Prompt Engineering 篇难度 3⏱ 12 分钟概念
01代码生成场景提示（Code Generation Prompts）
通过结构化提示词策略引导 LLM 生成高质量、可运行的代码
代码生成Code Generation提示模板Copilot编程辅助
更新于 2026-03-25code-generation-templates
用结构化模板帮助 LLM 从原始数据中提取洞察、生成图表描述和分析报告的提示词设计方法
内容摘要
数据分析提示词模板是一套预定义的提示词框架，把"数据背景、分析任务、输出格式"三个关键信息组织成固定结构，让 LLM（大语言模型）能快速、准确地从原始数据中提取关键洞察、描述图表或生成分析报告。你可以把它理解为数据分析的"填空式说明书"——分析师只需在框架里填入具体数据和目标，不必每次都从零开始调试提示词措辞。
数据分析提示词模板是一套预定义的提示词框架，把"数据背景、分析任务、输出格式"三个关键信息组织成固定结构，让 LLM（大语言模型）能快速、准确地从原始数据中提取关键洞察、描述图表或生成分析报告。你可以把它理解为数据分析的"填空式说明书"——分析师只需在框架里填入具体数据和目标，不必每次都从零开始调试提示词措辞。
这套方法出现的背景很直接：没有模板时，同一份数据交给不同的人写提示词，AI 给出的分析角度、详细程度、输出格式可能天差地别。一个人问"分析下销售数据"，另一个人写了 200 字的详细指令，结果自然不同。更麻烦的是，好的提示词写法全靠个人经验，无法在团队中复用和积累。结构化的模板把这些经验固化下来，让提示词的质量从"看人"变成"看模板"。
在 Agent 应用开发中，数据分析模板属于 Prompt Engineering（提示词工程）的场景化应用。它不改变模型本身的能力，而是通过更精确的指令让模型在数据分析任务上发挥得更好——减少歧义、约束格式、明确期望。
数据分析提示词模板的核心是 CTF 结构——Context（上下文）、Task（任务）、Format（格式）。这三个要素缺一不可，共同决定了 AI 分析结果的质量。
| 要素 | 作用 | 缺失时的典型后果 |
|---|---|---|
| Context（上下文） | 告诉 AI 数据是什么、业务背景是什么、受众是谁 | AI 输出的分析缺乏针对性，可能答非所问 |
| Task（任务） | 明确要做什么类型的分析、关注哪些指标、回答哪些问题 | AI 输出泛泛而谈，缺少具体洞察 |
| Format（格式） | 约束输出的组织形式、数字精度、长度限制 | AI 自由发挥，输出格式混乱，后续难以使用 |
上下文不是简单地说"这是销售数据"，而是要回答五个关键问题：
任务指令决定了 AI 会从什么角度切入数据。模糊的指令（如"分析这些数据"）会得到模糊的结果。有效的任务指令需要具体到：
格式约束直接决定了输出能不能被后续流程使用。需要明确的方面包括：
数据分析提示词模板的工作机制可以用四步概括：
第 1 步：选择模板。 根据分析目标确定使用哪种模板——是做数据洞察提取、图表描述生成，还是分析报告撰写。不同模板的侧重点不同：洞察提取关注"发现了什么"，图表描述关注"怎么呈现"，报告生成关注"怎么组织和表达"。
第 2 步：填充参数。 在模板的 CTF 框架中填入具体内容。上下文部分填入数据描述和业务背景，任务部分填入分析方法和具体问题，格式部分填入输出要求。这一步的关键是"具体"——越具体，AI 的输出越精准。
第 3 步：发送给 LLM 执行。 组装好的提示词发送给模型，模型根据上下文理解数据含义，根据任务指令选择分析角度，根据格式约束组织输出。
第 4 步：评估与迭代。 检查输出结果是否满足要求。如果洞察不够深入，调整任务指令让它更具体；如果格式不对，强化格式约束。通常 1-2 轮迭代就能达到满意结果。
这套机制有效的根本原因是：它把数据分析的"隐性经验"（什么样的提示词能得到好结果）转化成了"显性结构"（固定的 CTF 框架），消除了每次从头摸索的成本。
图中有两个关键流转点：一是模板选择（根据分析目标决定用哪种模板），二是迭代循环（结果不满意时调整参数重试，而不是换模板）。实际使用中，大多数情况下只需要 1-2 轮迭代。
以下示例展示如何用 Python 实现一个简单的数据分析提示词模板引擎，核心是 CTF 三要素的参数化组装。
# 基于 openai>=1.0.0 验证（截至 2026-03）
import os
from openai import OpenAI
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
def build_analysis_prompt(context: dict, task: dict, fmt: dict) -> str:
