如何写好Prompt：从理论到实践的AI对话优化指南

type

status

date

slug

summary

实用技巧（Techniques）

1. 基础角色定义（核心身份）

确立专业可信度

明确治疗模式以确保回应一致性

采用认可的理论框架（情感聚焦疗法/非暴力沟通）指导模型行为

Base Persona Definition (Core Identity)

Establishes professional credibility

Specifies therapeutic modality for consistent responses

Uses recognized frameworks (EFT/NVC) to guide model behavior

Example:

2. 核心原则（回应指示）

为 AI 的回复设置「安全防护栏」，确保内容在专业范围内运作。

通过专注于「过程导向」，避免 AI 给出过多直接建议或指导，从而保持客观、中立的立场。

与循证的治疗技术相契合，确保所提供的回应符合专业和科学依据。

Core Principles (Response Guidelines)

Creates guardrails for AI responses

Prevents veering into advice-giving vs staying process-focused

Aligns with evidence-based therapy techniques

Example:

3. 结构化处理（按步骤思考）

通过分步骤拆解和分析问题，模拟人类治疗师在面对复杂情境时的理性思考方式，帮助更全面地理解和回应需求。

在推理过程中引入约束条件，避免生成过度推测或不实信息，确保回答更贴近事实并保持连贯。

采用固定的逻辑顺序或框架，使回答呈现更一致、易于理解的结构，从而在沟通中更具可控性和可靠性。

Structured Processing (Step-by-Step Thinking)

Mimics human therapist cognitive process

Reduces hallucination through constrained reasoning

Enables predictable output structure

Example:

4. 示例驱动式学习（Few-Shot Prompting）

通过少量示例来向模型演示如何输出正确或合适的回答，从而帮助模型形成回应模式。

在提供示例的同时，也要兼顾一般性原则，确保模型不仅能模仿示例，还能在更广泛的场景中运用相似的思路。

根据实践经验和研究表明，对于 GPT-3.5 或 GPT-4 等大型语言模型而言，提供 3-5 个示例是最佳数量，可以有效提升模型的记忆与理解能力，从而输出更高质量的答案。

Example-Driven Learning (Few-Shot Prompting)

Teaches response patterns through demonstration

Balances concrete examples with general principles

3-5 examples shown to be optimal for GPT-3.5/4 retention

Example:

5. 道德保障（关键界限）

针对与心理健康相关的工具，需要遵守相关法律法规与道德准则，确保在设计与使用过程中符合行业标准与公众利益。

通过设置审慎的流程和监督机制，避免过度依赖自动化系统导致错误判断或潜在风险，尤其在敏感的心理健康领域更需谨慎。

必须建立清晰的上报与处理流程（例如，当用户遇到紧急情况或系统无法应对时，应迅速转介给专业人士），以确保问题能够及时获得适当的关注和干预。

Ethical Safeguards (Critical Boundaries)

Legal/ethical requirement for mental health adjacent tools

Prevents harmful automation bias

Requires clear escalation pathways

Example:

6. （可选）输出格式化（结构化 JSON）

通过将输出内容组织成 JSON 格式，系统或应用程序可以更轻松地对响应进行自动化解析和处理，减少手动干预的复杂度。

将推理过程或逻辑拆分成结构化的数据字段，便于后续调试、审查或追踪问题时快速定位。

前端可以根据 JSON 中的不同部分来分别呈现信息，从而实现更灵活的界面布局和更佳的用户体验。

(Optional) Output Formatting (Structured JSON)

Enables programmatic response handling

Forces structured reasoning chain

Allows frontend to display different components separately

操作实践（Case Study）

为了更好地练习如何撰写 Prompt，我搭建了一个名为“远距离情侣聊天室”（Long Distance Chatbox）的应用，主要针对情绪激动的情侣提供“翻译”服务，用来把过激的言辞转换成更客观、更容易沟通的表达方式。只要在聊天室里输入你在气头上想说的话，AI 就会帮助你提炼真正想表达的需求或感受。更多细节可以在我的 GitHub 上查看：link。

由于这个应用目前还处于初期阶段，而且调用 OpenAI 的 API 也相对昂贵，所以暂时没有上线的打算。不过，这为我提供了一个非常好的机会来练习如何写好 Prompt。于是，我决定把在调试 Prompt 的过程中遇到的各种难题，以及我如何解决它们的经验记录下来，作为学习笔记。

⚠️ 声明：无论是前端还是后端，我都只是一知半解，而且这是我第一次写 JavaScript；代码部分主要是由 GPT、Deepseek 和 Cursor 共同完成的。

项目介绍

关于这个项目，我会在后续的文章中再做更详细的介绍。这里主要聚焦在与 prompt 调试相关的内容：

首先，我们在 prompt.config.js 中为不同角色（如 therapist、negotiator 等）分别定义了对应的 prompt。本文以 therapist 角色为例，根据上文提到的六个步骤，将每个步骤的 prompt 独立定义为一个变量：

