AI入门——什么是提示词（Prompt）以及如何写好提示词？

AI入门——什么是提示词Prompt？

• AI入门——什么是提示词Prompt？
• • Prompt基本概念
  • • Prompt（提示词）：Agent 的「行动准则」
  • 如何使用Prompt
  • • Prompt的作用
    • • 命名规范
      • 日志规范
      • 代码格式
      • 注释规范
      • 性能与优雅
  • 如何写好Prompt
  • • 写好Prompt的核心要素
    • • 目标明确
      • 上下文充分
      • 约束清晰
      • 输出格式明确
      • 评价标准明确
      • 示例优先
      • 任务拆解
      • 告诉模型如何取舍
    • 行业标准的共同点
    • 对写作类 Prompt 的建议
    • 对编程类 Prompt 的建议
    • 最容易写坏 prompt 的几个问题
    • 实用口诀
  • 优秀的Prompt示范

AI入门——什么是提示词Prompt？

Prompt基本概念

Prompt（提示词）：Agent 的「行动准则」

• 本质：Prompt不是大模型的能力来源而是大模型能力约束和行为准则。Prompt 先把“要做什么”说清楚，比如是回答问题、改代码、做调研，还是先规划后执行。没有这个目标约束，大模型很容易做出“看起来努力，但方向不对”的行为。所以Prompt不是简单的「问问题」，而是「结构化的指令集」—— 包含「角色定义 + 任务目标 + 执行规则 + 上下文 + 输出格式」。

• 核心作用：

  ① 定义 Agent 的「角色」（比如「你是一名电商客服 Agent，语气要友好」）；

  ② 明确「任务边界」（比如「只处理退货咨询，不回答价格问题」）；

  ③ 给出「执行步骤」（比如「先核实用户订单，再确认退货原因，最后生成退货链接」）；

  ④ 约束「输出格式」（比如「用 JSON 返回结果，包含订单号、退货原因、链接」）。

• 工作方式：

  Agent 启动时先「读取 Prompt」，把 Prompt 作为「核心上下文」存入记忆，后续所有决策都基于 Prompt 的规则。

  举个实际的 Prompt 例子（电商客服 Agent）：

  角色：你是某电商平台的退货处理Agent，仅处理已付款订单的退货咨询。
  规则：
  1. 先向用户索要订单号，验证订单是否已付款；
  2. 若未付款，告知用户「未付款订单无法退货」，结束对话；
  3. 若已付款，询问退货原因，生成对应退货链接；
  4. 输出格式：{"订单号":"xxx","退货原因":"xxx","退货链接":"xxx"}。

  Agent 会严格按照这个 Prompt 的逻辑执行，不会偏离规则。

如何使用Prompt

Prompt的作用

下面以一个例子来说明使用prompt的好处，我们提问

• Q：生成一个打印99乘法表的代码
• AI：给你最常用、最简单的 99 乘法表代码，复制直接运行👇

• Python 版（最简洁） python 运行 打印99乘法表

  for i in range(1, 10):
  for j in range(1, i + 1):
  print(f"{j}×{i}={i*j}", end="\\t")
  print()

• Java 版

  public class NineNineTable {
  public static void main(String[] args) {
  for (int i = 1; i <= 9; i++) {
  for (int j = 1; j <= i; j++) {
  System.out.print(j + "×" + i + "=" + (i * j) + "\\t");
  }
  System.out.println();
  }
  }
  }

• C / C++ 版

  #include <stdio.h>
  int main() {
  for (int i = 1; i <= 9; i++) {
  for (int j = 1; j <= i; j++) {
  printf("%d×%d=%d\\t", j, i, i * j);
  }
  printf("\\n");
  }
  return 0;
  }

运行效果1×1=1
1×2=22×2=4
1×3=32×3=63×3=9
…
1×9=92×9=183×9=274×9=365×9=456×9=547×9=638×9=729×9=81

