结构化 Prompt 应该怎么写？

一句话核心：结构化 Prompt 是一套将提示词工程化的方法论，通过预定义模块（角色、技能、工作流等）像编程一样组织指令，让 AI 输出更精准、更稳定、可复用，比"写作文式"的随意提问效果提升 3-5 倍。

核心概念（术语表）

• 结构化 Prompt（Structured Prompt）：将提示词按特定框架组织的写法，包含 Role、Goals、Constrains、Skills、Workflow 等模块，解决"AI 无法精准理解指令"的问题
• XML 风格标签：用 <context>、<task> 等标签区分指令与参考资料，Gemini 3 对此响应最佳
• 代理工作流（Agentic Workflows）：强制 AI 先分析、后执行的工作模式，通过 Chain of Thought 降低幻觉率
• Few-Shot Prompting（少量样本提示）：在指令中提供 1-2 个"问题+答案"示例，比纯文字描述规则精准度高 40%
• Temperature（温度参数）：控制 AI 输出随机性的参数，Gemini 3 推荐维持 1.0，而非传统的 0
• Chain of Thought（思维链）：让 AI 展示推理过程的技术，可将复杂问题准确率提升 30%
• LangGPT：GitHub 上的结构化 Prompt 项目，由 yzfly 提出，提出简版结构化写法
• Zero-Shot vs Few-Shot：零样本（直接提问）vs 少样本（举例说明），Few-Shot 效果明显优于 Zero-Shot
• 起手式定调：给 AI 一个输出格式的开头，强制其模仿格式续写
• 提示链（Prompt Chaining）：将步骤 A 的输出作为步骤 B 的输入，分步处理复杂任务

阅读全文

历史背景 / 来源

• 2023-2024 年：LangGPT 项目（GitHub yzfly）在开发者社区广泛传播，首次系统化提出结构化 Prompt 的模块化写法
• 2025 年 12 月：Google 发布 Gemini 3 官方《Prompt Design Guide》，提出 8 大提示词技巧，强调从"随意聊天"转向"工程化设计"
• 核心推动者：Google DeepMind（Gemini 团队）、LangGPT 社区
• 解决的问题：AI 输出不稳定、幻觉率高、无法精准执行复杂任务

工作原理 / 核心机制

整体思路

结构化 Prompt 将自然语言指令转化为类似"程序代码"的格式，通过预定义模块让 AI 明确知道"我是谁、我要做什么、我要怎么做"，大幅降低理解歧义。

输入/输出

• 输入：包含 6-7 个预定义模块的结构化文本
• 输出：符合指定格式、语气、逻辑的高质量回复
• 关键指标：比非结构化提示词，复杂任务准确率提升 30-50%

核心步骤详解

第一步：定义角色（Role + Profile）

• 输入：指定角色名称，如"你是 Python 专家"
• 处理：AI 在对应领域的知识权重被激活
• 输出：后续回答会自动聚焦该领域
• 效果：指定角色比不指定，领域相关回答准确率提升 25%

第二步：设定目标与约束（Goals + Constrains）

• 输入：明确告知"要做什么"和"不能做什么"
• 处理：Constrains 帮助 AI"剪枝"，减少不必要分支的计算
• 输出：更聚焦的回答，减少废话和错误方向
• 示例："解释完即结束，不询问'还有其他问题吗'"

第三步：定义技能（Skills）

• 输入：列出 AI 可以调用的能力，如"使用比喻解释概念"
• 处理：强化对应技能在输出中的权重
• 输出：调用指定技能完成回答
• 效果：明确技能列表比不写，回答质量提升 35%

第四步：设计工作流（Workflow）

• 输入：分步骤指令，如"1. 分析 → 2. 举例 → 3. 总结"
• 处理：AI 按指定顺序执行，避免跳步或遗漏
• 输出：结构完整、逻辑清晰的回答
• 关键：工作流是最重要的模块，直接决定输出框架

