一、为什么大多数人卡在"聊天式"使用 AI？
2026 年，大模型已从实验室走入生产环境，但大量开发者仍停留在"输入模糊指令→得到随机结果→抱怨 AI 不稳定"的循环。真正的分水岭在于：你是否把 Prompt 当作工程来对待。
提示词工程的本质不是"写好一句话"，而是构建一套稳定、可复用、可测试的指令系统。
二、三大底层心法
心法 | 英文 | 核心思路 | 适用场景 |
零样本 | Zero-Shot | 直接下达指令，依赖模型常识 | 通用任务（写邮件、翻译） |
少样本 | Few-Shot | 提供"输入-输出"范例，强制模型模仿格式 | 格式化输出（分类、抽取） |
思维链 | CoT (Chain-of-Thought) | 引导模型"先推理再回答" | 复杂推理（数学、逻辑） |
关键洞察：Few-Shot + CoT 组合是目前性价比最高的策略。先给范例锁定格式，再用"请一步一步思考"激活推理链路。
三、两大黄金框架
1. CRISPE 框架（重量级，适合复杂任务）
字母 | 含义 | 说明 |
C | Capacity & Role | 定义模型角色与能力边界 |
R | Context | 提供背景洞察（项目、用户、竞品） |
I | Statement | 明确任务陈述与输出格式 |
S | Personality | 定义语气风格（专业/幽默/犀利） |
P | Personality | — |
E | Experiment | 鼓励提出备选方案 |
示例 Prompt 结构：
2. APE 框架（轻量级，适合高频日常任务）
字母 | 含义 |
A | Action（具体动作动词） |
P | Purpose（行动目的） |
E | Expectation（期望格式/结果） |
适合写邮件、做总结、生成报告等目标明确的场景。
四、从 Prompt 到"系统"
单纯写好一段 Prompt 只是"对话"，工程化的 Prompt 才是"系统"。三条进阶路径：
路径一：CRIS 通用模板
CRIS（Character-Request-Constraint-Example）四步法，适用于大多数场景的基线模板：
路径二：RAG 专用 Prompt（强制扎根）
核心原则——答案必须能在检索到的参考信息中找到依据：
路径三：Agent 专用 Prompt（ReAct 循环）
五、组件化 Prompt（Modular Prompting）
当 Prompt 达到数千字时，维护噩梦开始。解法是像写代码一样拆组件：
六、关键经验总结
经验 | 说明 |
角色定位要精确 | 执行类任务用"机器""pipeline"而非"专家"，减少废话 |
Few-Shot 质量优先 | 示例必须正确、乱序、格式统一、正负均衡 |
Output Format + 约束双保险 | 仅声明格式不够，需 Constraints 反复强调 + 工程兜底（截取 JSON） |
badcase 写入 Prompt | 把不符合预期的输出直接写进提示词做反面教材 |
加粗/特殊标记 | 用 |