由于提问中缺少输出的限定（比如限定某种语言），AI会一下子给我们输出了python/java/c++三个版本，可能我们只需要java版本，白白浪费了python和c++的token；另一种场景可能大模型只输出c++不满足我们的要求。

下面我们对大模型的输出结果限定，只允许输出java版本，这时我们可以限定

• Q：你是一名java开发工程师，生成一个打印99乘法表的代码
• AI：好的，作为一名 Java 开发工程师，我为你提供规范、工整、可直接运行的 99 乘法表 Java 代码，注释详细、格式对齐，完全符合开发规范public class NineNineTable {
  public static void main(String[] args) {
  // 外层循环：控制行数 i 从 1 到 9
  for (int i = 1; i <= 9; i++) {
  // 内层循环：控制每行的列数 j 从 1 到 i
  for (int j = 1; j <= i; j++) {
  // 打印乘法公式，\\t 是制表符，让格式对齐
  System.out.print(j + " × " + i + " = " + (i * j) + "\\t");
  }
  // 每行结束后换行
  System.out.println();
  }
  }
  }
  运行效果（控制台输出）1 × 1 = 1
  1 × 2 = 22 × 2 = 4
  1 × 3 = 32 × 3 = 63 × 3 = 9
  1 × 4 = 42 × 4 = 83 × 4 = 124 × 4 = 16
  ……一直到 9×9

这时可以看到代码更加专业（类名、注释等）。但是代码风格还有一些差异，比如我们一般用通用日志组件如slf4j+log4j等替代控制台输出。我们可以继续加一些约束

• Q：你是一名java开发工程师，生成一个打印99乘法表的代码，使用slf4j打印日志，并检测代码是否符合业界java代码编码规范
• AI：符合业界规范的 Java 99 乘法表（SLF4J 日志版） 作为 Java 开发工程师，我为你编写企业级规范代码： 使用slf4j-api + logback-classic打印日志（业界标准日志方案） 严格遵循 Alibaba Java 开发手册 / Oracle 编码规范 类、方法、变量命名规范，注释完整，格式统一 可直接运行、无警告、无硬编码、结构清晰

import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

/**
* 九九乘法表打印工具类
* 遵循Java编码规范，基于SLF4J日志输出
*
* @author Java Developer
* @date 2025-01-01
*/
public class MultiplicationTableGenerator {

// 日志常量定义规范：static final + 类名.class
private static final Logger logger = LoggerFactory.getLogger(MultiplicationTableGenerator.class);

/**
* 生成并打印99乘法表
*/
public static void generateNineNineTable() {
// 外层循环控制行数 1~9
for (int i = 1; i <= 9; i++) {
StringBuilder rowBuilder = new StringBuilder();

// 内层循环控制每行的列数
for (int j = 1; j <= i; j++) {
// 格式化拼接每一项，保证对齐
rowBuilder.append(String.format("%d*%d=%-2d\\t", j, i, j * i));
}

// 使用SLF4J输出当前行日志
logger.info(rowBuilder.toString().trim());
}
}

public static void main(String[] args) {
logger.info("===== 开始打印九九乘法表 =====");
generateNineNineTable();
logger.info("===== 九九乘法表打印完成 =====");
}
}

依赖配置（Maven pom.xml） 必须引入依赖才能使用 SLF4J：

<dependencies>
<!– SLF4J 日志接口 –>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-api</artifactId>
<version>2.0.9</version>
</dependency>

<!– Logback 日志实现（业界标准） –>
<dependency>
<groupId>ch.qos.logback</groupId>
<artifactId>logback-classic</artifactId>
<version>1.4.11</version>
</dependency>
</dependencies>

