Agent Mentor Learn
Prompt 工程基础：如何写出有效的指令 · 第 6 / 6 节

第 06 课：针对不同任务的 Prompt 策略

本课目标：

  • 掌握代码生成任务的 prompt 最佳实践
  • 学会文档写作和总结的有效策略
  • 了解数据分析和提取的 prompt 技巧

前置知识：<< 05 调试和改进 Prompt

不同任务需要不同的 prompt 策略

你已经学会了 prompt 的基本结构、few-shot、CoT、调试方法——这些是通用技能。但不同类型的任务有各自的特点和陷阱，需要针对性的策略。

代码生成需要明确输入输出和边界条件；文档写作需要指定受众和语气；数据提取需要处理缺失值和格式统一。本课教你三类常见任务的具体技巧1。

任务类型 1：代码生成

代码生成是最常见的 AI 应用场景之一。关键是把需求说清楚，AI 才能写出能用的代码1。

代码生成的六要素

一个好的代码生成 prompt 应该包含1：

  1. 编程语言和版本：Python 3.10、TypeScript 5.0
  2. 函数签名：输入参数类型、返回值类型
  3. 核心逻辑：要实现什么功能
  4. 边界条件：空输入、异常情况怎么处理，这体现的是防御性编程——假设输入可能不合法，提前想清楚怎么应对
  5. 代码风格：要不要注释、类型标注、错误处理
  6. 依赖限制：只用标准库、或者可以用哪些第三方库

对比：模糊 vs 清晰的代码 prompt

❌ 模糊 prompt：

写一个 Python 函数处理用户数据

AI 只能瞎猜：什么数据？怎么处理？

✅ 清晰 prompt：

写一个 Python 3.10 函数，要求：
功能：- 输入：包含用户信息的字典列表，每个字典有 name(str)、age(int)、email(str) 三个字段- 输出：过滤掉 age < 18 的用户，返回剩余用户的 email 列表（去重）
要求：- 包含类型标注（Type hints）- 处理缺失字段的情况（如果某个字典缺少 age 或 email，跳过该用户）- 只使用 Python 标准库- 包含文档字符串说明用法
示例：输入：[{"name": "Alice", "age": 20, "email": "a@example.com"},        {"name": "Bob", "age": 15, "email": "b@example.com"},       {"name": "Charlie", "age": 25, "email": "a@example.com"}]输出：["a@example.com"]

这个 prompt 明确了输入输出、边界条件、代码风格，AI 能一次写出可用的代码。

研究显示，明确写清需求细节的 prompt 能减少 68% 的来回修改1——你第一次就更可能拿到能直接用的代码。

代码生成的最佳实践

实践 1：明确输入输出的数据结构

不要说"处理数据"，要说"输入是 List[Dict[str, Any]]，输出是 Dict[str, int]"。

实践 2：用示例澄清边界情况

处理这些特殊情况：- 空列表输入 → 返回空列表- None 值 → 跳过- 重复值 → 保留第一次出现的

实践 3：指定代码风格

代码风格要求：- 使用 type hints- 包含 docstring（Google 风格）- 不要过度注释（不要解释显而易见的代码）- 优先可读性，其次性能

实践 4：说明不要什么

不要：- 不要使用全局变量- 不要引入外部依赖（只用标准库）- 不要写测试代码（只要主函数）

代码审查 prompt

让 AI 审查代码时，明确审查维度：

审查下面的 Python 代码，关注以下方面：
1. 正确性：逻辑错误、边界条件处理2. 性能：时间复杂度分析、可能的瓶颈3. 安全性：SQL 注入、XSS、输入验证
不要评论代码风格和命名（这些已经通过 lint 检查了）。
对每个发现的问题，说明：- 问题位置（行号或代码片段）- 问题类型（bug / 性能 / 安全）- 具体影响（什么情况下会出错）- 修复建议
代码：[粘贴代码]

明确审查维度，AI 不会浪费时间在不重要的细节上。

任务类型 2：文档写作和总结

文档写作包括：技术文档、会议纪要、文章总结、报告生成。

文档写作的关键要素

  1. 目标受众：技术人员 vs 非技术人员
  2. 写作目的：说明使用方法 vs 说服决策者
  3. 语气风格：正式 vs 随意、详细 vs 简洁
  4. 结构模板：用什么章节组织内容

