Prompt 工程是什么？为什么同一个模型换提示词效果会差很多？
这道题考的是两个核心问题：一是 Prompt 工程到底是什么，二是解释为什么提示词换了效果就差很多。听起来简单，但很多人答的时候容易陷入"背定义"的陷阱。面试官真正想看你有没有理解 Prompt 工程的本质，以及背后的原理。
先搞懂什么是 Prompt 工程
简单说，Prompt 就是你给 AI 发的指令文本，就像你给同事发微信交代任务。而 Prompt 工程就是系统化设计、优化这套指令的过程，目的是让 AI 输出更准、更稳、更好用。
两者区别在哪？Prompt 是"说的话"，Prompt 工程是"怎么说好这些话的方法论"。
为什么这事重要？因为大模型本质上是"超级预测器"——它根据输入预测下一个词该是什么。你给它的 Prompt 直接决定了它往哪个方向猜。
提示词的四要素——Role Task Context Format
面试能说清楚这四要素，说明你真的搞懂了怎么写提示词。
Role（角色）：告诉 AI 它是谁。这不只是贴个标签，而是决定模型调动哪套知识体系。比如"你是一个资深后端工程师"和"你是一个产品经理"，同样问架构问题，输出质量完全不同。
Task（任务）：你要 AI 做什么。这是核心，明确告诉它执行什么动作——分析、总结、写代码、做翻译，任务描述清晰度直接决定执行准确度。
Context（上下文）：提供背景信息。模型没有记忆，每次对话都是独立的。你不告诉它背景，它就只能瞎猜。你给的信息越多、越准确，它推理的基础就越扎实。
Format（格式）：规定输出结构。要求输出 JSON 就不要让它给你返回自然语言，要求分点说明就加上格式约束。这一步直接影响结果能不能直接用。
想象成领导给下属布置任务：Role 是明确岗位职责，Task 是交代具体活儿，Context 是告知背景条件，Format 是规定汇报格式。四个要素缺一个，下属就可能干偏。
为什么换提示词效果差很多——核心原理
这是本题的灵魂。很多人觉得换提示词效果差是玄学，其实有明确的底层逻辑。
模型本质是"超级补全器"。它的工作方式是根据前面的内容预测下一个词应该是什么。你的 Prompt 就是"前面内容"，它决定模型往哪个方向"补全"。
换句话说：Prompt 决定了模型理解任务的方式。同一个问题，你问"帮我写个排序算法"和"作为一个面试官，我想考察候选人对快速排序的理解，请生成一道考察该知识点的面试题"，模型调动的知识、做出的推理完全不一样。
具体来看四个要素的影响：
角色设定影响知识调用。你让 AI "像一个小学生"讲故事，和让 AI "像一个悬疑小说作家"讲故事，输出完全是两个世界。角色设定了模型调用的知识库和表达风格。
上下文决定推理基础。同样问"怎么处理"，你告诉模型"这是一个日活千万的电商系统"和"这是一个内部小工具"，它给的方案完全不同。上下文就是模型的推理地基，地基不同，盖出来的楼自然不同。
格式要求影响输出可用性。没有格式要求，模型可能给你一段话；有格式要求，它可能给你一个可以直接用的 JSON。格式约束是让输出从"能用"变"好用"的关键。
任务描述清晰度影响执行准确度。"写个好的代码"和"写一个符合 PEP8 规范、有注释、时间复杂度 O(n log n) 的快速排序实现"，模型的理解和执行结果天差地别。
面试能加分的技巧和工程实践
除了基础概念，面试能提到这些内容会让面试官眼前一亮：
Few-shot Learning（少样本学习）：不给示例模型容易理解偏差，给 1-3 个例子让它学习模式。比如让它翻译，你给"苹果→Apple，香蕉→Banana，苹果→?"，它就学会这种对应关系了。适合任务模式明确但难以用语言描述清楚的场景。
思维链（Chain of Thought）：让模型先想再答。加一句"请分步骤思考"，复杂问题的准确率能提升不少。尤其适合数学、逻辑推理类问题。
结构化输出：用 XML 标签、JSON Schema 等明确输出结构。这不只是格式要求，更是降低解析成本、提升结果可用性的工程实践。
Prompt 调优的科学方法：调 Prompt 不是凭感觉改，而是像做实验一样系统化——固定其他变量，每次只改一处，保留失败样例做回归测试。改完测试，测试完再改，形成闭环。
还有一个面试加分项：Prompt Engineering 和 Context Engineering 的区别。Prompt Engineering 优化的是"怎么问"，Context Engineering 优化的是"给什么背景"。随着模型能力增强，Context Engineering 变得越来越重要，因为给模型的上下文质量直接影响推理质量。
面试怎么答
基础版（能过的回答）：
Prompt 是给 AI 的指令文本，Prompt 工程是系统化设计、优化这套指令的方法论，目的是让模型输出更准确、更稳定。
提示词有四个核心要素：Role 设定角色，决定模型调动哪套知识；Task 明确任务，说清楚要做什么；Context 提供上下文，给模型推理的基础；Format 规定格式，约束输出结构。
换提示词效果差的原因在于，模型本质是根据输入预测输出的"超级补全器"，Prompt 直接决定了它对任务的理解方式。角色设定不同，调动知识不同；上下文不同，推理基础不同；格式要求不同，输出可用性不同。所以同一个模型，换一套提示词就像换了一个完全不同的任务理解，效果自然差异很大。
加分版（让面试官眼前亮的要点）：
除了基础四要素，还可以提到 Few-shot Learning、思维链等高级技巧，以及 Prompt 调优的科学方法——固定变量、单次只改一个、回归测试。
如果能区分 Prompt Engineering 和 Context Engineering，说明你理解这两者的适用场景不同，Prompt Engineering 优化"怎么问"，Context Engineering 优化"给什么背景"。还可以提到企业级实践中 Prompt Injection 的风险和防护思路。
一句话总结
Prompt 工程的本质是系统化地告诉模型"你是谁、要做什么、基于什么做、输出成什么样"，提示词换了效果就差是因为模型本质是根据输入预测输出的补全器，你的 Prompt 直接决定了它对任务的理解方式和执行路径。