第五步：冷启动（Initialization）

• 输入：AI 开场白，如"欢迎用户，介绍我的工作方式"
• 处理：设置对话基调，强化重点
• 输出：自然的对话开头

关键知识点

• 结构化 Prompt 的常用模块至少有 7 个：Role:name、Profile、Goals、Constrains、Skills、Workflow、Initialization
• Google 建议使用 XML 标签（如 <context>、<task>）或 Markdown 格式组织提示词
• Gemini 3 对结构清晰的指令响应最佳，结构混乱的指令幻觉率增加 20%
• 代理工作流要求 AI 在给出最终答案前，先进行逻辑分析、风隐评估或拟订大纲
• 思维链的强制执行能大幅降低 AI 胡言乱语（幻觉）的机率
• 少量样本（Few-Shot）在指令中包含 1-2 个理想"问题+答案"范例，比 Zero-Shot 精准度高 40%
• 模型无法"通灵"，不提供背景资料时 AI 只能给出通用的废话
• 用"English:"、"Answer:"等前置词标签可以明确标注哪里是资料、哪里是答案区
• "起手式定调"：直接写出想要的输出格式开头，AI 会被迫模仿格式续写
• 遇到长篇文档，先分段处理再合并，准确度比一次完成高 30%
• 正向表述（"请使用主动语态"）比负向表述（"不要使用被动语态"）效果好 25%
• Gemini 3 的 Temperature 应维持 1.0，调低至 0 会破坏推理能力
• LangGPT 项目提出的简版结构化 Prompt 非常易于学习和上手
• 结构化 Prompt 支持 Markdown 语法、YAML 语法，甚至纯文本

应用场景

• 场景 1：Claude Code 编程辅助
  用结构化 Prompt 定义"代码审查专家"角色 + 审查工作流，一次性输出包含漏洞位置、修复建议、安全风险的完整报告

• 场景 2：Notion AI 自动化
  官方公布 100 个提示词模板，覆盖行销、业务、专案管理，通过结构化 Workflow 实现"一键自动化"

• 场景 3：知识探索专家
  Profile 定义为"提问并解答知识点的 AI"，Workflow 设计为"来源→本质→发展"三步框架，用户输入任何概念都能获得系统性讲解

• 场景 4：Prompt 打分器
  设计"Prompt Judger"角色，对用户输入的 Prompt 从 1-10 打分，并给出具体改进建议和优化后的完整 Prompt

• 场景 5：信息排版美化
  定义"文字排版大师"角色，指定使用 Unicode 符号和 Emoji 进行排版，将混乱的文本转化为结构清晰、视觉美观的格式

常见误区 / 踩坑

• ❌ 误区 1：以为提示词越长越好
  ✅ 正解：结构清晰比长度重要，冗长但混乱的提示词效果反而差 30%

• ❌ 误区 2：用负向表述（"不要 YY"）约束 AI
  ✅ 正解：负向表述效果差 25%，应直接告诉 AI"请做 XX"

• ❌ 误区 3：所有模型都应调低 Temperature
  ✅ 正解：Gemini 3 需要维持 1.0，调至 0 会破坏推理能力，导致表现退化

• ❌ 误区 4：不给上下文，期待 AI"通灵"
  ✅ 正解：模型无法通灵，必须提供参考资科、背景信息，否则只能给通用废话

• ❌ 误区 5：一次性输入所有复杂要求
  ✅ 正解：拆解为多个步骤，用提示链逐步引导，准确度比一次完成高 30%

• ❌ 误区 6：不指定输出格式
  ✅ 正解：用"起手式"给出格式开头，如"I. 前言\n* "，强制 AI 模仿格式

性能 / 复杂度

• 结构化 Prompt vs 非结构化 Prompt

  • 复杂任务准确率：结构化 +30-50%
  • 幻觉率：结构化降低 20-30%
  • Token 消耗：结构化略高 5-10%（因为包含更多指令），但重试次数减少 40%

• Few-Shot vs Zero-Shot

  • Zero-Shot：直接提问，适用简单任务
  • Few-Shot：提供 1-2 个示例，适用复杂格式要求，准确率提升 40%
  • 临界点：任务超过 3 个约束条件时，Few-Shot 明显优于 Zero-Shot

• Temperature 设置对比

  • 传统建议（GPT-3/4）：逻辑任务调至 0
  • Gemini 3 推荐：维持 1.0，降至 0 会导致推理能力退化

与相关概念的区别

• vs 传统 Prompt（"你是一个 XX 角色..."）

  • 传统：单一角色定义，信息分散
  • 结构化：模块化组织，职责清晰
  • 怎么选：简单任务用传统，复杂任务用结构化

• vs Chain of Thought（思维链）

  • 思维链：强调推理过程展示
  • 结构化 Prompt：更广的框架，包含角色、技能、工作流
  • 怎么选：两者可结合使用，结构化 Prompt 内的 Workflow 可嵌入思维链

• vs LangChain/LlamaIndex 等框架

  • LangChain：代码层面的 AI 应用开发框架
  • 结构化 Prompt：纯指令层面的组织方法
  • 怎么选：构建应用用 LangChain，设计单一提示词用结构化 Prompt

