OpenAI、Anthropic 和 Google 内部使用的10大顶级提示工程技巧

sowang

@爱可可-爱生活


OpenAI、Anthropic 和 Google 内部使用的10大顶级提示工程技巧，能显著提升生成结果准确率和实用性，堪称AI高手的秘密武器！

---

【技巧1：角色限定提示 Role-Based Constraint Prompting】
高手不会简单说“写代码”，而是赋予AI具体身份和限制，明确任务与输出格式。
模板：
```
你是一个拥有[X年]经验的[具体角色]，专长于[领域]。
你的任务：[具体任务]
限制条件（3-5条）：[列出限制]
输出格式：[精确输出格式]
```

示例：
```
你是拥有10年经验的高级Python工程师，擅长数据管道优化。
任务：构建每小时处理1000万条数据的实时ETL流水线。
限制：
- 必须使用Apache Kafka
- 最大内存占用2GB
- 延迟低于100ms
- 零数据丢失容忍度
输出格式：带内联注释的生产级代码
```

效果：比“写个ETL流水线”精准十倍，产出更贴合需求。

---

【技巧2：验证链 Chain-of-Verification (CoVe)】
谷歌用来消除AI幻觉的“自我审校”法，先答题，然后设计问题自检，最终修正答案。
模板：
```
任务：[你的问题]

步骤1：给出初步答案
步骤2：列出5个能揭露答案错误的验证问题
步骤3：回答这5个问题
步骤4：基于验证结果给出最终修正答案
```

示例：
```
任务：解释transformer如何处理长上下文窗口。

1. 初步回答
2. 设计5个验证问题（如：是否存在上下文截断？模型如何保持信息？等）
3. 回答验证问题
4. 根据验证修正答案
```

效果：复杂技术问题准确率从60%提升至92%。

---

【技巧3：带负面示例的少样本 Few-Shot with Negative Examples】
Anthropic发现告诉AI“什么不该做”与“该做什么”一样重要。
模板：
```
我需要你完成[任务]。以下是示范：
✅ 好示例1：[示例]
✅ 好示例2：[示例]
❌ 差示例1：[示例]
原因：[为什么差]
❌ 差示例2：[示例]
原因：[为什么差]
现在请完成：[你的任务]
```

示例：写冷邮件主题：
```
✅ 好：Q4工程路线图的快速问题
✅ 好：关注你发布的分布式系统帖子，有些想法
❌ 差：紧急！限时优惠！！！
原因：垃圾邮件触发词，假紧急感
❌ 差：你绝对想不到我们做了什么...
原因：标题党，无上下文
请写5个关于“降低云成本40%的SaaS工具”的邮件主题。
```

效果：减少80%泛泛而谈或低质回复。

---

【技巧4：结构化思考协议 Structured Thinking Protocol】
GPT-5团队处理复杂问题的分层思考法，逼模型先理解再分析，最后给策略和答案。
模板：
```
回答前请完成以下步骤：

[理解]
- 用你的话复述问题
- 明确真正被问及的点

[分析]
- 拆解成子问题
- 说明假设和限制

[策略]
- 列出2-3种方案
- 权衡利弊

[执行]
- 给出最终答案
- 解释理由

问题：[你的问题]
```

示例：
```
问题：5人团队开发B2B SaaS，首年预计1000用户，应该用微服务还是单体架构？

请按上述步骤回答。
```

效果：避免千篇一律建议，答案更符合具体情境。

---

【技巧5：置信度加权提示 Confidence-Weighted Prompting】
DeepMind为关键决策设计，让模型评价自身答案置信度，列出假设和备选方案。
模板：
```
请回答：[问题]

内容包括：
1. 主要答案
2. 置信度（0-100%）
3. 关键假设
4. 哪些变化会改变答案
5. 若置信度<80%，给出备选答案
```