在同一个配置文件中，我们通过一个名为 PROMPT_TEMPLATE 的变量，将上述所有提示（prompt）整合为一个完整的提示文本，便于稍后在后端的 server.js 中进行获取和使用：

在后端 server.js 文件中，有一个名为 getPrompt 的函数。它会先从 .env 文件中读取预先设置的角色信息，然后将 config 里对应该角色的 prompt 与用户输入的文本一起发送给 OpenAI 进行改写，最后返回改写后的文本。

设计思路

开始时，我们只需要一个简单的 Prompt（例如：“rephrase the sentence to be more gentle”），就能收到不错的效果。这种用法就像你今天打开 ChatGPT，只想快速得到一个答案一样，即使回答有误也没太大影响。然而，从产品的角度来看，回复给用户的内容必须符合预期；一个荒谬的答案不仅会带来金钱和声誉的损失，有时甚至会引发法律风险。因此，对于真正的产品来说，容忍度极低。

这正是我们想要在「远距离情侣聊天室」中系统性设计 Prompt 的原因：从产品出发，思考如何设计 Prompt，才能让「翻译」更精准并减少出错。

不过，在持续调试的过程中我们发现：当 Prompt 变多、变复杂后，反而更容易出现问题。以下是我在不断调整 Prompt 时遇到的一些问题及其解决方案。

问题和解决方案

问题1：返回的不是最终结果

当我们像第二点那样在 Prompt 中提供了五条 principles 时，模型往往会误以为也需要按照这五条原则输出五个要点。实际上，我们只需要模型回复一句话就足够了。

以下是使用前面提到的方法生成 Prompt 后，模型根据 Prompt 中的五点要求进行翻译的结果，可以看到它又输出了五个点：

解决方案：

在base或者principles里加上一条规则直接输出最终版本的翻译，不需要中间内容就能很好的解决这个问题：

“directly return the final rephrased version, without explanations or labels. Don't include input“

问题2：返回的内容里带有标签

即使在上一条已经强调不需要添加任何标签，返回的内容依然带有“Rephased：”字样，导致这段信息无法直接发送给对方，还需要进一步的修改或处理：

解决方案：

当我使用 Cursor 选取所有 Prompt 并明确表示不希望出现“Rephased:”这类标签后，Cursor 给出了两条建议：

在 base 提示中，明确强调“directly return the final rephrased version, without explanations or labels”

在 PROMPT_TEMPLATE 的末尾部分，使用更明确的指令，例如：“Rewrite this message without any labels or prefixes:”

针对第一条建议，我们在问题 1 中已经尝试过，但并没有得到理想效果。于是，我们决定尝试第二条：在应用所有定义好的 Prompt 之前，于最后一步给出一个明确的指令。事实证明，这个方法非常有效，经过调试后，输出结果已经非常接近预期目标。

问题3：输出结果不稳定

在多次尝试预览（preview）的过程中，如果输入为中文，返回结果有时是中文，有时又变成英文，表现得并不稳定。希望通过进一步的调整，能够让输出语言始终保持一致。

解决方案：

在提示中更明确地强调语言要求，并添加语言检测逻辑，以下是Cursor提出的修改建议：

在principles中用更强烈的语气比如原先是“Return the same language”, 现在改为“Never mix languages in your response”

与修改问题二的地方相同，在最后一步之前再定义一次用相同的语言：

“Rewrite this message in the same language as the input, without any labels or prefixes:”

在examples部分给出多种场景，特别强调当输入为中文时，输出也应保持中

在调试过程中，我发现第一条建议非常有效。通过强化语气后，出错的概率显著降低。不过，当输入是中文时，仍有约十分之一的机会会输出英文。随后，在第一条建议的基础上再加上第二条建议，几乎就完全解决了这个问题。经过数十次测试后，回复始终保持在中文。为了进一步确认，我还用西班牙语进行了尝试，返回的同样是西班牙语。

此外，cursor 在调试 Prompt 的过程中还提出了一个值得参考的想法：在发送提示时动态添加语言，并在代码层面实现语言检测。通过这样的双重保障，可进一步确保输出语言的稳定性。不过，由于我们的主要目标在于学习如何调试 Prompt 而非提升代码能力，因此这一提案暂不展开。

插播：使用成本

在尝试的过程中，我一直在观察 API 的使用频次和费用。由于用的是更实惠的GPT-3.5，所以整体花费并不高。那天之所以费用最高，主要是因为每次输出都罗列了 1-5 个要点，每次返回的内容少说也有一两百字，说明控制输出长度很有必要。虽然在那段时间里输入了不少 Prompt，但真正花钱的还是那些较长的输出内容。

💡

欢迎您在底部评论区留言，一起交流~