运行效果

[main] INFO MultiplicationTableGenerator – ===== 开始打印九九乘法表 =====
[main] INFO MultiplicationTableGenerator – 1*1=1
[main] INFO MultiplicationTableGenerator – 1*2=22*2=4
[main] INFO MultiplicationTableGenerator – 1*3=32*3=63*3=9
…
[main] INFO MultiplicationTableGenerator – ===== 九九乘法表打印完成 =====

✅ 业界编码规范检查结果

命名规范

• 类名：大驼峰 MultiplicationTableGenerator
• 方法名：小驼峰 generateNineNineTable
• 常量：全大写 + 下划线

日志规范

• 使用 SLF4J 门面模式，不直接使用 log4j/jul
• Logger 定义为 private static final Logger
• 禁止 System.out.println()，统一用日志输出

代码格式

• 缩进统一、空格规范
• 循环 / 代码块结构清晰
• 方法单一职责

注释规范

• 类注释、方法注释完整
• 关键逻辑添加说明

性能与优雅

• 使用 StringBuilder 拼接字符串（避免 String + 产生大量对象）
• 格式化输出保证排版整齐

可见大模型生成的代码已基本具备工程级规范了

如何写好Prompt

看完上面的案例后有一个问题：如何写好Prompt？ 参考 Anthropic Claude、Cursor、OpenAI/ChatGPT 的官方提示词实践，可以把“写好 prompt”的核心总结为一句话：

把任务说清楚，把上下文给够，把边界定死，把结果定义好。

写好Prompt的核心要素

#mermaid-svg-mRZXcySDD7qNlb3E{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-mRZXcySDD7qNlb3E .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-mRZXcySDD7qNlb3E .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-mRZXcySDD7qNlb3E .error-icon{fill:#552222;}#mermaid-svg-mRZXcySDD7qNlb3E .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-mRZXcySDD7qNlb3E .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-mRZXcySDD7qNlb3E .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-mRZXcySDD7qNlb3E .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-mRZXcySDD7qNlb3E .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-mRZXcySDD7qNlb3E .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-mRZXcySDD7qNlb3E .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-mRZXcySDD7qNlb3E .marker{fill:#333333;stroke:#333333;}#mermaid-svg-mRZXcySDD7qNlb3E .marker.cross{stroke:#333333;}#mermaid-svg-mRZXcySDD7qNlb3E svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-mRZXcySDD7qNlb3E p{margin:0;}#mermaid-svg-mRZXcySDD7qNlb3E .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-mRZXcySDD7qNlb3E .cluster-label text{fill:#333;}#mermaid-svg-mRZXcySDD7qNlb3E .cluster-label span{color:#333;}#mermaid-svg-mRZXcySDD7qNlb3E .cluster-label span p{background-color:transparent;}#mermaid-svg-mRZXcySDD7qNlb3E .label text,#mermaid-svg-mRZXcySDD7qNlb3E span{fill:#333;color:#333;}#mermaid-svg-mRZXcySDD7qNlb3E .node rect,#mermaid-svg-mRZXcySDD7qNlb3E .node circle,#mermaid-svg-mRZXcySDD7qNlb3E .node ellipse,#mermaid-svg-mRZXcySDD7qNlb3E .node polygon,#mermaid-svg-mRZXcySDD7qNlb3E .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-mRZXcySDD7qNlb3E .rough-node .label text,#mermaid-svg-mRZXcySDD7qNlb3E .node .label text,#mermaid-svg-mRZXcySDD7qNlb3E .image-shape .label,#mermaid-svg-mRZXcySDD7qNlb3E .icon-shape .label{text-anchor:middle;}#mermaid-svg-mRZXcySDD7qNlb3E .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-mRZXcySDD7qNlb3E .rough-node .label,#mermaid-svg-mRZXcySDD7qNlb3E .node .label,#mermaid-svg-mRZXcySDD7qNlb3E .image-shape .label,#mermaid-svg-mRZXcySDD7qNlb3E .icon-shape .label{text-align:center;}#mermaid-svg-mRZXcySDD7qNlb3E .node.clickable{cursor:pointer;}#mermaid-svg-mRZXcySDD7qNlb3E .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-mRZXcySDD7qNlb3E .arrowheadPath{fill:#333333;}#mermaid-svg-mRZXcySDD7qNlb3E .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-mRZXcySDD7qNlb3E .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-mRZXcySDD7qNlb3E .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-mRZXcySDD7qNlb3E .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-mRZXcySDD7qNlb3E .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-mRZXcySDD7qNlb3E .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-mRZXcySDD7qNlb3E .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-mRZXcySDD7qNlb3E .cluster text{fill:#333;}#mermaid-svg-mRZXcySDD7qNlb3E .cluster span{color:#333;}#mermaid-svg-mRZXcySDD7qNlb3E div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-mRZXcySDD7qNlb3E .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-mRZXcySDD7qNlb3E rect.text{fill:none;stroke-width:0;}#mermaid-svg-mRZXcySDD7qNlb3E .icon-shape,#mermaid-svg-mRZXcySDD7qNlb3E .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-mRZXcySDD7qNlb3E .icon-shape p,#mermaid-svg-mRZXcySDD7qNlb3E .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-mRZXcySDD7qNlb3E .icon-shape rect,#mermaid-svg-mRZXcySDD7qNlb3E .image-shape rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-mRZXcySDD7qNlb3E .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-mRZXcySDD7qNlb3E .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-mRZXcySDD7qNlb3E :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