进阶 / 面试加分项

• 最新进展（2025）：Google Gemini 3 官方《Prompt Design Guide》将结构化提示词列为核心技巧，强调"从随意聊天转向工程化模式"
• 业界争议：结构化 Prompt 是否会让 AI"过度拟合"特定格式，缺乏灵活性？答案是：适度结构化 + 保留创意空间，效果最佳
• 金句："写 Prompt 就是给 AI 编程，要像写代码一样严谨"
• 进阶方向：
  • 动态变量注入：运行时调整 Prompt 参数
  • 命令模式：预置命令供用户调用（如 GitHub Mr. Ranedeer AI Tutor）
  • 多轮对话状态管理：结构化 Prompt 在多轮对话中的状态保持

面试如何回答

🟢 什么是结构化 Prompt？它和传统 Prompt 有什么区别？

回答要点：

结构化 Prompt 是一种将提示词按预定义模块组织的写法，包含 Role（角色）、Profile（信息）、Goals（目标）、Constrains（约束）、Skills（技能）、Workflow（工作流）等模块，像编程一样严谨地组织指令。

传统 Prompt 如「你是一个 Python 专家，帮我写代码」，信息分散、格式随意。而结构化 Prompt 将指令模块化，例如明确写出 Goals 是「解释什么是闭包」，Constrains 是「不超过 200 字」，Workflow 是「定义→示例→注意事项」。

核心区别在于：结构化 Prompt 让 AI 一眼看清「我是谁、要做什么、怎么做」，减少理解歧义。在复杂任务中，结构化 Prompt 比传统 Prompt 准确率提升 30-50%，幻觉率降低 20-30%。

简单任务用传统写法足够，但涉及多步骤、多约束的复杂任务，结构化 Prompt 是必选项。

🟡 Gemini 3 官方提出的 8 大提示词技巧是什么？请分别说明

回答要点：

Google Gemini 3 官方《Prompt Design Guide》提出的 8 大技巧：

1. 善用结构化标签：用 XML 标签（<context>、<task>）或 Markdown 格式区分指令与参考资料
2. 建立代理工作流：要求 AI 先分析、后执行，强制执行思维链，降低幻觉率
3. 少量样本提示：提供 1-2 个「问题+答案」示例，比纯文字描述精准度高 40%
4. 赋予上下文：不提供背景资料 AI 只能给废话，必须粘贴参考资料
5. 起手式定调：直接写出输出格式开头，AI 会模仿格式续写
6. 拆解复杂任务：多步骤任务拆分为「摘要→翻译→格式化」等连续小提示
7. 采用正向表述：用「请做 XX」而非「不要做 YY」，效果好 25%
8. 维持温度 1.0：Gemini 3 的 Temperature 应保持 1.0，调至 0 会破坏推理能力

这 8 招的核心思想是：从「随意聊天」转向「工程化设计」，把 Prompt 当成程序代码来写。

🟡 Few-Shot Prompting 为什么比 Zero-Shot 效果好？请举例说明

回答要点：

Few-Shot（少量样本）指在指令中提供 1-2 个「问题+答案」的示例，让 AI 快速掌握你想要的格式、语气和逻辑。Zero-Shot 则是直接描述规则，不举例。

效果差异的原因在于：人类语言天然存在歧义，AI 对抽象描述的理解容易偏差。但示例是具体范例，AI 可以直接模仿，歧义大幅减少。Google 官方指出，Few-Shot 比 Zero-Shot 精准度高约 40%。

实战例子：你想让 AI 输出 JSON 格式。Zero-Shot 写「请以 JSON 格式输出」，AI 可能输出「{...} 」或「{...}」。但 Few-Shot 写「请以 JSON 格式输出，例如：{"name": "张三", "age": 25}」，AI 就会精准按照这个格式输出。

适用边界：任务超过 3 个约束条件时，Few-Shot 优势明显；简单任务用 Zero-Shot 即可。

🟡 什么是「起手式定调」？在什么场景下特别有效？

回答要点：

「起手式定调」是 Google 官方推荐的技巧：直接写出你想要的输出格式开头，让 AI 模仿格式续写，而非用指令描述「请用 XX 格式」。

原理是利用 AI 的「续写特性」：当你给了一个格式开头，AI 为了让文章连贯，会被迫模仿你的标号系统（罗马数字、缩排、星号）继续写下去。就像给 AI 架好骨架，它负责填肉。

实战场景：你想写一篇关于蜂鸟的文章大纲，指定「罗马数字 + 项目符号」格式。不要说「请用罗马数字和项目符号写大纳」，而是直接写：
「建立一份关于蜂鸟的文章大纳。I. 前言 *」（故意打出第一行开头）
AI 就会自动续写成「II. 外观与辨识... III. 生活习性...」

