谷歌提示词工程优秀提示词示例

由coder创建，最终由coder更新于2025-11-24 16:32 被浏览 5 用户

基于 Google 的《Prompt Engineering》白皮书，我为你设计了 10 个涵盖不同场景的优秀提示词（Prompt）示例。

这些示例应用了白皮书中提到的核心技术，如 Few-shot（少样本）、CoT（思维链）、Role Prompting（角色扮演）、JSON 输出以及**Step-back（后退一步）**等策略。

1. 数据提取与结构化 (Few-shot + JSON Output)

• 场景：从混乱的客户反馈中提取关键信息，用于自动化工单系统。
• 技术点：利用 JSON 格式强制输出结构，并提供少样本示例。

Prompt: 将以下客户反馈解析为 JSON 对象。提取“产品”、“问题类型”（分为：物流、质量、或者其他）和“情感倾向”。

示例 1: 输入: "我订的红色毛衣到现在还没发货，已经过去两周了！我很生气。" 输出: {"product": "毛衣", "issue_type": "物流", "sentiment": "负面"}

示例 2: 输入: "蓝牙耳机音质不错，但是盒子有点压扁了，不过不影响使用。" 输出: {"product": "蓝牙耳机", "issue_type": "其他", "sentiment": "中性"}

输入: "你们的新款咖啡机简直太棒了，加热速度超级快！" 输出:

2. 复杂逻辑推理 (Chain of Thought)

• 场景：解决需要多步计算或逻辑推导的数学/谜题。
• 技术点：使用 "Let's think step by step"（让我们一步步思考）激活思维链，并将 Temperature 设置为 0 以保证准确性。

配置建议: Temperature = 0

Prompt: 这里的逻辑谜题是： 一个农场里有鸡和兔子。如果数头，共有 35 个头。如果数脚，共有 94 只脚。 请问农场里分别有多少只鸡和多少只兔子？

让我们一步步思考并计算。

3. 角色扮演与风格控制 (Role Prompting)

• 场景：将枯燥的技术文档转化为适合非技术人员阅读的博客。
• 技术点：指定角色（技术博主）以设定语调，并使用“正向指令”而非“负面约束”。

Prompt: 你是一位擅长用比喻的科技博主，专门向非技术人员解释复杂概念。

请解释“API（应用程序编程接口）”是什么。

要求：

1. 使用“餐厅”作为比喻核心。
2. 语气要轻松、幽默。
3. 只解释核心概念，不要涉及代码实现细节。

4. 代码调试与解释 (Code Debugging)

• 场景：修复报错的 Python 代码并学习错误原因。
• 技术点：不仅要求修复，还要求“解释”，利用 LLM 的编程知识库。

Prompt: 下面的 Python 代码报错了：IndexError: list index out of range。

my_list = [1, 2, 3]
for i in range(4):
    print(my_list[i])

请执行以下操作：

1. 调试代码并提供修复后的版本。
2. 解释为什么会发生这个错误。
3. 给出一种更 Pythonic（符合 Python 风格）的遍历列表写法。

5. 战略规划 (Step-back Prompting)

• 场景：为一款新饮料制定营销策略。
• 技术点：后退一步提示法。先让模型思考一般性原则，再应用到具体任务，以获取更深度的回答。

Prompt: 任务：为一款面向年轻人的无糖气泡水撰写上市营销策略。

首先，请回答：在当今竞争激烈的饮料市场中，通过社交媒体成功营销一款新饮料的关键原则有哪些？

然后，基于上述原则，为这款无糖气泡水制定具体的 3 步发布计划。

6. 批量内容生成 (Using Variables)

• 场景：为电商平台的多个产品生成标准化的描述。
• 技术点：使用变量（Variables）创建可复用的提示词模板。

Prompt: 变量设置： {product_name} = "极速干发帽" {material} = "超细纤维" {benefit} = "3分钟吸干水分"

任务： 你是电商文案专家。请根据上述变量写一段简短的产品描述。 格式要求：

1. 一个吸引人的标题。
2. 正文突出 {material} 的优势。
3. 结尾强调 {benefit}。

7. 提高准确性的自我一致性 (Self-consistency)

• 场景：判断一段模糊的文本是否违反内容政策。
• 技术点：通过让模型生成多个推理路径并取“众数”来提高判断的稳定性（模拟 Self-consistency 流程）。

配置建议: Temperature = 0.7 (稍微提高以允许不同路径)

Prompt: 文本："这东西简直就是垃圾，设计它的人脑子进水了。"

请分析上述文本是否属于“仇恨言论”或“骚扰”。 请给出 3 种不同的推理路径，最后给出一个综合结论（是 或 否）。

路径 1 推理: 路径 2 推理: 路径 3 推理:

最终结论:

8. 结构化数据输入 (Schema Definition)

• 场景：让模型根据给定的数据结构生成虚构的用户画像。
• 技术点：不仅输出用 JSON，输入也提供 JSON Schema 描述，让模型精准理解数据类型。

Prompt: 请根据以下 JSON Schema 生成一个虚构的用户画像 JSON 数据：

{
  "type": "object",
  "properties": {
    "name": {"type": "string", "description": "全名"},
    "age": {"type": "integer", "description": "25到35岁之间"},
    "interests": {"type": "array", "items": {"type": "string"}, "description": "3个户外爱好"},
    "job_title": {"type": "string", "description": "科技行业职位"}
  }
}

仅返回 JSON 数据。

9. 模拟复杂任务处理 (ReAct Style)

• 场景：规划一次复杂的旅行，模拟“推理-行动”的循环结构。
• 技术点：虽然这是单次对话，但模拟 ReAct（Reason & Act）的结构（Thought, Action, Observation）有助于模型理清复杂任务。

Prompt: 问题：我想在 12 月去日本滑雪，但我只有 5 天假期，而且预算有限（10000人民币以内）。请帮我规划。

请按照以下格式进行思考和回答：

Thought (思考): 首先需要确定 12 月日本适合滑雪且性价比高的地方。 Action (行动): 列出 2 个候选地点并比较价格。 Observation (观察): 分析哪个地点更符合预算和时间。 Thought (思考): 选定地点后，规划 5 天行程。 Final Answer (最终答案): 给出完整的 5 天行程单和预估预算。

10. 文本分类与去噪 (System Prompting + Few-shot)

• 场景：新闻分类，需要混合类别示例以防过拟合。
• 技术点：在 Few-shot 中混合不同的类别顺序，并使用 System Prompt 设定边界。

Prompt: [System Prompt] 你是一个新闻分类助手。你只负责将新闻标题分类为：[科技]、[体育]、[财经]。如果无法确定，分类为 [其他]。

[Examples] 标题: "湖人队昨晚大比分获胜" -> 分类: [体育] 标题: "苹果发布会定档下周" -> 分类: [科技] 标题: "股市今日收盘大涨" -> 分类: [财经] 标题: "某地发现新型古生物化石" -> 分类: [其他] 标题: "英伟达股价再创新高" -> 分类: [财经]

[Task] 标题: "新款 VR 头显实测体验流出" -> 分类:

\