提示词工程高阶技巧——思维链与角色扮演实战策略

提示词工程（Prompt Engineering）是驾驭大语言模型的核心技能。同样的模型，不同的提示词会导致天壤之别的输出质量。本文将深入四种高阶策略：思维链（Chain-of-Thought）、角色扮演（Role-Playing）、结构化输出和Few-Shot示例，并提供可直接复用的Prompt模板，帮助你在实际工作中大幅提升AI助手的输出质量。

一、思维链（CoT）提示策略。思维链的核心思想是引导模型展示推理过程，而非直接给出答案。操作方式是在Prompt末尾添加"请逐步思考"或"让我们一步一步来"。实战模板："用户流失率为15%，需要计算每周流失用户数。请先列出已知条件，然后逐步推导计算公式，最后给出结果。"研究表明，CoT能将复杂推理任务的准确率提升20-40%。进阶用法是"思维树"——让模型同时探索多条推理路径再比较选择最优解。

二、角色扮演与系统提示。给AI设定一个专业角色能显著提升输出质量。示例模板："你是一名资深Python后端工程师，精通FastAPI和异步编程。请审查以下代码，指出性能瓶颈和安全隐患。"角色扮演的关键在于提供具体的专业背景、经验年限和技能范围，而非宽泛的"你是一名程序员"。在Cursor等AI IDE中，可以创建.projectrules文件，写入"你始终使用TypeScript，优先使用函数组件和React Hooks"，让AI在整个项目中保持一致的编码风格。

三、结构化输出与格式约束。明确指定输出格式是获得可用结果的关键。用于数据提取的模板："从以下客户邮件中提取：姓名、订单号、问题类型（退货/换货/咨询）、紧急程度（高/中/低）。以JSON格式输出。"用于代码生成的模板："生成一个React Hook，功能是useLocalStorage。要求：TypeScript、包含错误处理、JSDoc注释、返回类型为[value, setValue, remove]。"结构化约束越细致，AI输出的可用性就越高，需要二次修改的次数就越少。

四、Few-Shot示例与迭代优化。给出1-3个输入-输出示例能让模型快速理解预期模式。示例："输入：'计算1-100的和' → 输出：'5050（公式：100×101/2）'。现在输入：'计算1-500的和'。"Few-Shot对生成特定格式的报告、邮件模板和代码注释尤其有效。最后，不要期望一次Prompt就完美——把AI对话看作"迭代调优"过程，每次根据输出结果调整措辞和约束，3-5轮内通常能得到令人满意的结果。