源码级别解析 · 2026年最新实践 · 深度解析
2026-05-11 | 每日技术深度解读
涵盖114种技术中的核心内容
提示质量直接影响20-60%的输出质量提升
专业提示工程师与业余水平的差距可测量化
最基础的提示方式，适用于模型已经理解的任务类型
# 翻译任务
prompt = "请将以下中文翻译成英文：\n\n人工智能技术正在快速发展。\n\n只输出翻译结果，不要其他内容。"
# 分类任务
prompt = "请将以下文本分类为正面、负面或中性：\n\n产品功能很实用，界面设计也不错。"
categories = ["正面", "负面", "中性"]Zero-shot适用于模型已经训练过的任务类型
直接指令是最可靠的提示方式之一
prompt = """
请帮我分析以下代码的性能问题：
def calculate_fibonacci(n):
if n <= 1:
return n
return calculate_fibonacci(n-1) + calculate_fibonacci(n-2)
请按照以下格式输出：
1. 性能问题：[描述问题]
2. 时间复杂度：[分析复杂度]
3. 优化建议：[具体改进方案]
"""明确指定输出格式，让模型知道如何组织回答
System prompt控制AI的整体行为和风格
system_prompt = """
你是一位专业的代码审查工程师，具有以下特征：
- 专注于代码质量和安全性
- 提供具体、可执行的改进建议
- 遵循最佳编程实践
- 回答要结构化、条理清晰
当你分析代码时，请从以下角度评估：
1. 代码可读性
2. 性能优化
3. 安全性考虑
4. 最佳实践遵循
"""System prompt为AI设定专业角色和行为规范
好的上下文设定能显著提升回答质量
context_prompt = """
【场景】你正在为一个电商平台设计用户推荐系统
【目标】提高用户购买转化率，同时保持推荐的个性化
【用户画像】25-35岁白领，喜欢科技产品，预算中等，追求性价比
【产品数据】包含10000+商品，分为5个主要类别
请设计一个推荐算法的伪代码实现。要求：
1. 考虑用户历史行为
2. 处理新用户冷启动问题
3. 平衡推荐多样性和精准度
"""明确的上下文设定让AI更好地理解任务需求
分隔符能帮助模型更好地理解和处理结构化内容
prompt = """
请分析以下用户评论，并提取关键信息：
---用户评论---
"这个产品真的很好用，物流速度很快，客服态度也不错，就是价格稍微贵了一点。"
---结束---
请按照以下格式提取信息：
---正面评价---
[提取正面内容]
---负面评价---
[提取负面内容]
---改进建议---
[提出改进建议]
---结束---
"""使用明确的分隔符帮助模型理解和提取结构化信息
明确的约束条件能帮助生成更符合预期的输出
prompt = """
请写一个关于人工智能的简短介绍，要求：
- 长度在200-300字之间
- 使用通俗易懂的语言
- 包含至少3个应用场景
- 不要使用专业术语
- 以正向积极的态度结尾
请直接输出内容，不要包含标题或其他格式。
"""明确的约束条件帮助生成符合特定要求的内容
输出引导能帮助模型生成更结构化的回答
prompt = """
请分析以下Python代码的性能问题：
def process_data(data):
result = []
for item in data:
if item['type'] == 'important':
processed = item['value'] * 2
result.append(processed)
return result
请按照以下格式分析：
## 性能分析
1. 时间复杂度: O(n)
2. 空间复杂度: O(n)
3. 潜在问题:
- 每次循环都进行类型检查
- 没有使用列表推导式
## 优化建议
1. 使用列表推导式
2. 预先过滤数据
3. 使用更高效的数据结构
"""提供明确的输出模板，让模型按照特定结构回答
提示链适合处理多步骤的复杂任务
# 第一步：提取数据
prompt1 = """
从以下新闻文本中提取公司名称和股价信息：
"苹果公司今日股价上涨5%，达到182美元。特斯拉股价下跌2%，收于245美元。"
"""
# 第二步：分析趋势
prompt2 = """
基于以下数据，分析股价趋势并预测明天走势：
{step1_output}
"""
# 第三步：生成报告
prompt3 = """
根据以上分析，生成一份简短的股票分析报告：
{step2_output}
"""通过多个步骤逐步完成复杂任务，每步结果传递给下一步
CoT能提升数学、逻辑等复杂任务15-40%的准确率
# Zero-shot CoT
prompt = """
一个商人买了一批货物，成本价是100元。他想卖150元，但如果市场价格降到120元，他就以120元卖出。
