【自学AI】06 跟 AI 说话也是门学问 —— Prompt Engineering 进阶
别怪 AI 笨——你的指令，它真的看不懂
同一个 AI，同一个任务，Prompt 不同，输出质量能差 100 倍。 这不是玄学，是我在学习 AI 项目时亲自踩出来的。
开头：从一次真实的失败说起
我在学习一个 AI 面试系统项目。
系统需要根据候选人的简历和职位要求，自动生成面试题。
一开始，Prompt 是这样的：
根据候选人简历和职位要求，生成面试题就这一句。
结果呢？AI 给出的题目：有的太简单，有的和候选人背景完全无关，有的甚至是错的。HR 看了直摇头。
后来把 Prompt 改成了一个结构完整、有角色设定、有难度分布、有输出格式要求的版本——整整 60 多行。
再跑一次，HR 说：“这些题目真的很适合这个候选人。”
同一个 AI，同一个任务。差别只在 Prompt。
这件事让我认真学了一遍 Prompt Engineering。这篇文章，是学完之后把想清楚的事整理下来。
一、Prompt 是什么——别想复杂了
Prompt，就是你给 AI 的指令。
可以是一个问题，一个任务，一个角色设定，或者一段复杂的组合要求。形式没有限制，关键只有一件事：
你需要清楚地告诉 AI，你要什么。
这里有个很多人没意识到的点：
AI 不会”猜测”你的意思。它只会根据你写的东西，预测下一步应该输出什么。你写什么，它往哪走。
所以，Prompt 模糊，输出就漂移。Prompt 清晰，输出就收敛。
易经里有句话：“名不正则言不顺”。你给的卦象不清，推演出来的爻辞自然也乱。Prompt 这件事，道理是一样的——你给的上下文有多清晰，AI 的输出就有多准。
我把这个核心叫做：上下文质量。
你提供给 AI 的信息有多清晰、多具体、多完整，就决定了它的输出质量。
垃圾进，垃圾出——这条定律对 AI 同样成立。
二、一个好 Prompt 的结构
在项目里研究了几十个 Prompt 之后，总结出一个框架，叫 “标准 Prompt 五步法”：
第 1 步：角色设定
告诉 AI 它是谁。
你是一个资深的 Java 后端架构师，有 20 年的面试经验。角色决定语气、深度和视角。同样问”如何优化数据库查询”——
- 作为初级开发者，AI 会讲基础 SQL 优化
- 作为资深 DBA，AI 会讲索引策略、查询计划分析、分片方案
角色是整个 Prompt 的”人设”，影响后续所有输出。
第 2 步：明确任务
具体说你要它做什么。
❌ 生成面试题✅ 生成 8 个适合 3 年经验 Java 开发者的面试题不要说”好的题目”，要说”难度中等、考察高并发场景、有标准答案的题目”。数字、标准、范围——越具体越好。
第 3 步：提供输入信息
把背景信息给够。候选人是谁？职位要求是什么？有什么约束条件？
这一步很多人会省略，但它往往是质量差距最大的地方。
第 4 步：明确输出格式
要 JSON 就说 JSON，要 Markdown 就说 Markdown，要几条就说几条。
如果代码要自动解析 AI 的输出，这一步是必须的。
输出格式：JSON，包含 title、difficulty、answer、common_mistakes 四个字段第 5 步：给出例子（可选）
这个技巧叫 Few-shot Learning（少样本学习）。
给 AI 一个”好的样本”，它会照着好的方向走。比任何文字描述都更直接。
三、6 个让 Prompt 变好的技巧
技巧 1：写 Prompt 前，先想清楚你要什么
这听起来是废话，但真的是最常见的问题。
很多人打开 AI 就开始输入，其实自己都没想清楚：目标是什么？给谁看？什么格式？什么标准算好？
AI 帮不了一个连自己都没想清楚的人。
