提示词（Prompt）其实就是你发给大语言模型（LLM）的指令。你可以把它想象成在和一位极其聪明、但缺乏常识的实习生沟通：你给出的指令越清晰、越具体，他给出的结果就越符合你的心意。
掌握提示词工程（Prompt Engineering），是控制 AI 输出质量的核心技能。一个结构完整的提示词，通常包含以下几个关键要素：
🧩 提示词的四大核心要素
- 角色设定（Role）：告诉 AI 它现在是谁。这能立刻激活模型中特定领域的专业知识，让它的回答更具针对性。
- 背景信息（Context）：提供任务相关的背景知识或前提条件。AI 不知道你脑子里的想法，你需要把相关信息喂给它。
- 明确任务（Task）：清晰地说明你需要 AI 做什么。这是提示词的核心，越具体越好。
- 输出格式（Format）：规定 AI 回答的展现形式。比如要求它用表格、JSON 格式、Markdown 列表，或者限制字数。
💡 基础提示词 vs 结构化提示词
为了让你直观感受差异，我们来看一个“将自然语言转为 SQL 语句”的例子（这在 AI 应用中非常常见）：
普通提示词（效果较差）：
帮我写个 SQL，查一下上个月销量最高的商品。
结构化提示词（效果极佳）：
【角色】你是一位拥有10年经验的资深 MySQL 数据库工程师。
【背景】我们有一个电商数据库，其中包含两张表：products(包含字段product_id,product_name) 和orders(包含字段order_id,product_id,order_date,quantity)。
【任务】请帮我编写一个 SQL 查询语句，统计出上个月（2026年6月）总销量（quantity 的总和）最高的前 5 个商品。
【输出格式】只需要输出纯 SQL 代码，不需要任何解释说明。
🛠️ 进阶技巧：让 AI 表现更稳定的“杀手锏”
在开发 AI 应用时，为了保证 AI 输出的稳定性，我们还会用到以下两个高级技巧：
少样本提示（Few-Shot Prompting）：
与其长篇大论地解释规则，不如直接给 AI 看几个“标准答案”的例子。AI 的模仿能力极强，看到例子后它就能瞬间领悟你的意图。
示例：请帮我把用户的口语化需求提取成标准的 JSON 格式。
例子1：用户说“我想买两件红色的T恤”，输出：{"action": "add_to_cart", "item": "T恤", "color": "红色", "quantity": 2}
例子2：用户说“帮我查一下去北京的机票”，输出：{"action": "search_flight", "destination": "北京"}
现在请处理：用户说“帮我把购物车里那双黑色的鞋子删掉”。思维链（Chain of Thought, CoT）：
对于复杂的逻辑推理或数学问题，直接让 AI 给答案容易出错。你可以加上一句**“请一步一步地进行思考和推理”**，强迫 AI 把思考过程写出来，这能大幅提高复杂任务的准确率。
简单来说，写提示词就像是在给 AI 编写一份极其严谨的“需求文档”。从而精准控制 AI 的行为。
 agent和组件)