现在市场价格是130元，商人应该以什么价格出售？请逐步推理。
推理过程：
1. 商人的目标是以尽可能高的价格出售
2. 当前市场价格是130元，高于他的心理价位150元
3. 但是市场价格130元低于他期望的150元
4. 他可以选择等待更好的价格，但存在风险
5. 综合考虑，应该以市场价格130元出售
结论：商人应该以130元出售。
"""让模型逐步展示推理过程，提高回答的可信度
只需添加"请逐步思考"就能触发CoT效果
# 简单的Zero-Shot CoT
prompt = """
计算：如果一本书有300页，小明每天读20页，需要多少天才能读完？请逐步思考并给出答案。
"""
prompt2 = """
一家公司有100名员工，其中60%是技术部门，技术部门中30%是高级工程师。
请问这家公司有多少高级工程师？请逐步推理。
"""只需在提示中要求逐步思考，就能触发模型进行逻辑推理
通过多次推理选择一致性答案，提高准确率
# 多个推理路径
prompt = """
一个水池有进水管和出水管，进水管每分钟注入5升水，出水管每分钟排出3升水。
如果水池原本有100升水，10分钟后水池有多少水？请给出不同的推理方法。
推理方法1：净增水量
- 每分钟净增：5-3=2升
- 10分钟净增：2×10=20升
- 最终水量：100+20=120升
推理方法2：累计计算
- 进水总量：5×10=50升
- 出水总量：3×10=30升
- 最终水量：100+50-30=120升
结论：两种方法都得到120升
"""通过不同的推理方法验证答案的一致性
ToT是CoT的扩展，支持更复杂的推理决策
# ToT推理示例
prompt = """
考虑为电商设计推荐系统，请提出3种不同方法并评估：
方法A：基于内容的推荐
- 基于商品特征相似度
- 优点：解释性强，不受冷启动影响
- 缺点：需要高质量特征工程
方法B：协同过滤推荐
- 基于用户行为相似度
- 优点：自动发现用户兴趣
- 缺点：冷启动问题严重
方法C：深度学习推荐
- 基于神经网络建模
- 优点：能捕获复杂非线性关系
- 缺点：需要大量数据和计算资源
评估标准：准确性、可扩展性、实现复杂度、维护成本
最佳选择：混合推荐系统，结合方法A和B的优点
"""思维树支持并行探索多个解决方案，选择最优路径
分解式提示适合处理复杂的多步骤任务
# 复杂任务分解
prompt = """
请设计一个完整的电商推荐系统，要求分解为以下子任务：
子任务1：数据收集
- 用户行为数据：浏览、点击、购买、收藏
- 商品特征数据：类别、价格、评分、描述
- 用户画像数据：年龄、性别、地理位置
子任务2：特征工程
- 用户特征提取：兴趣偏好、购买力、活跃度
- 商品特征提取：流行度、季节性、相关性
- 交互特征提取：点击率、转化率、留存率
子任务3：模型选择
- 协同过滤：基于用户的CF，基于物品的CF
- 内容推荐：基于商品特征的相似度计算
- 深度学习：DNN、Wide&Deep、DeepFM
子任务4：系统集成
- A/B测试框架
- 实时更新机制
- 效果评估指标
请分别设计每个子任务的详细实现方案。
"""将复杂任务分解为可管理的子任务，逐个解决
PAL将LLM的程序生成能力与逻辑推理相结合
# PAL推理示例
prompt = """
请使用Python代码解决以下问题，并解释推理过程：
问题：一个投资组合包含股票和债券，股票占60%，债券占40%。股票年化收益率是12%，债券年化收益率是4%。
如果投资组合的总价值是100万元，一年后的总价值是多少？
Python代码：
```python
# 投资组合分析
total_investment = 1000000 # 总投资100万元
stock_ratio = 0.6 # 股票占比60%
bond_ratio = 0.4 # 债券占比40%
stock_return = 0.12 # 股票收益率12%
bond_return = 0.04 # 债券收益率4%
# 计算各部分投资金额
stock_amount = total_investment * stock_ratio
bond_amount = total_investment * bond_ratio
# 计算各部分收益
stock_profit = stock_amount * stock_return
bond_profit = bond_amount * bond_return
# 计算总价值
final_value = total_investment + stock_profit + bond_profit
print(f"股票投资金额: {stock_amount:,.0f}元")
print(f"债券投资金额: {bond_amount:,.0f}元")
print(f"股票收益: {stock_profit:,.0f}元")
