本课程面向零基础普通人，系统讲解提示词工程（Prompt Engineering）的核心概念、设计框架、常用技巧、优化方法和实战案例。学完本课程，你将能够通过精心设计的提示词，让AI输出质量提升数倍，将ChatGPT等AI工具从"玩具"变成"生产工具"。
1.1 基本定义
提示词（Prompt） 是你输入给AI大模型的指令、问题或背景信息。它就像是你给AI的"工作指令"——你是老板，AI是员工，你给员工下的指令越清楚，员工干出来的活就越合你心意。
提示词工程（Prompt Engineering） 是通过精心设计和优化输入提示词，引导大语言模型生成符合预期的高质量输出的技术和方法论。它不仅仅是"如何提问"，而是系统化的工程实践。
核心区别：
- Prompt：具体的指令或问题（名词）
- Prompt Engineering：设计和优化提示词的方法论（动名词）
1.2 为什么提示词如此重要
据OpenAI研究，优化提示词可使模型性能提升30-60%，在特定任务中甚至能达到70%的准确率提升。同时，好的提示词还能减少20-30%的token消耗，降低API调用成本。
用一个对比例子说明：
糟糕的提示词：
写个方案
AI输出：空泛的"1.确定目标 2.制定计划 3.执行方案"，毫无价值。
优秀的提示词：
请为一家100人的教育科技公司设计一套完整的AI知识库系统实施方案。要求包含：1.需求分析（3-5个核心痛点）2.技术架构设计（包含具体技术选型）3.分阶段实施计划（POC、MVP、正式上线）4.预算评估（人力成本+技术成本）5.风险与应对措施。输出格式：Markdown，包含清晰的标题层级和表格。
AI输出：8000字专业方案，可直接使用。
| 维度 | 糟糕提示词 | 优秀提示词 |
|---|---|---|
| 输出质量 | 1/10 | 9/10 |
| 可用性 | 需要大幅修改 | 可直接使用 |
| Token消耗 | 浪费（需要多次重试） | 高效（一次成功） |
1.3 大模型的工作机制：为什么"怎么问"如此重要
大语言模型的核心工作是：根据前面的内容，预测下一个Token。你输入的提示词就是"前面的内容"。提示词不同，模型对"接下来该说什么"的判断就不同。
模型理解的是统计模式，而非真正的"意图"。如果指令模糊，模型就会在众多可能的"模式"中随机选择，结果自然不可控。
提示词的核心价值在于：通过精准描述任务、背景、格式等要求，"唤醒"模型训练数据中的特定能力和知识库。你让模型"写一首诗"，它调用的是诗歌风格记忆；你让模型"以Python工程师的身份审查代码"，它调入代码审查的逻辑链。提示词决定了模型能力的上限，而模型本身只是这个上限的地板。