示例：
```
问题：Rust是否会在2030年取代C++作为系统编程语言？

请按模板回答。
```

效果：避免盲目相信AI自信，促进理性决策。

---

【技巧6：有界上下文注入 Context Injection with Boundaries】
Anthropic工程师给模型大量上下文但限定回答只能基于上下文，避免胡编乱造。
模板：
```
[上下文]
[粘贴文档、代码、论文等]

[聚焦]
仅能使用上下文信息回答，若无则回复“提供的上下文信息不足”。

[任务]
具体问题

[限制]
- 引用上下文具体章节
- 不使用上下文外知识
- 如存在多种解释，全部列出
```

示例：
```
[上下文] 公司50页API文档

[聚焦] 仅用文档回答

[任务] 如何实现/users接口的限流和重试？

[限制] 引用具体章节，不用外部知识，多解释全部列出
```

效果：极大减少专有系统中的错误输出。

---

【技巧7：迭代精炼循环 Iterative Refinement Loop】
OpenAI研究团队通过多轮修正提升输出质量，远胜一次性生成。
模板：
```
第1轮：生成[草稿/初稿/概要]

第2轮：审查，找出3个缺陷

第3轮：重写，修正所有缺陷

第4轮：终审，确认是否生产就绪；若否，指出不足
```

示例：
```
第1轮：写一封给B轮创业公司工程VP的销售邮件草稿，主题CI/CD优化工具。

第2轮：审查邮件，列出3个问题。

第3轮：修改邮件，解决所有问题。

第4轮：确认邮件是否可以直接发出。
```

效果：避免单次输出粗糙，产出质量可达90%。

---

【技巧8：先限后做 Constraint-First Prompting】
Google Brain先列硬性限制，再写任务，让模型既准确又实用。
模板：
```
硬性限制（绝对不可违）：
- [限制1]
- [限制2]
- [限制3]

软性偏好（优先优化）：
- [偏好1]
- [偏好2]

任务：[实际请求]

请确认理解所有限制后开始。
```

示例：
```
硬性限制：
- 必须用Rust编写
- 不能用外部依赖
- 必须能在Rust 1.75稳定版编译
- 最大二进制大小5MB

软性偏好：
- 快速编译
- 尽量少内存分配

任务：写一个CLI工具，解析10GB CSV文件，输出带有schema验证的JSON。

确认理解所有限制后开始。
```

效果：避免技术正确但无用的回答。

---

【技巧9：多视角提示 Multi-Perspective Prompting】
Anthropic宪法AI从多个角度分析问题，综合权衡得出建议。
模板：
```
请从以下角度分析[问题]：

[技术可行性]：……
[业务影响]：……
[用户体验]：……
[风险/安全]：……

综合：整合所有视角，提出最终建议，明确权衡。
```

示例：
```
是否应从Postgres迁移到DynamoDB？

[技术]：工程复杂度，数据迁移风险，时间线
[业务]：成本，团队速度，供应商锁定
[用户]：延迟，功能影响，停机需求
[安全]：数据一致性，备份，合规性

综合给出建议并说明权衡。
```

效果：促使战略思考，避免片面建议。

---

【技巧10：元提示 Meta-Prompting（核武器级）】
OpenAI红队用来探测模型极限，要求AI帮自己写出“完美提示”，再执行。
模板：
```
我需要完成：[高层目标]

你的任务：
1. 分析如何写出该目标的完美提示
2. 考虑具体性、上下文、限制、输出格式、示例需求
3. 写出该完美提示
4. 执行并给出结果

[目标]：具体目标
```

示例：
```
目标：写一个Python脚本，抓取Twitter长文，将其转成格式良好的博客文章，并自动生成SEO元描述。

请按模板操作。
```

效果：AI帮你打造超强提示，实时成为顶尖提示工程师。

---

【实战效果总结】
- 技术文档幻觉率降至0%
- 代码迭代速度提升3倍
- 复杂分析准确率超90%

关键不是模型本身，而是“懂得如何与模型对话”。这10个技巧，正是区分普通用户与顶级提示工程师的秘密武器。

---

原文: x.com/aigleeson/status/1997233746630893733