print(f"债券收益: {bond_profit:,.0f}元")
print(f"最终总价值: {final_value:,.0f}元")
```
推理结果：
- 股票投资60万元，收益7.2万元
- 债券投资40万元，收益1.6万元
- 总收益8.8万元
- 最终总价值108.8万元
"""通过程序代码进行精确计算，结合语言推理给出解释
ReAct框架让AI能够进行思考和行动的循环
# ReAct框架示例
prompt = """
请使用ReAct框架解决以下问题：
问题：我需要为公司年会预订场地，要求：
1. 容纳200人
2. 有音响设备
3. 预算不超过3万元
4. 在北京朝阳区
ReAct推理过程：
Thought: 我需要搜索北京的会议场地信息
Action: 搜索北京朝阳区会议场地
Observation: 找到3个场地：北京国际会议中心、朝阳大悦城会议厅、望京SOHO会议室
Thought: 需要检查场地的容量和设备
Action: 查询北京国际会议中心详情
Observation: 容量500人，有专业音响设备，租金2.8万元/天
Thought: 这个场地符合要求，容量足够，价格在预算内
Action: 确认预订北京国际会议中心
Observation: 预订成功，场地已锁定在2026年12月15日
Conclusion: 成功预订北京国际会议中心，容量500人满足200人需求，有音响设备，租金2.8万元在3万元预算内。
"""ReAct框架结合了推理和行动，支持复杂任务的逐步解决
反思机制让AI能够识别和纠正自己的推理错误
# Reflexion反思机制
prompt = """
请使用反思机制分析以下代码的错误：
原始代码：
```python
def fibonacci(n):
if n == 0:
return 0
elif n == 1:
return 1
return fibonacci(n-1) + fibonacci(n+1) # 错误在这里
```
反思过程：
Thought: 检查fibonacci函数的实现
Action: 分析函数逻辑
Observation: fibonacci(n+1)应该是fibonacci(n-2)
Thought: 验证正确性
Action: 用n=5测试
Observation: fibonacci(5) = fibonacci(4) + fibonacci(6)，这会导致无限递归
Thought: 修正错误
Action: 将n+1改为n-2
Observation: fibonacci(5) = fibonacci(4) + fibonacci(3)，正确
修正后的代码：
```python
def fibonacci(n):
if n == 0:
return 0
elif n == 1:
return 1
return fibonacci(n-1) + fibonacci(n-2) # 修正错误
```
"""反思机制让AI能够识别和纠正自己的推理错误
逻辑验证确保推理过程的正确性
# 逻辑验证示例
prompt = """
请验证以下推理的逻辑性：
推理：所有鸟都会飞，企鹅是鸟，所以企鹅会飞。
逻辑验证步骤：
1. 检查前提条件：
- 前提1：所有鸟都会飞
- 前提2：企鹅是鸟
2. 检查前提的准确性：
- 前提1有问题：不是所有鸟都会飞（如企鹅、鸵鸟等）
- 前提2正确：企鹅确实是鸟类
3. 检查推理规则：
- 推理规则：如果所有A都是B，C是A，那么C是B
- 推理规则正确
4. 检查结论：
- 结论：企鹅会飞
- 结论错误，因为前提1不正确
修正后的推理：
重新定义前提：大多数鸟会飞，但有些鸟（如企鹅）不会飞。
企鹅是不会飞的鸟类，所以结论正确。
最终结论：原推理存在逻辑错误，需要修正前提条件。
"""逻辑验证确保推理过程的前提、规则和结论都正确
证明生成支持严格的数学和逻辑推理
# 证明生成示例
prompt = """
请为勾股定理生成一个形式化证明：
定理：在直角三角形中，直角边的平方和等于斜边的平方。
即：a² + b² = c²
证明过程：
1. 已知条件：
- △ABC是直角三角形，∠C=90°
- AB为斜边，长度为c
- AC为直角边，长度为b
- BC为直角边，长度为a
2. 构造辅助图形：
- 以△ABC为基础，构造4个相同的直角三角形
- 将这4个三角形围绕一个正方形排列
- 形成边长为(a+b)的大正方形
3. 面积计算：
- 大正方形面积：(a+b)² = a² + 2ab + b²
- 内部小正方形面积：c²
- 4个三角形面积：4 × (½ab) = 2ab
- 总面积：c² + 2ab
4. 面积相等性：
- 大正方形面积 = 内部小正方形面积 + 4个三角形面积
- (a+b)² = c² + 2ab
- a² + 2ab + b² = c² + 2ab
5. 结论：
- 两边同时减去2ab
- a² + b² = c²
