LLM 应用开发中的 Prompt 工程模式大全

引言

随着大语言模型能力不断增强，Prompt 工程已经从简单的「写指令」演化为一门系统化的工程实践。本文总结了 2026 年最实用的 Prompt 设计模式，帮助开发者构建更可靠的 LLM 应用。

模式一：角色锚定（Role Anchoring）

通过明确角色定义，限定模型的行为边界：

You are a senior database administrator with 15 years of PostgreSQL experience.
You only provide advice related to database optimization and never suggest
application-level changes.

适用场景： 垂直领域助手、专业咨询工具

模式二：链式思考（Chain of Thought）

强制模型展示推理过程，提高复杂问题的准确率：

Solve this step by step:
1. First, identify the key variables
2. Then, establish the relationships
3. Finally, compute the result
Show your work for each step.

效果： 数学推理准确率提升 30-50%

模式三：少样本学习（Few-Shot Learning）

提供示例让模型理解期望的输出格式：

Classify the sentiment of these reviews:

Review: "The battery life is amazing" -> Positive
Review: "Broke after two days" -> Negative
Review: "It works as expected" -> Neutral

Review: "Best purchase I made this year" -> 

关键： 示例要覆盖边界情况，3-5 个通常足够

模式四：自洽性检验（Self-Consistency）

多次采样同一问题，取多数答案：

import collections

results = []
for _ in range(5):
    response = llm.generate(prompt, temperature=0.7)
    answer = extract_answer(response)
    results.append(answer)

final = collections.Counter(results).most_common(1)[0][0]

适用： 高风险决策、医疗/法律领域

模式五：结构化输出（Structured Output）

用 JSON Schema 约束输出格式：

Extract entities from the text and return as JSON:
{
  "persons": [{"name": string, "role": string}],
  "organizations": [{"name": string, "type": string}],
  "dates": [{"value": string, "context": string}]
}

技巧： 配合 function calling 或 structured output API 效果最佳

模式六：检索增强生成（RAG Pattern）

将外部知识注入上下文：

Based on the following documentation excerpts:
---
[Retrieved chunks here]
---
Answer the user question. If the answer is not in the provided context,
say "I dont have enough information to answer this."

注意事项：

• Chunk 大小建议 512-1024 tokens
• 相关性排序比数量更重要
• 务必添加「不知道就说不知道」的指令

模式七：递进式细化（Progressive Refinement）

分多轮逐步提升输出质量：

1. 第一轮：生成初稿
2. 第二轮：自我评审，找出问题
3. 第三轮：根据评审意见修改

draft = llm.generate("Write an article about X")
critique = llm.generate(f"Review this article critically: {draft}")
final = llm.generate(f"Improve this article based on feedback: {draft}\n\nFeedback: {critique}")

实战建议

1. 始终在 prompt 开头声明角色和约束
2. 使用分隔符（---、```）清晰区分不同内容区域
3. 重要指令放在 prompt 末尾（近因效应）
4. 负面指令（不要做什么）不如正面指令（要做什么）有效
5. 定期用真实数据评估 prompt 效果，建立评测集

总结

Prompt 工程的核心不是「写出完美的一句话」，而是设计一个可靠的人机交互协议。好的 prompt 应该像好的 API 设计一样：明确、一致、可预测。