对比：文档总结 prompt

❌ 模糊 prompt：

总结这篇技术文档

✅ 清晰 prompt：

你是一位技术作家，擅长把复杂的技术文档改写为易懂的总结。
任务：将下面的 API 文档总结为面向前端开发者的快速入门指南。
受众：有 JavaScript 基础，但没用过这个 API 的前端工程师。
输出格式：1. 一句话说明这个 API 是做什么的2. 三个最常用的功能（每个功能：用途 + 代码示例）3. 一个完整的使用场景示例4. 常见错误和解决方案（2-3 个）
语气：直接、实用，避免营销话术。
长度：不超过 800 字。
原始文档：[粘贴文档]

这个 prompt 明确了受众（前端工程师）、目的（快速入门）、结构（四个部分）、语气（实用）。

文档写作的最佳实践

实践 1：明确目标受众的背景

受众：- 职位：产品经理- 技术水平：不懂编程，但理解基本的软件架构概念- 阅读目的：决定是否采用这个方案

实践 2：提供结构模板

按以下结构组织：
## 背景为什么需要这个方案（1 段）
## 方案对比| 方案 | 优点 | 缺点 | 成本 ||------|------|------|------|| ...  | ...  | ...  | ...  |
## 推荐推荐哪个方案，为什么（2-3 段）
## 风险实施这个方案的主要风险和应对措施（列表）

实践 3：控制详细程度

详细程度：- 每个论点用 1-2 句话说明，不要展开- 省略实现细节，只讲业务影响- 不要引用具体的代码或技术术语

会议纪要 prompt

你是一位项目助理，擅长从会议录音/记录中提炼关键信息。
任务：根据下面的会议记录，写一份会议纪要。
输出结构：1. 会议信息   - 时间：YYYY-MM-DD   - 参与人：[列表]   - 主题：[一句话]
2. 讨论内容（按优先级排序）   每个议题包括：   - 问题描述（1 句话）   - 讨论要点（2-3 条）   - 决策结果（明确的结论，如果没有达成一致，写"待定"）
3. 待办事项   每项包括：   - 任务描述（动词开头，可执行）   - 负责人   - 截止日期
约束：- 只记录有明确结论的讨论，略过闲聊- 待办事项必须可检查（有明确的交付物）- 总长度不超过 500 字
会议记录：[粘贴记录]

任务类型 3：数据分析和提取

数据分析包括：从文本中提取结构化信息、分类、筛选、统计。

数据提取的关键要素

一个可靠的数据提取 prompt，要提前交代四件事：

  1. 字段定义：每个字段的含义和取值范围
  2. 缺失值处理：找不到某个字段时怎么办
  3. 输出格式：JSON、CSV、表格
  4. 数据验证：提取后的数据是否需要验证

对比：数据提取 prompt

❌ 模糊 prompt：

从这段招聘信息中提取关键信息

✅ 清晰 prompt：

从招聘信息中提取以下字段，输出为 JSON 格式。
字段定义：- position (string): 职位名称- location (string): 工作地点（城市+区，如果有）- experience (string): 经验要求（保留原文描述，如"3-5年"、"不限"）- salary (string): 薪资范围（保留单位，如"20-30k/月"、"面议"）- company (string): 公司名称
缺失值处理：- 如果某个字段在原文中找不到，输出 null- 不要猜测或推断缺失的信息
示例 1：输入：急招 Java 工程师，深圳南山，3年以上经验，月薪 25-35k，XX 科技公司输出：{  "position": "Java 工程师",  "location": "深圳南山",  "experience": "3年以上",  "salary": "25-35k/月",  "company": "XX 科技公司"}
示例 2：输入：前端开发，远程，薪资面议输出：{  "position": "前端开发",  "location": "远程",  "experience": null,  "salary": "面议",  "company": null}
现在处理：[粘贴招聘信息]

示例覆盖了完整情况和缺失情况，AI 知道找不到信息时输出 null，而不是编造——这种一本正经编造事实的行为叫幻觉 (Hallucination)。

数据提取的最佳实践

实践 1：明确每个字段的取值范围

字段：sentiment (情感分类)取值：只能是这三个值之一："正面" / "负面" / "中性"不要输出：positive, 积极, 好评 等其他词

实践 2：用 few-shot 统一格式

提取结构化数据时，2-3 个示例比文字说明更有效（第 03 课讲过的 few-shot）。

实践 3：说明如何处理边界情况

特殊情况：- 如果一段文字包含多个情感（"产品不错，但价格太贵"）→ 分类为"中性"- 如果是纯粹的疑问句（"这个怎么用？"）→ 分类为"中性"- 如果文字过短（少于 3 个字）→ 输出 null

