验。
请review以下代码，指出潜在问题和改进建议：

```python
def calculate(items):
    result = 0
    for i in range(len(items)):
        result += items[i]['price'] * items[i]['quantity']
    return result

"""

多角色讨论

prompt = """ 请模拟一个技术评审会议，包含以下角色：

产品经理（PM）：关注用户需求和业务价值 技术负责人（Tech Lead）：关注技术可行性和架构 安全专家（Security）：关注安全风险和合规

讨论主题：是否应该在产品中集成第三方AI服务？

请每个角色发表观点，最后给出综合建议。 """

**常用角色设定**：

| 角色 | 适用场景 | 关键特征 |
|------|----------|----------|
| 技术专家 | 代码审查、架构设计 | 严谨、专业术语 |
| 教师 | 知识讲解、教程编写 | 耐心、循序渐进 |
| 编辑 | 内容润色、校对 | 细致、语言规范 |
| 顾问 | 商业分析、策略建议 | 全面、数据驱动 |

### 4.2 分隔符与标记（Delimiters and Markers）

**定义**：使用特殊符号或标记明确区分Prompt的不同部分。

**代码示例**：

```python
# XML标签风格
prompt = """
<instruction>
请总结以下文章的主要观点
</instruction>

<article>
[文章内容...]
</article>

<requirements>
- 字数限制：100字以内
- 语言：中文
- 格式： bullet points
</requirements>
"""

# Markdown风格
prompt = """
## 任务
提取文本中的关键信息

## 输入文本
---
{text}
---

## 输出格式
```json
{
  "entities": [],
  "sentiment": ""
}

"""

特殊分隔符

prompt = """

指令

将用户问题分类到以下类别之一

类别

1. 技术支持
2. 账单查询
3. 产品咨询
4. 投诉建议

用户问题

||||| 我的账户被锁定了，怎么解锁？ |||||

分类结果

"""

**分隔符选择指南**：

| 分隔符类型 | 示例 | 适用场景 |
|-----------|------|----------|
| XML标签 | `<tag></tag>` | 复杂结构化数据 |
| Markdown | `## Header` | 文档类任务 |
| 特殊字符 | `###`, `||||` | 简单分隔 |
| JSON | `{"key": "value"}` | 数据交换 |

## 五、输出控制模式（Output Control Patterns）

### 5.1 格式规范（Format Specification）

**定义**：明确指定期望的输出格式。

**代码示例**：

```python
# JSON格式
prompt = """
分析以下产品评论，以JSON格式返回：

评论：这款手机拍照效果很好，但电池续航一般，价格有点贵。

输出格式：
{
  "sentiment": "总体情感",
  "pros": ["优点列表"],
  "cons": ["缺点列表"],
  "rating": "1-5分评分",
  "keywords": ["关键词列表"]
}
"""

# Markdown表格
prompt = """
比较Python和JavaScript的特性，以Markdown表格输出：

| 特性 | Python | JavaScript |
|------|--------|------------|
| 类型系统 | | |
| 执行方式 | | |
| 主要用途 | | |
| 学习曲线 | | |
"""

# 结构化列表
prompt = """
请列出5个提高代码质量的建议，格式如下：

1. [建议标题]
   - 说明：[详细说明]
   - 示例：[代码示例]
   - 收益：[带来的好处]

2. ...
"""

5.2 约束条件（Constraint Specification）

定义：通过约束限制模型的输出范围。

代码示例：

# 多重约束
prompt = """
请为一家新开的咖啡店写一段宣传文案。

约束条件：
- 字数：50-80字
- 风格：温馨、文艺
- 必须包含："手冲"、"慢时光"两个词
- 避免：使用"最好"、"第一"等绝对化用语
- 目标受众：25-35岁白领
"""

# 负面约束
prompt = """
请解释什么是机器学习。

要求：
✓ 使用通俗易懂的比喻
✓ 适合高中生理解
✗ 不要使用数学公式
✗ 不要提及具体算法名称
✗ 不要超过200字
"""