先在脑子里过一遍，再动手写 Prompt。
技巧 2：上下文给够——AI 不是读心术
❌ 评估这个答案
✅ 这是一道考察高并发系统设计的面试题，候选人有 5 年经验， 请从准确性、完整性、工程思维三个维度评估他的回答， 每个维度 0-10 分，给出具体理由上下文不够，AI 就只能靠猜。猜出来的东西，大概率不是你要的。
技巧 3：用具体词，别用”好的""详细的”
| 模糊说法 | 具体说法 |
|---|---|
| 好的题目 | 难度中等、有实际工作场景、包含标准答案的题目 |
| 详细讲解 | 包含示例代码、时间复杂度分析、3 个常见错误的讲解 |
| 高质量输出 | 逻辑清晰、格式规范、100 字以上的解释 |
“好""详细""高质量”——这些词对 AI 来说是空的。
技巧 4：让 AI 一步一步想（Chain of Thought）
❌ 这个答案好吗？
✅ 请按以下步骤评估： 1. 首先，检查答案是否准确解决了问题 2. 其次，检查逻辑是否清晰 3. 最后，给出改进建议 4. 基于以上分析，给出 0-10 的评分和理由要求 AI “一步一步想”，答案会更严密，错误率更低。
这和做系统架构是一个道理——拆解得越细，每一步出错的概率就越小。
技巧 5：指定输出格式
如果系统要自动处理 AI 的输出，格式必须固定。
重要：只输出 JSON，不要有多余的文字或 Markdown 包裹这一行，能省掉很多解析的麻烦。
技巧 6：告诉 AI 不要什么
有时候，负面约束比正面要求更有效。
不要生成：- 太简单的题目（1-2 分钟就能答出）- 纯算法题（和实际工作无关）- 答案有争议的题目- 涉及过时技术的题目你知道自己不想要什么，直接说出来，比绕弯子描述”要什么”省事得多。
四、从烂到好：一次真实的迭代过程
好的 Prompt 不是写出来的，是改出来的。
把面试系统里那个生成面试题的 Prompt，从头到尾走一遍：
V1 — 一句话版
根据候选人简历和职位要求，生成面试题问题：题目没有难度，格式混乱，没有标准答案。
V2 — 加了要求，但还是模糊
根据候选人的技能和经验，生成 10 个有难度的面试题。要求：考察实际工作能力，包含标准答案，用 JSON 格式输出问题：“有难度”还是模糊的，候选人信息没有结构化。
V3 — 结构化了，好多了
你是一个 Java 后端面试官，有 20 年经验。候选人：5 年经验，Java/Spring/MySQL，做过电商系统职位：后端架构师题目要求：50% 考察 Spring 实战，30% 系统设计，20% 高并发输出 JSON 格式结果好多了，但评分标准还是模糊，“不要什么”没有说清楚。
V4 — 完整版
加入了：清晰的角色背景、结构化的候选人信息、难度分布百分比、详细的 JSON 字段说明、负面约束（不要生成什么）、以及一个好题目的示例。
整整 60+ 行。
结果：题目质量稳定，格式一致，HR 满意度显著提升。
从 V1 到 V4，不是一次写成的。是每次跑完看结果，发现哪里不对，改一处，再跑，再看。
就像调代码——没有人第一次就写出没有 bug 的程序。
Prompt 也一样。写完不是终点，跑完看结果才是。
最后带走一句话
Prompt 不是魔法咒语。
它是你和 AI 之间的沟通质量。
你说得越清楚，它做得越好。你给的上下文越完整，它的输出就越贴近你的期望。
这和跟人协作，其实没什么两样——
你自己没想清楚的事，别指望别人帮你想清楚。
Prompt Engineering 是一个技能，需要练习。写得越多，就越熟练。而一旦学会了，你就能让 AI 为你做出真正高质量的工作。
昇哥 · 2026年3月 学 AI 面试项目途中，顺手把想清楚的事写下来
支持与分享
如果这篇文章对你有帮助，欢迎分享给更多人或赞助支持！