实践 4：加入数据验证

验证规则：- salary 字段必须包含数字- experience 如果不是 null，必须包含"年"或"不限"- location 不能是空字符串，要么有值，要么 null
如果提取的数据不符合验证规则，返回错误信息而不是不合法的数据。

通用原则的应用

不管什么任务，前面学的通用原则仍然适用：

  • 四要素（第 02 课）：角色、任务、格式、约束
  • Few-shot（第 03 课）：复杂任务给 2-3 个示例
  • CoT（第 04 课）：需要推理的任务加"让我们一步步思考"
  • 调试（第 05 课）：一次改一个地方，用测试用例验证

本课的任务特定策略是在通用原则基础上的针对性优化：

  • 代码生成 → 强调输入输出类型、边界条件、不要什么
  • 文档写作 → 强调受众背景、结构模板、语气风格
  • 数据提取 → 强调字段定义、缺失值处理、few-shot 示例

小结

不同任务需要不同的 prompt 策略：

  • 代码生成：明确输入输出类型、边界条件、代码风格、依赖限制；用示例澄清特殊情况
  • 文档写作：明确受众背景和技术水平、提供结构模板、控制详细程度和语气
  • 数据提取：定义每个字段的取值范围、说明缺失值处理、用 few-shot 统一格式、加入数据验证

这些策略建立在前面学的通用技能（四要素、few-shot、CoT、调试）基础上，是针对具体任务类型的优化。实践中，根据你的任务选择合适的策略组合。

课程总结

你已经完成了 Prompt 工程基础的全部 6 课：

  1. 理解了 prompt 的本质和重要性
  2. 掌握了 prompt 的四大核心要素
  3. 学会了用 few-shot 通过示例引导 AI
  4. 应用了 chain-of-thought 展示推理过程
  5. 建立了系统化的调试和优化流程
  6. 了解了不同任务类型的特定策略

现在你有了完整的工具箱。下一步是实践：选一个你工作中的实际任务，应用这些技巧，观察效果，持续优化。Prompt 工程是一项通过实践提升的技能——理论课程到此结束，真正的学习从使用开始。

Footnotes

  1. Prompt Engineering for Code Generation — https://graphite.com/guides/better-prompts-ai-code ↩ ↩2 ↩3 ↩4

练习

01

给定三个任务，为每个任务选择最关键的策略要点，并说明原因。

Level 1：选择合适的任务策略

任务 A：让 AI 生成一个 Python 函数，实现二分查找 任务 B：让 AI 将技术白皮书总结为面向管理层的 2 页报告 任务 C：让 AI 从一批客户邮件中提取：客户名称、问题类型、紧急程度

为每个任务回答：

  1. 这属于哪种任务类型？（代码生成/文档写作/数据提取）
  2. 最关键的 3 个策略要点是什么？
  3. 为什么这 3 个要点对这个任务最重要？
完成标准 · 本地勾选
02

选择下面一个场景，设计一个完整的 prompt，综合运用本课程学到的所有技巧。

Level 2：综合设计任务 prompt

场景选项：

场景 1：代码审查助手

  • 让 AI 审查一段 Python 代码，找出潜在的性能问题和安全漏洞
  • 输出结构化的审查报告，按严重程度排序
  • 每个问题包含：位置、问题描述、修复建议、优先级

场景 2：学习笔记生成器

  • 给 AI 一段技术讲座的文字稿
  • 生成结构化的学习笔记：核心概念、关键要点、实践建议、进阶阅读
  • 面向初学者，语言通俗易懂

场景 3：客户反馈分析器

  • 从 10-20 条客户反馈中提取共性问题
  • 输出：问题分类、每类问题的频次、具体示例、建议的改进方向
  • 用于产品迭代决策

要求： 设计的 prompt 必须：

  1. 包含四要素（角色、任务、格式、约束）
  2. 如果需要示例，提供 2-3 个 few-shot 示例
  3. 如果涉及推理或分析，加入 CoT 引导
  4. 考虑了边界情况和缺失值处理
  5. 输出格式清晰，便于后续使用
完成标准 · 本地勾选