PromptEngineering

角色设定

角色设定是指明确告诉大模型“你是谁”。这不仅仅是简单的角色扮演，其核心目的是限定模型站在特定的专业视角上说话。通过赋予模型具体的身份（如“资深律师”、“科普作者”或“代码审查机器”），可以激活模型内部对应的知识子集，从而引导其采用特定的专业词汇、逻辑框架和表达风格

风格约束

风格约束解决的是输出“像不像”你想要表达的问题。它用于规定模型生成内容的写作风格或语气，确保输出符合预期的情感语境和文化背景。例如，要求模型“用幽默轻松的语调撰写”、“使用正式且专业的语气”或“通俗易懂，不使用晦涩术语”，从而控制输出的整体调性

few-show示例

核心思想是“少讲原则，多给样例”。很多时候模型更擅长模仿范式，提供少量（通常2-5个）高质量的输入输出示例，能极大保证模型回答的质量。示例的作用不仅是让模型学习新知识，更重要的是为其定位任务模式，明确分类边界、输出格式和决策逻辑，让模型“有样学样”

分布引导

首先要知道大模型在生成文本时，并不是在“思考”，而是在做一道“填空题”。它会根据上文，计算出词库中所有词作为下一个词出现的概率（即“概率分布”），然后挑选概率最高的词输出。大模型的本质其实就是概率预测机。

在没有提示词（Prompt）时，模型面对一个开放问题，它的概率分布是极其宽泛和发散的，任何相关的词都有可能被选中。 而当你输入一段精心设计的 Prompt 时，这段文字就成为了一个条件信号。它强制模型改变原本的概率分布，将注意力集中在特定的词汇和逻辑上，把宽泛的概率“挤压”到你期望的狭窄范围内。这就是“分布引导”。

输出格式

输出格式用于提前规定模型回答“长什么样”，这提升的是结果的可解析性与可用性。通过明确要求模型以 Markdown 表格、JSON、YAML 或固定字段模板等结构化形式输出，可以避免模型自由发挥导致排版混乱。这对于需要将 AI 结果接入下游程序进行自动化处理的场景尤为关键

拒答边界

拒答边界是指先给模型划定红线，再让它回答问题。其核心目的是降低模型“明明不知道还特别自信（即产生幻觉）”或“过度自由发挥”的风险。通过在提示词中明确说明模型的知识范围、禁止讨论的话题或“如果不确定请回答‘我不确定’”，可以有效控制模型的行为边界，提高系统的安全性和事实准确性