证毕。
"""证明生成支持严格的数学定理证明，确保结论的可靠性
元提示让AI能够分析和改进自己的提示设计
# Meta-Prompting示例
prompt = """
请完成以下任务，然后对自己的回答进行反思和改进：
任务：为电商推荐系统设计一个评价指标体系
初始回答：
评价指标包括：点击率、转化率、GMV、用户满意度
反思：
1. 评价指标是否全面？
- 缺少用户留存指标
- 缺少多样性指标
- 缺少公平性指标
2. 评价指标是否可量化？
- 用户满意度需要具体测量方法
- 多样性需要明确定义
改进：
1. 完善指标体系：
- 业务指标：点击率、转化率、GMV、客单价、复购率
- 用户体验指标：留存率、满意度、NPS、使用时长
- 系统性能指标：响应时间、准确率、覆盖率
- 公平性指标：多样性、公平性、偏见度
2. 定义测量方法：
- 用户满意度：问卷调查+用户反馈分析
- 多样性：不同类别商品的推荐比例
- 公平性：不同用户群体的推荐质量对比
最终改进后的评价指标体系更加全面和可操作。
"""元提示让AI能够反思和改进自己的提示设计
DSPy是声明式的自改进Python框架
# DSPy框架示例
class ReviewAnalysis(dspy.Module):
def __init__(self):
self.analyze = dspy.Predict(
"review: str -> sentiment: str, aspects: list, suggestions: list"
)
def forward(self, review):
return self.analyze(review=review)
# 使用示例
review = "产品功能很好，但客服响应太慢，希望改进服务体验。"
# 初始化优化器
teleprompter = BootstrapFewShotWithRandomSearch(metric=validate_review)
# 优化提示
optimized_program = teleprompter.compile(
ReviewAnalysis(),
trainset=train_reviews
)
# 使用优化后的程序
result = optimized_program(review)
print(f"情感: {result.sentiment}")
print(f"方面: {result.aspects}")
print(f"建议: {result.suggestions}")DSPy用程序化方式管理提示，自动优化提示质量
宪法AI基于道德原则约束AI行为
# Constitutional AI示例
constitution = """
AI宪法原则：
1. 真实性：不传播虚假信息
2. 公平性：避免偏见和歧视
3. 安全性：不造成伤害
4. 透明性：解释决策依据
5. 隐私性：保护用户数据
6. 负责任：考虑社会影响
"""
# 宪法检查函数
def constitutional_check(response, question, constitution):
violations = []
# 检查真实性
if "虚假信息" in response.lower() or "不确定" in response.lower():
violations.append("违反真实性原则")
# 检查公平性
if "所有" in response.lower() and "都" in response.lower():
violations.append("可能存在过度概括")
# 检查安全性
if "危险" in response.lower() or "风险" in response.lower():
violations.append("包含安全风险")
return violations
# 使用宪法约束生成回答
def generate_safe_response(question):
# 生成初步回答
response = generate_response(question)
# 宪法检查
violations = constitutional_check(response, question, constitution)
# 如果有违规，重新生成
if violations:
response = generate_response_with_constraints(question, constitution)
return response宪法AI基于道德原则约束AI行为，确保输出安全和道德
提示压缩减少token使用，降低成本
# 提示压缩示例
# 原始提示 (120 tokens)
original_prompt = """
请你以专业软件工程师的身份，仔细分析以下Python代码的性能问题，
包括时间复杂度分析、空间复杂度分析、潜在的性能瓶颈，
