同样的大模型，不同的提示词——效果可能天差地别。华为云《盘古大模型最佳实践》系统总结了提示词工程的完整方法论：从“打基础→补说明→搭结构→排顺序→补预设”五步法，到CoT思维链、零样本学习、自治性等进阶技巧。本文结合智能客服意图匹配和面试题目生成两个完整案例，拆解了如何让大模型从“可能答对”走向“一定答对”。
提示词基础——什么是好的提示词
提示词的五大要素
提示词是与大模型交互的输入，可以是一个问题、一段文字描述或任何形式的文本输入。指令是要求模型执行的具体任务；说明是对任务要求的补充说明；上下文提供角色、示例、外部信息。
提示工程是在不更新模型参数的前提下，通过设计和优化提示词引导大模型生成目标结果。好的提示词内容明确且具体，能够指导语言模型稳定输出有效、无害的文本。
五步方法论详解
打基础——先制定明确表达主题的提示词，再由简至繁逐步增加细节。补说明——分点列举要求、正负向要求分离、规范输出格式、使用恰当表述。搭结构——用换行分隔内容，用引号区隔上下文。排顺序——将关键信息放在结尾处。补预设——做好各种情境的预设，防止模型误回答。
CoT思维链——让模型学会推理
单样本与多样本学习
在提示词中提供示例，让模型先学习后回答。示例1展示了如何通过方程解题示例引导模型正确解答鸡兔同笼问题；示例2展示了如何通过学习电商文案风格生成更优质的文案。使用时需约束新样例不能照抄参考样例，必须多样化、不重复。
零样本与自治性方法
对于无样本的任务，采用“分步骤解决问题”或“让我们一步一步地思考”引导大模型逐步推理。自治性是同一问题使用大模型回答多次，生成多个推理路径及答案，选择一致性最高的结果作为最终答案。通过反问模型答案生成的逻辑，可以提升模型思维过程的可解释性。
应用案例一——智能客服意图匹配
从编造选项到准确返回NA
Step1：任务描述不清晰，模型回答错误——“怎么注销掉我的信用卡”被匹配为“如何注销银行卡”而非选项中的“如何删除银行卡”。Step2：提供背景信息、详细任务描述及规则，模型回答正确。Step3：客户问题与标准问题不匹配时，模型会编造选项——“怎么换信用卡”被编造为“如何换信用卡”而非返回不匹配。Step4：分点列举要求、预设不匹配策略为返回“NA”，模型回答正确。
关键技巧：明确任务背景、详细描述规则、分点列举要求、预设不匹配策略、约束输出格式。
应用案例二——生成面试题目
从泛泛提问到结构化输出
Step1：提示词简单，模型回答较泛较浅，问题缺乏针对性。Step2：提供人设“银行人力资源面试官”，模型回答更贴合业务场景。Step3：明确问题类别（技能经验、自我认知、教育背景），并提供示例参考内容、风格、问法和难度，提示词模板化。Step4：优化输出格式为表格，要求严格按照简历中的项目名称、公司名称返回。
关键技巧：设置专业人设、明确问题范围、提供示例参考、规范输出格式、要求严格基于上下文返回信息。
