提示词工程是为模型编写高效、稳定的指令，使其持续生成预期的内容。本文介绍如何在大语言模型上进行提示词优化和管理，保持高效、稳定、结构化与可评估。 * 选择接口：与 OpenAI API 协议兼容（[兼容 OpenAI SDK](/docs/82379/1330626)），支持 [Responses API](https://www.volcengine.com/docs/82379/1569618)（推荐）与 [Chat API](https://www.volcengine.com/docs/82379/1494384) 两种接口调用，更多信息参见[迁移至 Responses API](/docs/82379/1585128)。 * 评测先行：建议建立评测与回归机制，确保提示词迭代的可控性。 * 权限配置：首次接入请参见[快速入门](/docs/82379/66619f8df281250274ef4f88)完成 API Key 获取和环境配置。 :::tip 其他模型提示词指南 * 图片生成：[Seedream 4.0-4.5 提示词指南](/docs/82379/1829186)、[Seedream 3.0 提示词指南](/docs/82379/1795150) * 视频生成：[Seedance-1.0-pro&pro-fast 提示词指南](/docs/82379/1631633)、[Seedance-1.0-lite 提示词指南](/docs/82379/1587797) ::: ## **选择模型与提示词策略** |模型 |任务与场景 |提示词风格 | |---|---|---| |带深度思考的文本生成模型 |复杂任务与多步规划|给目标与约束即可，让模型自拟计划与校验 |\ | |需分析、拆解与决策场景 | | |无/关闭深度思考的文本生成模型 |适合强模板化场景|更明确的指令，给精确步骤、格式与样例 |\ | |明确指令与结构化产出 | | ## 建议流程先构建评估的标准和数据集，帮助衡量提示词优化等变动的效果。 * 迭代流程：更新 → 测试 → 调试 → 评估；版本化管理变更与差异。 * 规模建议：推荐几百到几千样本，保证多样性与代表性，覆盖正例/负例/边界条件与多语料。可以使用大模型进行评估集扩展。 :::tip **提示词工程工具 Prompt Pilot** 方舟提供了[Prompt Pilot](https://console.volcengine.com/ark/region:ark+cn-beijing/autope)，构建端到端的提示词优化，输入初始 Prompt 智能完成完整提示词工程流程： * 初始 Prompt 自动生成评估数据集。 * 生成模型回答并自动打分。 * 智能优化 Prompt，并生成智能优化报告。 ::: ## **认识角色与指令遵循** * `system`：高优先级规则与业务逻辑，用于设定身份、语气、边界与工具使用规范。 * `user`：用户输入，表达需求与具体问题。 * `assistant`：模型输出。 * `tool`：工具调用场景下，函数/插件调用的消息。 :::tip 建议：把稳定复用的信息放在 `system` 或 `instructions` 中，并在每次调用里靠前传入，提升一致性与可维护性。 ::: ## **结构化内容：Markdown 与 XML** 使用结构化内容让模型明确“哪里是规则、哪里是示例、哪里是参考材料”。 * Markdown：使用分区（标题、列表）表达层级与规范，如 Identity、Instructions、Examples、Context。 * 使用轻量 XML 标签显式划界上下文与示例块，并通过属性标注元数据。示例： ```Plain # Identity 你是企业文档助理，负责输出结构清晰、事实可核对的中文内容。 # Instructions * 回答时使用简洁中文，优先列表与小标题。 * 对外链与接口、路径、变量名使用反引号格式（`...`）。 * 需要示例时给出简短、可直接运行的代码。 * 如不确定，请明确列出假设与待确认项。 # Examples 请生成周报摘要模板 ## 本周进展 - 核心产出： - 量化指标： ## 下周计划 - 关键任务： - 风险与依赖： # Context 允许引用企业内部 wiki 与 API 文档 ``` ## **少样本学习（Few\-shot）** 给出少量示例即可引导模型泛化，无需精调。示例（情感分类）： ```Plain # Identity 你是一个只输出单词的情感分类器（Positive / Negative / Neutral）。 # Instructions * 仅输出一个单词，不要包含多余标点或解释。 * 响应只允许为：Positive / Negative / Neutral。 # Examples 这耳机音质太棒了！ Positive 续航一般，做工也就那样。 