一句话定义：提示词工程（Prompt Engineering）是通过设计输入给大语言模型（LLM）的文字，让它的输出更准确、更稳定、更符合你需求的一套方法。
它为什么有用：大语言模型的工作原理，是根据你给的上下文一个词一个词地往下预测。它没有读心术，也看不到你的屏幕和你的行业背景——你写下的那几行字，就是它掌握的全部信息。用一个生活化的比方：模型像一个刚入职、知识面极广但完全不了解你业务的实习生。你说“帮我弄一下那个东西”，他只能瞎猜；你说“把这份销售表按地区汇总，输出成三列的表格，金额保留两位小数”，他立刻就能干得像模像样。提示词工程不是玄学咒语，而是把任务、背景、要求和验收标准显式地写出来。
入门者最该掌握的 3 个技巧
1. 结构化：给角色、给任务、给输出格式。
不要写“帮我看看这段代码”，而是写“你是一位资深后端工程师。请审查下面这段 Python 代码，按【严重问题】【建议改进】【代码风格】三类列出，每条不超过两行，并引用原始代码行”。角色是给模型一个语境锚点，格式则直接决定你后面要不要手动整理——它省下的是你自己的时间。
2. 给例子：一个具体样例胜过十句形容词。
与其描述“语气要专业但不生硬”，不如直接贴一段你们公司真实的客服回复，说“照这个语气改写下面这段话”。模型擅长模仿，不擅长揣摩形容词。如果任务有边界情况，就在例子里覆盖它，比如“如果用户提到退款，就按这个话术走”。
3. 拆步骤：让它先想再答。
面对分类、计算、多条件判断这类任务，别指望一步到位。可以要求它“先复述我的要求，再列提纲，最后给结论”，这就是常说的思维链（Chain of Thought）。对复杂任务，先让它分析再输出答案，准确率往往明显提升；简单任务则不必，反而啰嗦。
最后补一条心法：提示词不是一次写好的，是改出来的。看到输出跑偏，先问自己“我哪句没交代清楚”，再改一版。
和相邻概念的区别
| 手段 | 改的是什么 | 典型适用场景 |
|---|---|---|
| 提示词工程 | 输入的文本 | 快速试错，任务说明白就能解决 |
| AI 词典：检索增强生成">检索增强生成（RAG） | 给模型外挂资料 | 需要私有知识或较新信息 |
| 微调（Fine-tuning） | 模型的参数 | 风格格式高度固定、调用量大 |
三者常配合使用：RAG 负责“喂资料”，提示词工程负责“说清楚怎么用这些资料”。
对实际工作的意义
提示词工程不能把模型不会的事变成会，但能把它会的事稳定发挥出来——很多“这模型不行”的抱怨，其实是“问得不行”。随着模型对模糊指令的理解力增强，写提示词的门槛在降低，但结构化表达的价值不会消失：因为把要求写清楚的过程，本身也是在帮你自己理清需求。对普通职场人来说，先练好上面这三招，日常提效的收益最直接。