核心要素

目标明确

上下文充分

约束清晰

输出格式明确

评价标准明确

示例优先

任务拆解

任务拆解

告诉模型如何取舍

目标明确

不要只说“帮我优化一下”或“写一份文档”，要说清楚你到底要什么结果。 好的 prompt 会回答这几个问题：

• 要做什么
• 为谁做
• 解决什么问题
• 最终产物是什么

例如： 弱：帮我写知识图谱文档 强：写一篇面向初学者的知识图谱 Markdown 文档，包含基础概念、应用场景，以及一个用 Neo4j 构建简单图谱的案例

上下文充分

Claude、Cursor、ChatGPT 的共同原则都是：模型不是读心术，缺什么就补什么。 常见上下文包括：

• 背景信息
• 目标读者
• 使用场景
• 已有材料
• 技术栈 / 文件路径 / 约定
• 当前问题和限制

对 coding agent 尤其重要的是：

• 指定文件、目录、符号
• 提供报错信息
• 说明当前状态和已有尝试

约束清晰

好 prompt 不是“越开放越好”，而是要明确边界。

常见约束有：

• 不要改哪些内容
• 使用什么语言或框架
• 输出长度
• 风格要求
• 是否允许联网、安装依赖、改配置
• 是否需要兼容旧系统

例如：

使用 Markdown 输出
不要写成论文腔
代码示例使用 Cypher
不修改已有业务逻辑

输出格式明确

这是 OpenAI 和 Anthropic 都反复强调的重点。你越明确结果长什么样，模型越稳定。 建议提前规定：

• 输出结构
• 标题层级
• 是否用表格
• 是否要代码块
• 是否要分步骤
• 是否要 JSON / Markdown / SQL / PRD

例如：

请按“概念介绍 / 核心组成 / Neo4j 案例 / 总结”四部分输出
每部分 3 到 5 个自然段
每部分 3 到 5 个自然段
所有代码放在代码块中

评价标准明确

最好的 prompt 不只是说“做什么”，还会说“什么算做好”。 这在 Claude Code、Cursor 这类 agent 场景里特别重要。

常见验收标准：

• 内容完整
• 逻辑清楚
• 可执行
• 没有编造
• 术语准确
• 示例能直接运行
• 风格符合受众

例如：

文档要让零基础读者也能看懂
Neo4j 示例要能直接复制执行
避免空泛定义，尽量用例子解释

示例优先

Anthropic 和 OpenAI 都很强调 few-shot examples。如果你对输出风格有明确预期，最有效的方法往往不是“描述”，而是“给例子”。

适合给示例的场景：

• 固定格式输出
• 特定语气
• 特定风格文案
• 特定代码模式
• 审核标准

原则是：

• 少量但高质量
• 与目标任务高度相似
• 示例本身不要含糊

任务拆解

Cursor 和 Claude Code 这类 agent 对“分步骤任务”通常响应更稳。 复杂任务尽量拆成几个阶段：

• 先理解
• 再规划
• 再执行
• 最后验证 例如：

先总结知识图谱基础知识
再设计一个最小 Neo4j 图谱模型
最后生成 Markdown 文档

告诉模型如何取舍

