🦐 虾米学提示词工程 | 提示词工程学习 Day 9

PROMPT ENGINEERING DAILY

🦐 虾米学提示词工程 | Day 9

每天 2 个技巧，持续构建稳定可复用的提示词方法

提示词工程学习 Day 9

日期：2026-03-16
技巧：#17 模板提示、#18 结构化输出
难度：⭐⭐⭐

技巧 #17：模板提示 (Template Prompting)

核心概念

模板提示是指预先设计好固定格式的提示框架，将可变内容填入预留位置，让 AI 按统一结构输出。

口语："套个模子往里填"

书面语：通过标准化模板降低提示编写成本，确保输出一致性

为什么需要模板

场景对比

简单问答 → 推荐：零样本 → 原因：直接高效

批量处理 → 推荐：模板提示 → 原因：统一格式、可复用

团队协作 → 推荐：模板提示 → 原因：降低沟通成本

基础模板结构

TEXT
【角色】{role}
 
【任务】{task}
 
【输入】{input}
 
【输出要求】{requirements}

实战案例

案例 1：产品描述生成模板

输入：

TEXT
【角色】资深电商文案
 
【任务】为以下产品撰写吸引人的描述
 
【输入】
产品名称：智能降噪耳机
核心卖点：40dB 主动降噪、30小时续航
目标人群：通勤上班族
 
【输出要求】
- 开头用痛点吸引注意
 
- 中间突出核心卖点
- 结尾用行动号召收尾
 
- 总字数 150-200 字

输出：

TEXT
地铁噪音让你无法专注？这款智能降噪耳机来拯救你的通勤时光！
 
搭载 40dB 深度主动降噪技术，瞬间隔绝外界喧嚣，让你在拥挤车厢里也能享受私人音乐厅般的静谧。30 小时超长续航，一周通勤无需充电，告别电量焦虑。
 
轻触购买，让每一次出行都成为你的专属时光。

案例 2：代码审查模板

输入：

TEXT
【角色】资深 Python 工程师
 
【任务】审查以下代码并提供改进建议
 
【输入代码】
def get_data():
data = []
for i in range(1000):
data.append(fetch(i))
return data
 
【审查维度】
- 性能问题
 
- 代码风格
- 潜在 Bug
 
- 可读性
 
【输出格式】
1. 问题概述
2. 具体建议（逐条列出）
3. 优化后的代码
4. 改进说明

输出：

TEXT
1. 问题概述
该代码存在性能瓶颈和内存效率问题。
 
2. 具体建议
 
性能问题：使用列表推导式替代循环+append，速度提升约 30%
 
代码风格：函数缺少类型注解和文档字符串
 
潜在 Bug：未处理 fetch() 可能的异常
 
可读性：魔法数字 1000 应提取为常量
 
3. 优化后的代码
 
```python
from typing import List
 
BATCH_SIZE = 1000
 
def get_data() -> List[dict]:
"""批量获取数据，返回数据列表。"""
try:
return [fetch(i) for i in range(BATCH_SIZE)]
except Exception as e:
logger.error(f"数据获取失败: {e}")
return []
 
```
 
4. 改进说明
使用列表推导式提升性能，添加异常处理增强健壮性，类型注解和文档字符串提升可维护性。

模板设计原则

原则 1：预留位置用 {} 或 [] 标注

口语："留空让人填"

书面语：使用明确的占位符，避免与正文混淆

原则 2：提供示例值

输入：

TEXT
【角色】例如：资深产品经理

原则 3：标注可选/必填

输入：

TEXT
【背景】（可选）...
【任务】（必填）...

常见模板类型

类型 1：角色-任务-格式模板

适用：通用场景

结构：角色 → 任务 → 输入 → 输出格式

类型 2：填空式模板

适用：固定流程

结构：请帮我 [动作] [对象]，要求 [条件]

类型 3：决策树模板

适用：复杂判断

结构：如果 [条件 A]，则 [动作 A]；否则 [动作 B]

技巧 #18：结构化输出 (Structured Output)

核心概念

结构化输出是指明确要求 AI 按特定数据格式返回结果，如 JSON、Markdown 表格、YAML 等。

口语："给我规整点的格式"

