Prompt 设计方法论怎么用?

30 秒回答

1. 明确任务类型与目标，区分生成/抽取/分类/推理任务的设计差异
2. 掌握角色设定、上下文示例、输出格式约束三大核心技巧
3. 能举例说明COT、Few-shot、Self-consistency等进阶方法
4. 体现迭代优化思维（测试-分析-修正）

回答与解析

答案要点

• 明确任务类型与目标，区分生成/抽取/分类/推理任务的设计差异
• 掌握角色设定、上下文示例、输出格式约束三大核心技巧
• 能举例说明COT、Few-shot、Self-consistency等进阶方法
• 体现迭代优化思维（测试-分析-修正）
• 提及安全性和边界case处理

核心方法论：任务驱动 + 结构化设计

一、任务分类与设计策略

二、最佳实践（按优先级）

1. 角色与上下文锚定

你是一位资深电商客服专家，熟悉美团外卖售后规则...

• 作用：激活领域知识，约束输出风格

2. 结构化指令模板

【任务】从用户评论中提取菜品口味关键词
【定义】口味词指描述味道特征的形容词，如"辣""油腻"
【输出格式】JSON数组，每项包含：word, sentiment, confidence
【示例】输入："太辣了但很好吃" → [{"word":"辣","sentiment":"negative",...}]

3. 动态Few-shot构建

• 不固定示例，根据输入相似度从案例库检索最相关的2-3个示例
• 示例覆盖：标准case、边界case、易错case

4. 输出控制三件套

• 格式约束：明确指定JSON/Markdown/表格
• 长度控制："50字以内"/"分3点阐述"
• 拒绝策略："若信息不足，回复'无法判断'而非猜测"

三、迭代优化流程

初版prompt → 小批量测试（50-100条）→ 错误分类（理解错/格式错/幻觉）
    ↑___________________________________________↓
              针对性修正（加示例/调表述/拆步骤）

四、美团场景的特殊考量

• 时效敏感：prompt中注入"当前日期"或"最新活动信息"
• 多轮交互：设计状态跟踪变量，维护对话上下文
• 安全兜底：添加"禁止透露内部规则/其他商家信息"等红线指令

口语版讲法(约4分钟)

• 一句话点题：prompt设计本质是任务理解加结构约束
• 任务分类思路：生成/抽取/分类/推理各怎么设计
• 三大核心技巧：角色设定、Few-shot动态构建、输出控制
• 迭代优化流程：测试-分析-修正闭环
• 业务场景举例：美团售后纠纷处理
• 给出可延伸点：多轮交互中的状态维护

这道题问的是prompt设计的方法论，其实本质就是在问：你怎么把一个大模型的能力，精准地约束到你想要的那个任务上。不是简单写一段话就行，而是要根据任务类型、输出要求、安全边界来做结构化设计。

我自己的方法论可以概括成四个字：任务驱动。就是先搞清楚这个任务到底是生成、抽取、分类还是推理，然后针对性地搭prompt框架。

具体说一下。生成类的任务，比如写摘要、创作文案，重点是控制风格和长度。我一般会先给一个角色设定，比如“你是一个资深电商客服专家”，然后再给一个输出格式模板，比如“用三句话总结，每句不超过20字”。抽取类的任务，比如命名实体识别或者关系抽取，难点在于实体定义和边界。我会给几个Few-shot示例，而且一定包含负例，告诉模型什么不算实体，这样能大幅减少幻觉。分类或判断类的任务，关键是消除歧义。我会把选项全部列出来，并且要求模型输出置信度，低于某个阈值就返回“无法判断”。推理类的任务，比如数学题或者逻辑推理，我会用Chain-of-Thought，明确说“请逐步思考”，同时加上Step-by-step的指令，让模型把中间步骤写出来。

说到最佳实践，三个技巧我觉得最核心。先看角色和上下文锚定。你给模型一个身份，它就能激活对应的领域知识，输出风格也更稳定。比如你让它扮演“美团外卖售后专家”，它回答纠纷处理时就更专业。然后看动态Few-shot构建。我不固定示例，而是根据输入从案例库里检索最相关的2到3个示例，覆盖标准case、边界case和易错case。这样做比固定示例效果好很多，因为模型能参考最像的例子。另外还要看输出控制三件套：格式约束、长度控制、拒绝策略。格式约束我一般指定JSON或者Markdown，长度控制说“50字以内”或者“分三点阐述”，拒绝策略最重要，就是告诉模型“如果信息不足，回复‘无法判断’而不是瞎猜”。

有了初版prompt，我会走一个迭代优化流程：先小批量测试50到100条，然后把错误分类，看看是理解错、格式错还是幻觉。理解错就调整表述或加示例，格式错就强化输出模板，幻觉就加拒绝策略和负例。这样循环几轮，效果就能稳定下来。

举个例子，在美团场景里处理售后纠纷。用户说“我点了酸菜鱼，等了两个小时没到，申请退款被拒”。这时候prompt要能理解这是个退款申请，同时要判断是否符合规则。我会把prompt设计成：先让模型扮演客服专家，然后给一个结构化指令，包括任务定义、规则说明、输出格式。比如输出一个JSON，包含“是否可退款”“退款金额”“理由”。这里有个坑：时间敏感信息。如果满减活动刚结束，或者配送政策刚改，prompt里必须注入当前日期和最新规则，否则模型会给出过时的判断。另外，多轮交互时，我得维护对话状态，比如用户之前说过什么，当前会话到了哪一步，这些都要在prompt里通过状态变量显式传递。

说到多轮交互，这里其实有个更棘手的问题：状态维护怎么做才能不丢失上下文，同时保持prompt长度可控？我现在的做法是用一个压缩后的历史摘要，但效果还在优化。

总的来说，我不会把prompt设计看成一次性的工作，而是当成一个持续迭代的工程。我更倾向于把prompt当成代码来管理，有版本、有测试、有回滚。上线前我会特别关注边界case，比如用户输入恶意内容或者超出范围的问题，prompt要有安全兜底，比如“禁止透露内部规则”或者“禁止回答无关问题”。

所以，回到这道题，prompt工程的核心不是套模板，而是理解任务、结构化设计、动态优化，再加上对业务场景的深入理解。

关键一句:多轮交互中状态维护的挑战，用压缩历史摘要来平衡上下文和长度

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你在做一个电商客服机器人，用户问“我的订单为什么还没到”，然后又说“帮我查一下退款进度”，这两个问题任务类型完全不同。你写prompt的时候会怎么区分设计？生成类和抽取类的prompt有什么不一样的处理方法？

2. 问法 2 · 层层追问

   你平时给不同NLP任务写prompt，一般怎么开始？……比如一个分类任务和一个摘要任务，你的prompt结构会差很多吗？……那如果分类任务容易出错，你通常会怎么调整？

3. 问法 3 · 直球架构

   请分享一下你设计prompt的方法论，包括怎么根据任务类型（生成、抽取、分类、推理）来定prompt结构，以及你常用的最佳实践和迭代优化流程。