六、上下文管理模式（Context Management Patterns）

6.1 上下文压缩（Context Compression）

定义：在有限的上下文窗口中，高效组织和压缩信息。

代码示例：

# 摘要式压缩
prompt = """
基于以下文档摘要回答问题：

文档摘要：
- 主题：云计算安全最佳实践
- 关键要点：1)零信任架构 2)数据加密 3)访问控制 4)审计日志
- 适用对象：企业IT管理员

问题：实施零信任架构的关键步骤是什么？
"""

# 结构化压缩
prompt = """
对话历史（已压缩）：
用户：询问产品价格 → 助手：提供价格表 → 用户：询问折扣 → 助手：说明优惠政策

当前问题：批量购买有额外优惠吗？
"""

6.2 检索增强（Retrieval-Augmented Pattern）

定义：结合外部知识库，动态注入相关信息。

代码示例：

# RAG风格Prompt
prompt = """
基于以下参考资料回答问题：

[参考资料]
{retrieved_documents}

[用户问题]
{user_question}

[回答要求]
- 优先基于参考资料回答
- 如果参考资料不足，明确说明
- 不要编造信息
"""

七、高级组合模式（Advanced Composition Patterns）

7.1 多阶段管道（Multi-Stage Pipeline）

定义：将复杂任务分解为多个阶段，每个阶段使用专门的Prompt。

代码示例：

# 阶段1：意图识别
stage1_prompt = """
分析用户输入，判断意图类别：

用户输入：{input}

可选类别：查询、订购、投诉、咨询、其他
输出格式：{"intent": "类别", "confidence": "高/中/低"}
"""

# 阶段2：信息提取
stage2_prompt = """
从用户输入中提取关键信息：

意图：{intent}
用户输入：{input}

需要提取：产品名称、数量、时间要求
输出：JSON格式
"""

# 阶段3：响应生成
stage3_prompt = """
基于以下信息生成回复：

意图：{intent}
提取信息：{extracted_info}
知识库结果：{knowledge_base_result}

生成友好、准确的回复：
"""

7.2 自我修正（Self-Correction）

定义：引导模型检查并修正自己的输出。

代码示例：

prompt = """
请完成以下任务，并进行自我检查：

任务：将以下中文翻译成英文
原文：人工智能的发展日新月异。

步骤1：翻译
[你的翻译]

步骤2：检查
- 准确性：是否准确传达原意？
- 流畅性：是否符合英语表达习惯？
- 完整性：是否遗漏信息？

步骤3：修正（如有需要）
[最终翻译]
"""

八、模式选择决策树

任务分析
├── 是否需要示例？
│   ├── 是 → Few-Shot Prompting
│   └── 否 → Zero-Shot Prompting
├── 是否需要推理过程？
│   ├── 是 → Chain-of-Thought
│   └── 否 → 直接输出
├── 是否需要特定风格/专业知识？
│   ├── 是 → Role Prompting
│   └── 否 → 标准指令
├── 输出格式是否重要？
│   ├── 是 → Format Specification
│   └── 否 → 自由格式
└── 任务是否复杂多步骤？
    ├── 是 → Multi-Stage Pipeline
    └── 否 → 单步处理

九、Prompt设计检查清单

在部署Prompt前，请确认以下事项：

9.1 清晰度检查

• 指令明确，无歧义
• 使用具体的动词和名词
• 避免双重否定
• 关键信息前置

9.2 完整性检查

• 包含必要的背景信息
• 定义了输出格式
• 说明了约束条件
• 提供了示例（如需要）

9.3 鲁棒性检查

• 测试了边界情况
• 验证了异常输入处理
• 检查了输出稳定性
• 评估了安全性风险

十、总结与进阶建议

掌握这10种Prompt设计模式，你已经具备了构建生产级AI应用的基础能力。记住以下核心原则：

1. 从简单开始：先用Zero-Shot，效果不佳再升级
2. 示例要典型：Few-Shot的示例要覆盖主要场景
3. 结构化优先：使用分隔符和格式规范提升可控性
4. 迭代优化：基于实际反馈持续改进Prompt
5. 组合使用：复杂任务往往需要多种模式组合

推荐阅读：

• 《Prompt Engineering Guide》官方文档
• OpenAI Cookbook中的Prompt示例
• LangChain框架的Prompt模板设计

本文是AIEng Hub Prompt工程系列的第一篇，后续将深入探讨Prompt测试框架和版本管理。欢迎关注我们的技术专栏，获取更多AI工程实践干货。