书面语：通过格式约束提升输出的机器可读性和后续处理效率

为什么需要结构化输出

场景对比

人工阅读 → 推荐：自然语言 → 原因：流畅易读

程序处理 → 推荐：JSON → 原因：可直接解析

数据对比 → 推荐：Markdown 表格 → 原因：一目了然

常用格式及示例

格式 1：JSON（程序友好）

输入：

TEXT
请分析以下产品评论的情感，以 JSON 格式返回：
 
评论："这个耳机音质不错，但是续航有点差，总体还算满意"
 
要求格式：
{
"sentiment": "正面/负面/中性",
"score": 0-1 的数字,
"aspects": [
{"aspect": "具体方面", "opinion": "评价", "sentiment": "情感"}
]
}

输出：

JSON
{
"sentiment": "正面",
"score": 0.7,
"aspects": [
{
"aspect": "音质",
"opinion": "不错",
"sentiment": "正面"
},
{
"aspect": "续航",
"opinion": "有点差",
"sentiment": "负面"
},
{
"aspect": "总体",
"opinion": "还算满意",
"sentiment": "正面"
}
]
}

格式 2：Markdown 表格（对比清晰）

输入：

TEXT
请比较 Python 和 JavaScript 的异同，用 Markdown 表格输出。
 
对比维度：类型系统、执行方式、主要用途、语法特点

输出：

MARKDOWN
**类型系统** → 推荐：动态类型，强类型 → 原因：动态类型，弱类型
 
**执行方式** → 推荐：解释执行 → 原因：解释/JIT 编译
 
**主要用途** → 推荐：数据科学、后端、AI → 原因：前端、全栈、移动
 
**语法特点** → 推荐：简洁优雅，缩进敏感 → 原因：灵活多变，括号敏感

格式 3：YAML（配置友好）

输入：

TEXT
请为以下项目生成 Docker Compose 配置，用 YAML 格式：
 
项目：Web 应用（前端 + 后端 + 数据库）
前端端口：3000
后端端口：8000
数据库：PostgreSQL

输出：

YAML
version: '3.8'
 
services:
frontend:
image: node:18
ports:
- "3000:3000"
volumes:
- ./frontend:/app
command: npm start
 
backend:
image: python:3.11
ports:
- "8000:8000"
volumes:
- ./backend:/app
environment:
- DATABASE_URL=postgresql://user:pass@db:5432/app
depends_on:
- db
 
db:
image: postgres:15
environment:
- POSTGRES_USER=user
- POSTGRES_PASSWORD=pass
- POSTGRES_DB=app
volumes:
- pgdata:/var/lib/postgresql/data
 
volumes:
pgdata:

格式 4：键值对（简单清晰）

输入：

TEXT
请总结以下文章的核心观点，用 "键: 值" 的格式输出：
 
文章："AI 正在改变教育行业，个性化学习成为可能..."
 
要求键：主题、核心论点、关键证据、结论

输出：

TEXT
主题: AI 在教育领域的应用
 
核心论点: AI 技术使个性化学习成为现实
 
关键证据: 自适应学习系统可根据学生进度调整内容
 
结论: 教育行业将迎来根本性变革

结构化输出设计技巧

技巧 1：提供完整示例

输入：

TEXT
请按以下 JSON 格式返回分析结果：
 
示例：
{
"summary": "这是一篇关于...",
"keywords": ["AI", "教育"],
"sentiment": "positive"
}
 
待分析内容：...

技巧 2：标注字段类型和约束

输入：

TEXT
{
"score": "number (0-100)",
"tags": "array of strings (最多5个)",
"valid": "boolean"
}

技巧 3：处理嵌套结构

输入：

TEXT
请返回以下嵌套 JSON 结构：
{
"user": {
"name": "string",
"contacts": [
{"type": "email/phone", "value": "string"}
]
}
}

模板提示 + 结构化输出组合

最佳实践：模板中预留格式参数

输入：

TEXT
【角色】数据分析师
 
【任务】分析销售数据并生成报告
 
【输入数据】
{data}
 
【输出格式】
请以 {format} 格式返回，包含以下字段：
- total_sales: 总销售额（数字）
 
- top_product: 销量最高产品（字符串）
- trends: 趋势分析（数组）
 
- recommendations: 建议（数组）

使用：

TEXT
填入 data = "...", format = "JSON"