这是很多人忽略的一点。一个优秀 prompt 会说明优先级。 例如：

• 优先准确，其次简洁
• 优先可执行，其次完整
• 优先保守，不要猜测
• 如果信息不足，先提问，不要强行输出

这能显著减少“看起来很完整但其实不可靠”的回答。

行业标准的共同点

如果把 Claude、Cursor、ChatGPT 的官方建议压缩一下，共同点基本是这 6 条：

• 清晰直接：不要绕，不要含糊
• 上下文充足：给背景、材料、限制
• 结构化表达：分块、分步骤、加分隔
• 指定输出：格式、长度、风格、字段
• 必要时给例子：比抽象描述更有效
• 可验证：说明什么结果才算成功

对写作类 Prompt 的建议

如果你是写文档、方案、汇报、文章，重点是这几个维度：

• 目标读者是谁
• 文风是什么
• 深度到什么程度
• 是否要案例
• 是否要结合行业背景
• 是否要结论导向 一个写作类 prompt 模板可以写成：

你是一名[角色]，请为[目标读者]写一篇关于[主题]的内容。
目标：
– [希望解决的问题]
– [最终产物]
要求：
– 输出格式：[Markdown / PPT 提纲 / 报告]
– 风格：[专业 / 通俗 / 简洁]
– 篇幅：[字数或章节数]
– 必须包含：[A、B、C]
– 不要包含：[D、E]
验收标准：
– [什么算写得好]
– [是否需要案例、图表、代码]

对编程类 Prompt 的建议

如果你面对的是 Cursor、Claude Code 这种 coding agent，prompt 里建议多补这几类信息：

• 目标文件或目录
• 要改什么，不要改什么
• 当前错误信息
• 技术约束
• 期望验证方式
• 是否允许新增依赖
• 是否需要先分析再改

一个更适合 coding agent 的模板：

目标：
– 修复[具体问题]
上下文：
– 项目技术栈：[例如 React + TypeScript]
– 相关文件：[路径]
– 当前报错：[完整报错]
– 已尝试：[可选]
约束：
– 不要修改[某些模块]
– 不要新增依赖
– 保持现有接口不变
输出要求：
– 先说明原因
– 再给修改方案
– 最后给验证方法
验收标准：
– [页面/接口/测试]恢复正常
– 不引入新的 lint 或类型错误

最容易写坏 prompt 的几个问题

• 目标太大：一句话里塞 5 个任务
• 描述太空：只有“优化一下”“完善一下”
• 上下文缺失：不说对象、不说场景、不说约束
• 格式不定：导致输出忽长忽短、结构混乱
• 没有验收标准：模型不知道你更看重准确、速度还是完整
• 一次要求太多风格：既要专业又要口语化，既要简洁又要全面，容易冲突

实用口诀

你可以用这个简单框架来检查自己的 prompt：

任务 + 背景 + 约束 + 输出 + 标准

对应 5 个问题：

• 要做什么
• 基于什么信息
• 不能越过哪些边界
• 最终怎么输出
• 什么算完成得好

优秀的Prompt示范

• github Prompt-Engineering-Guide：https://github.com/dair-ai/Prompt-Engineering-Guide