并提供具体的优化建议。代码应该遵循Python最佳实践，
并且要考虑到可读性和可维护性。
def process_data(data):
result = []
for item in data:
if item['type'] == 'important':
processed = item['value'] * 2
result.append(processed)
return result
"""
# 压缩后的提示 (45 tokens)
compressed_prompt = """
分析以下Python代码的性能问题，提供优化建议。
考虑时间复杂度、空间复杂度、性能瓶颈。
遵循Python最佳实践，关注可读性和可维护性。
def process_data(data):
result = []
for item in data:
if item['type'] == 'important':
processed = item['value'] * 2
result.append(processed)
return result
"""提示压缩减少token使用，在保持效果的同时降低成本
少样本学习是最可靠的输出结构控制方法
# 少样本学习示例
prompt = """
请根据以下示例，对新的用户评论进行情感分类：
示例1：
评论："这个产品真的很棒，质量超出预期！"
分类：正面
示例2：
评论："客服态度很差，等了很久都没有回复。"
分类：负面
示例3：
评论："产品功能基本满足需求，但价格偏高。"
分类：中性
现在请分类以下评论：
评论："物流速度快，包装很好，产品功能也不错。"
分类：
"""通过少量示例控制输出的格式和质量
智能体提示模式支持复杂的多智能体协作任务
# 智能体协作提示模式
prompt = """
请模拟一个多智能体团队完成电商推荐系统开发：
智能体1：产品经理
- 负责需求分析
- 定义产品功能
- 制定项目计划
智能体2：架构师
- 设计系统架构
- 选择技术栈
- 制定开发规范
智能体3：前端开发工程师
- 实现用户界面
- 处理用户交互
- 优化用户体验
智能体4：后端开发工程师
- 实现业务逻辑
- 设计数据库架构
- 开发API接口
智能体5：测试工程师
- 制定测试计划
- 执行功能测试
- 进行性能测试
请每个智能体分别完成自己的任务，然后整合结果。
"""智能体提示模式支持复杂的多角色协作任务
针对GPT-5.5的特定优化技巧
# GPT-5.5 优化示例
prompt = """
使用OpenAI GPT-5.5 API进行代码审查，要求：
1. 利用GPT-5.5的推理能力进行深度分析
2. 使用结构化JSON输出
3. 能够调用工具进行代码执行验证
API调用示例：
```python
from openai import OpenAI
client = OpenAI()
response = client.chat.completions.create(
model="gpt-5.5",
messages=[
{
"role": "system",
"content": "你是专业的代码审查工程师，擅长深度代码分析和性能优化。"
},
{
"role": "user",
"content": "请审查以下代码并提供JSON格式报告",
"tools": [
{
"type": "function",
"function": {
"name": "execute_code",
"description": "执行代码并返回结果"
}
}
]
}
],
response_format={"type": "json_object"}
)
```
"""针对GPT-5.5的新特性进行优化，包括工具使用和结构化输出
针对Claude的特定优化技巧
# Claude 优化示例
prompt = """
使用Anthropic Claude进行长文档分析，要求：
1. 利用Claude的100K上下文窗口
2. 处理完整的技术文档和代码库
3. 保持上下文连贯性
Claude API调用示例：
```python
from anthropic import Anthropic
client = Anthropic()
response = client.messages.create(
model="claude-3-opus-4.7",
max_tokens=4096,
messages=[
{
"role": "system",
"content": "你是技术文档专家，能够理解和分析复杂的技术文档。"
},
{
"role": "user",
"content": "请分析以下完整的技术文档：" + long_document
}
]
)
```
Claude的优势：
- 100K上下文窗口
- 准确的中英双语能力
- 强大的逻辑推理能力