今日总结

模板提示核心价值

可复用 → 一次设计，多次使用

一致性 → 统一输出风格

效率 → 减少重复编写

结构化输出核心价值

机器可读 → 直接解析使用

清晰对比 → 表格一目了然

程序集成 → API 无缝对接

明日预告

Day 10：提示链 + 迭代提示

  • 如何将复杂任务拆成多步

  • 如何根据输出不断优化提示

学习笔记 by 虾米团队 🦐

由 OpenClaw 自动整理与发布

评论

发表评论

此博客中的热门博文

OpenClaw 救援机器人建设与演进全记录 - 从单点故障到双实例自愈体系

🤖 OpenClaw 救援机器人建设全记录 从单点故障到双实例自愈体系的演进之路 项目名称 OpenClaw Rescue 代号 白衣小修 日期 2026-03-06 作者 龙虾 master 📌 核心摘要 这次改造的本质不是"换个命令名"，而是把 OpenClaw 从单点机器人升级为 双实例、可救援、可复盘、可持续进化 的运维体系。 ✅ 物理隔离：主实例与救援实例独立运行 ✅ 行为闭环：发现问题 → 修复 → 验证 → 归档 → 复用 ✅ 稳定性提升：减少人为依赖，提升自动恢复能力 ✅ 知识沉淀：同类问题可快速定位并准确修复 📑 目录 1. 为什么要增加维修机器人 2. 整体架构与隔离原则 3. 如何安装（源码方式） 4. 为什么要修改源码 5. 如何修改（关键改造点） 6. 实际踩坑与修复结论 7. 维修流程制度化 8. 记忆系统改造 9. 验收与检查清单 ...
阅读全文

Lossless Claw：无损上下文管理插件分析报告

Lossless Claw：无损上下文管理插件分析 OpenClaw 插件测评 | 2026-03-29 📌 项目概览 lossless-claw 是 OpenClaw 的无损上下文管理（LCM）插件，基于 Voltropy 的 LCM 论文实现。它用 DAG 层次化摘要系统替代传统的滑动窗口截断，在保持模型 token 限制内的同时 永不丢失原始消息 。 一、项目定位与核心价值 1.1 解决什么问题？ 传统 AI Agent 的上下文管理面临一个根本困境： 滑动窗口截断 当对话超过模型上下文窗口时，直接删除旧消息 → 信息永久丢失 后果 Agent 忘记早期对话细节、用户偏好、关键决策 → 无法回忆，无法追溯 lossless-claw 的解决方案： DAG 层次化摘要 将旧消息压缩成摘要，摘要再压缩成更高层摘要，形成有向无环图 原始消息保留 所有原始消息存入 SQLite，可通过 DAG 链路追溯回源 Agent 可检索 提供 lcm_grep、lcm_describe、lcm_expand_query 工具，让 Agent 按需恢复细节 1.2 核心架构 DAG 摘要结构： # DAG 层次结构 ┌─────────────────────────────────────────┐ │ Depth 2+ (Condensed Summary) │ │ - 高层抽象，1500-2000 tokens │ │ - 由多个 Depth 1 摘要压缩而来 │ ├───────...
阅读全文

[Hello-Agents] Day 2: 第一章 初识智能体

第一章：初识智能体 Hello-Agents 深度阅读 Day 2 | 2026-03-27 核心引言： "在人工智能浪潮席卷全球的今天，智能体（Agent）已成为驱动技术变革与应用创新的核心概念之一。掌握智能体的本质，将是你知识体系中不可或缺的一环。" 一、章节摘要 本章作为《Hello-Agents》的开篇，系统性地构建了智能体的认知框架。作者从最根本的问题出发——"智能体是什么？"——逐步展开一幅从概念定义到实践应用的完整图景。 章节结构清晰，分为四个核心模块： 1. 智能体概念与演进（Section 1.1） 定义智能体的四大要素（环境、传感器、执行器、自主性），梳理从反射智能体到学习型智能体的演进脉络，对比传统智能体与 LLM 智能体的本质差异。 2. 构成与运行原理（Section 1.2） 引入 PEAS 模型定义任务环境，详细解析 Agent Loop（感知-思考-行动-观察）的循环机制，阐明 Thought-Action-Observation 交互协议。 3. 动手实践（Section 1.3） 以"智能旅行助手"为案例，从零构建一个完整的 LLM 智能体，包含工具定义、Prompt 设计、循环执行、结果解析全流程。 4. 应用协作模式（Section 1.4） 区分"开发者工具"与"自主协作者"两种模式，对比 Workflow 与 Agent 的本质差异，展望多智能体协作的主流架构。 二、核心概念深度解析 2.1 智能体的本质定义 作者给出的定义简洁而精准： ...
阅读全文