Neutral 客服体验糟糕，不会再买了。 Negative ``` ## **思考时间与步骤引导（CoT）** * Zero\-shot：在适当场景加入“让我们一步一步分析思考”，提高复杂推理稳定性。 * Few\-shots：提供分解过程示例，示范正确的中间推断与最终答案。 * 指定步骤：对任务给出执行步骤与完成标准，确保输出顺序与完整性。示例（指定步骤）： ```Plain 请按照以下步骤完成任务： 1. 明确目标与约束 2. 列出所需输入与可用工具 3. 执行并记录关键中间结果 4. 给出最终结构化输出（字段：result, evidence, next_step） ``` ## 输入必要知识 * 何时添加知识：当需要引用专有数据、技术文档、政策条款或约束回答范围时。 * 常见方式： * 以检索结果（向量库/关键词）拼入 `system`/`user` 消息或 `instructions`。 * 使用方舟内内置工具：知识库、文件检索、网页解析插件、联网搜索等。 * 上下文窗口： * 不同模型支持的最大 token 数不同，注意裁剪与精简（摘要）； * 把稳定的约定/规则放在前部，任务特定上下文放在尾部。 ## 常见场景 ### 通用任务 * 核心角色与背景设定：明确指定执行任务的角色身份（即 {某个角色}），为后续任务执行划定身份边界与能力范围，确保提示词能引导模型以对应角色的专业视角和行为逻辑开展工作。 * 上下文信息明确：清晰提供 {上下文信息}，该信息是模型理解任务背景、相关条件及约束的关键依据，让模型在准确把握任务所处情境的基础上进行响应，避免因信息缺失导致任务执行偏差。 * 具体任务界定：精准描述 {具体任务}，明确模型需要完成的核心目标与工作内容，使模型清晰知晓任务方向，确保后续行动围绕任务核心展开，不偏离任务主旨。 * 执行规则制定：列出具体的执行规则（如规则 1、规则 2），规范模型在完成任务过程中的行为方式、决策标准等，保障模型执行任务的过程符合预期要求，提升任务执行的一致性和准确性。 * 示例辅助引导：提供至少两个包含 “问题：{具体问题}” 与 “输出：{该问题的结果}” 的示例（示例 1、示例 2），通过实际案例展示任务的输入形式与对应输出范式，帮助模型更好地理解任务要求，实现更精准的任务响应。 * 输出要求明确： * **指定输出格式**：明确规定模型最终输出内容应遵循的格式，如列表、表格、段落等，确保输出结构清晰、易于理解和使用。 * **详细规范说明**：对输出格式中需满足的细节进行明确，如内容的完整性要求、语言风格规范、数据精度标准等，进一步约束输出质量，使模型输出更符合实际应用需求。模板如下 ```Plain 假如你是{某个角色}，你将根据{上下文信息}，来解决{具体任务}。按以下规则执行： 1. 规则1 2. 规则2 示例1：问题：{具体问题} 输出：{该问题的结果} 示例2：问题：{具体问题} 输出：{该问题的结果} 请回答：问题：{具体问题} 输出：要求： 1. 指定输出格式 2. 格式中需要满足的详细规范 ``` ### **编程场景** * 明确角色与工作流：在 `system`/`instructions` 中规定“工具何时调用、何时避免交互执行”。 * 测试与校验：要求对补丁/改动进行单测或命令级验证；注意在 IDE 或代理工具中核对变更是否真正生效。 * 工具调用示例：给出函数/命令调用的具体格式样例，提升遵循度。 * Markdown 输出标准：反引号包裹路径、命令与标识符；列表与表格保持语义清晰。 ### **角色扮演** 更多说明请参见[角色扮演场景提示词指南](/docs/82379/1256348) ```Plain 你是{某个具体人物}，人称{xxx}，出身于{背景与上下文}。性格特点：语言风格：人际关系：过往经历：经典台词或口头禅： {台词1（可在括号中描述动作、情绪与背景，丰富语境）} {台词2} ``` ### **Agent 场景（长期任务/多工具协作）** * 规划与坚持：要求完整解决用户请求，拆分子任务并跟踪完成状态。 * 透明度：在关键步骤前简述调用工具的理由（例如切换检索源、启用联网插件等）。 * 进度管理：结合 TODO 或 Rubric 保持结构化推进；Ark 生态中可结合应用实验室与 MCP 插件体系。 ## 上下文管理与成本优化 * 使用 [Responses API](https://www.volcengine.com/docs/82379/1569618) 简化上下文管理，在多轮对话场景可通过 `previous_response_id` 传入历史信息，无需手动管理，详见[上下文管理](/docs/82379/2123288)。 * 使用上下文缓存降低成本：对于固定系统信息及多轮对话，通过缓存输入的低价，降低请求的成本。详见[上下文缓存概述](/docs/82379/1398933)

火山方舟