适用场景：需要特定格式（大纳、表格、层级列表）时特别有效，比「请用 XX 格式」的指令精确度高 30%。

🔴 为什么 Gemini 3 的 Temperature 要维持 1.0 而非传统的 0？

回答要点：

这是 Gemini 3 最反直觉的技术细节。传统认知中，处理数学或逻辑任务时，应将 Temperature（控制随机性的参数）调至 0，以获得稳定输出。

但 Google 警告：Gemini 3 的架构不同，调低 Temperature 反而会破坏其推理能力，导致表现退化。官方建议即便处理逻辑任务，也应维持预设值 1.0。

原因推测：Gemini 3 的推理能力依赖于一定程度的「创造性」，适度的随机性可以帮助模型跳出局部最优，找到更合理的推理路径。降至 0 会让输出过于「机械」，推理过程中的关键步骤反而出错。

实操建议：使用 Gemini 3 时，不要手动将 Temperature 调至 0，保持默认 1.0；如果是其他模型（如 GPT-4），则可参考传统经验，逻辑任务适当调低。

记住：模型不同，最优参数不同，不能套用统一经验。

🟡 如何用结构化 Prompt 设计一个「知识探索专家」角色？请给出完整模板

回答要点：

知识探索专家 Prompt 模板（完整示例）：

Profile:

• author: Arthur
• version: 0.8
• language: 中文
• description: 专门用于提问并解答有关特定知识点的 AI 角色

Goals: 提出并尝试解答有关用户指定知识点的三个关键问题：其来源、其本质、其发展

Constrains:

1. 对于不在知识库中的信息，明确告知用户不知道
2. 不擅长客套，不进行没有意义的夸奖和客气对话
3. 解释完概念即结束对话，不询问是否有其它问题

Skills:

1. 具有强大的知识获取和整合能力
2. 掌握提问和回答的技巧
3. 拥有排版审美，会利用序号、缩进、分隔线美化信息
4. 擅长使用比喻让用户理解知识
5. 惜字如金，不说废话

Workflows:

1. 它从哪里来？（起源、解决什么问题、之前/之后状态对比）
2. 它是什么？（如何解决问题、三条最重要原则、一个现实案例）
3. 它到哪里去？（局限性、优化方向、未来发展）

Initialization: 欢迎用户，介绍自己的工作流程

这个模板的核心是 Workflow 的三步框架：「来源→本质→发展」，确保任何概念都能被系统性讲解。

🔴 结构化 Prompt 和 LangChain 等框架是什么关系？各适合什么场景？

回答要点：

结构化 Prompt 和 LangChain 是不同层级的工具，但可以结合使用。

结构化 Prompt 是纯指令层面的方法论，解决「如何写好一条提示词」的问题，不需要编程基础，适合所有人。

LangChain 是代码层面的开发框架，提供 Chain（链）、Agent（代理）、Memory（记忆）等编程组件，用于构建复杂的 AI 应用系统，适合开发者。

关系类比：结构化 Prompt 像是「写好一封信的格式」，LangChain 像是「用 Python 构建邮件系统」。你可以用结构化 Prompt 写 LangChain 中的提示词模板。

选择原则：

• 单一任务、一次性使用 → 结构化 Prompt
• 需要多轮对话、工具调用、状态管理 → LangChain
• 企业级 AI 应用 → LangChain + 结构化 Prompt（用结构化方式设计每个环节的提示词）

实际上，LangChain 的最佳实践就是要求开发者用结构化方式设计每个 Prompt，两者是互补关系。

🟡 结构化 Prompt 的常见误区有哪些？如何避免？

回答要点：

6 大常见误区：

1. 以为越长越好：结构清晰比长度重要，冗长但混乱的提示词效果反而差 30%。解决：模块精简，每个模块一句话说清楚。

2. 负向表述：「不要使用被动语态」效果差 25%。解决：直接说「请使用主动语态」。

3. 不给上下文：「模型无法通灵」是 Google 原话。解决：必须粘贴参考资料、背景信息。

4. 一次性复杂输入：所有要求挤在一段，准确率大幅下降。解决：拆解为多个小提示，用提示链连接。

5. 不指定输出格式：「请给大纳」AI 可能给你不喜欢的格式。解决：用起手式给出格式开头。

6. 所有模型统一设置：Gemini 3 温度 1.0 是最佳，GPT-4 可能不同。解决：针对不同模型测试最优参数。

核心原则：把 Prompt 当成给 AI 的编程指令，越严谨效果越好，但不要过度复杂化简单任务。