"""利用Claude的长上下文和强推理能力处理复杂任务
针对Gemini的多模态优化技巧
# Gemini 多模态优化示例
prompt = """
使用Google Gemini进行多模态分析，要求：
1. 利用Gemini的多模态能力处理文本、图像、音频
2. 进行实时信息整合和分析
3. 提供跨模态的理解和推理
Gemini API调用示例：
```python
import google.generativeai as genai
# 配置API
genai.configure(api_key="your-api-key")
model = genai.GenerativeModel('gemini-3.1-pro')
# 多模态输入
response = model.generate_content([
"分析以下产品图片和评论：",
genai.upload_file("product_image.jpg"),
"用户评论：这款产品功能很好，但价格偏高。"
])
```
Gemini的优势：
- 多模态理解能力
- 实时信息处理
- 跨语言支持
"""利用Gemini的多模态能力进行跨媒体信息处理
系统化的提示评估方法
# 提示评估框架
class PromptEvaluator:
def __init__(self):
self.metrics = {
'accuracy': [],
'coherence': [],
'relevance': [],
'completeness': []
}
def evaluate_response(self, response, ground_truth):
scores = {
'accuracy': self.calculate_accuracy(response, ground_truth),
'coherence': self.calculate_coherence(response),
'relevance': self.calculate_relevance(response),
'completeness': self.calculate_completeness(response)
}
return scores
def run_ab_test(self, prompt_a, prompt_b, test_cases):
results_a = []
results_b = []
for case in test_cases:
response_a = get_response(prompt_a, case)
response_b = get_response(prompt_b, case)
score_a = self.evaluate_response(response_a, case['ground_truth'])
score_b = self.evaluate_response(response_b, case['ground_truth'])
results_a.append(score_a)
results_b.append(score_b)
return self.compare_results(results_a, results_b)
def statistical_significance(self, results_a, results_b):
# 计算统计显著性
from scipy import stats
return stats.ttest_ind(results_a, results_b)系统化的提示评估框架，支持A/B测试和统计分析
标准化基准测试体系
# 基准测试示例
class PromptBenchmark:
def __init__(self):
self.datasets = {
'math_gsm8k': load_math_dataset(),
'code_human_eval': load_code_dataset(),
'reasoning_arc': load_reasoning_dataset()
}
def run_benchmark(self, prompt_template, model_name):
results = {}
for dataset_name, dataset in self.datasets.items():
scores = []
for example in dataset:
response = get_response(prompt_template, example)
score = self.score_response(response, example)
scores.append(score)
results[dataset_name] = {
'mean_score': np.mean(scores),
'std_score': np.std(scores),
'accuracy': np.mean(scores)
}
return results
def compare_models(self, model_a, model_b, prompt_templates):
comparison_results = {}
for template_name, template in prompt_templates.items():
results_a = self.run_benchmark(template, model_a)
results_b = self.run_benchmark(template, model_b)
comparison_results[template_name] = {
'model_a': results_a,
'model_b': results_b,
'improvement': self.calculate_improvement(results_a, results_b)
}
return comparison_results标准化基准测试体系，支持多模型和提示效果对比
提示工程在代码审查中的应用
# 代码审查优化提示
prompt = """
请对以下Python代码进行全面的安全审查，重点关注：
1. 安全漏洞检查：
- SQL注入风险
- XSS漏洞
- CSRF攻击
- 敏感信息泄露
- 不安全的随机数生成
2. 性能问题检查：
- 时间复杂度分析
- 内存使用优化
- 数据库查询优化
- 缓存策略
3. 代码质量检查：
- 可读性评估
- 代码重复度检查
- 最佳实践遵循
- 错误处理完整性
代码：
```python
def get_user_data(user_id):
query = "SELECT * FROM users WHERE id = " + str(user_id)
result = execute_query(query)
return result
def process_request(request):
data = request.get_json()
if not data:
return jsonify({'error': 'No data provided'}), 400
user_id = data['user_id']
user_data = get_user_data(user_id)
return jsonify(user_data)
```
请按以下格式输出审查结果：
## 安全漏洞
[发现的安全问题及修复建议]
## 性能问题
[发现的性能问题及优化建议]
## 代码质量
[发现的质量问题及改进建议]
"""专门的代码审查提示，系统化检测安全和性能问题
提示工程在内容生成中的应用
# 内容生成优化提示
prompt = """
请为电商平台生成产品推广文案，要求：
1. 文案结构：
- 吸引人的标题（不超过20字）
- 产品核心价值（3-5个卖点）
- 用户使用场景（2-3个场景）
- 行动号召（明确下一步行动）
2. 写作风格：
- 简洁明了，避免复杂术语
- 突出用户利益，而非技术参数
- 使用情感化语言，营造紧迫感
- 符合目标用户群体的语言习惯
3. 适用场景：
- 产品详情页
- 社交媒体推广
- 电子邮件营销
- 搜索引擎广告
产品信息：
- 产品名称：智能空气净化器
- 核心功能：HEPA过滤、智能监测、静音运行
- 目标用户：家庭用户、办公室人员
- 价格：2999元
- 竞争优势：3级过滤、智能控制、低噪音
请生成5个不同风格的产品推广文案。
"""结构化的内容生成提示，确保输出的质量和一致性
提示工程在数据分析中的应用
# 数据分析提示
prompt = """
请基于以下销售数据进行分析，要求：
1. 数据概览：
- 总销售额、平均订单金额
- 最畅销产品类别
- 用户增长趋势
- 时间分布特征
2. 深度分析：
- 销售高峰时段分析
- 用户购买行为模式
- 产品关联性分析
- 地域分布特征
3. 可视化建议：
- 销售趋势折线图
- 产品类别饼图
- 地域分布地图
- 用户画像雷达图
4. 业务建议：
- 营销策略建议
- 产品优化方向
- 库存管理建议
- 用户体验改进
销售数据：
- 时间范围：2025年1月-2025年12月
- 总订单数：15,234
- 总销售额：3,456,789元
- 平均订单金额：227元
- 用户总数：8,456
- 产品类别：电子产品(45%)、服装(30%)、家居用品(25%)
请生成完整的分析报告，包含数据洞察和业务建议。
"""专业的数据分析提示，支持深度分析和业务洞察
提示工程的核心设计原则
构建可复用的提示模板库
建立持续的提示改进机制
团队级的提示工程协作
提示工程是AI应用开发的关键技能
感谢阅读！
访问 https://atcfu.com/ai-articles/prompt-engineering/ 回顾本文