"""按 CTF 结构组装数据分析提示词"""
prompt = f"""【Context 上下文】
数据描述：{context['data_description']}
业务背景：{context['business_context']}
目标受众：{context['audience']}
【Task 任务】
分析方法：{task['method']}
关注指标：{', '.join(task['metrics'])}
具体问题：
"""
for i, q in enumerate(task['questions'], 1):
prompt += f"{i}. {q}\n"
prompt += f"""
【Format 格式】
输出形式：{fmt['structure']}
数字精度：{fmt['precision']}
长度限制：{fmt['length']}
"""
return prompt
# 组装提示词
prompt = build_analysis_prompt(
context={
"data_description": "2024 年全年电商销售数据，15000 条记录，字段：日期、产品类别、销售额、客户年龄段、地区",
"business_context": "为 2025 年 Q1 营销策略提供数据支持",
"audience": "营销部门负责人，需要快速理解关键趋势"
},
task={
"method": "趋势分析 + 细分对比",
"metrics": ["月度销售额", "品类占比", "客户年龄段分布"],
"questions": [
"全年销售额的月度趋势是什么？是否有明显季节性？",
"哪三个品类销售额最高？增速如何？",
"哪个年龄段客户贡献了最多收入？"
]
},
fmt={
"structure": "Markdown 表格，每个问题一行，列为：问题 | 关键发现 | 建议",
"precision": "金额保留整数，百分比保留 1 位小数",
"length": "每个发现不超过 50 字，每条建议不超过 30 字"
}
)
# 调用 LLM
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "你是一位数据分析师，擅长从数据中提取关键洞察并给出可操作建议。"},
{"role": "user", "content": prompt}
],
temperature=0.2 # 低温度保证分析结果稳定
)
print(response.choices[0].message.content)
build_analysis_prompt 函数就是模板引擎的核心——接收三个字典（context、task、format），输出一段结构化的提示词。实际项目中可以把不同场景的默认参数预设好，分析师只需覆盖需要修改的部分。
数据分析中最常用的三种模板，分别对应"发现什么""怎么呈现""怎么汇报"三个阶段。
从原始数据中找到关键发现、趋势和异常。
【Context】
- 数据来源：[来源名称]，时间范围 [开始]-[结束]，共 [N] 条记录
- 关键字段：[字段1（含义）]、[字段2（含义）]、...
- 业务背景：[这次分析要解决什么问题]
【Task】
- 分析方法：[趋势分析 / 对比分析 / 异常检测 / 关联分析]
- 关注指标：[指标1]、[指标2]、[指标3]
- 需回答的问题：
1. [具体问题1]
2. [具体问题2]
3. [具体问题3]
【数据样本】（可选，粘贴前 5-10 行或摘要统计）
[数据内容]
【Format】
- 每个问题分别作答，结构：发现 → 原因推测 → 建议
- 数字保留 [N] 位小数，百分比用 % 表示
- 总字数不超过 [N] 字
根据数据和分析目标，生成可视化图表的代码或详细描述。
【Context】
- 数据结构：X 轴 = [时间/分类/数值]，Y 轴 = [指标名称（单位）]
- 数据系列：[系列1]、[系列2]（如有多条线/多组柱状）
- 数据量级：[大概范围，如"Y 轴 0-500 万"]
【Task】
- 推荐图表类型：[折线图 / 柱状图 / 散点图 / 饼图 / 热力图]
- 视觉重点：[需要突出的数据点或趋势]
- 辅助元素：[是否需要趋势线、参考线、标注]
【Format】
- 输出形式：[Python matplotlib 代码 / ECharts 配置 / 自然语言描述]
- 语言要求：[图表标签用中文/英文]
- 代码要求：[完整可运行 / 只写核心逻辑]
把分析结果组织成面向特定受众的结构化报告。
【Context】
- 报告目的：[这份报告要传达什么信息]
- 目标受众：[高管 / 分析师 / 产品经理 / 全员]
- 核心分析结果：[粘贴前置分析的输出]
【Task】
- 报告结构：
1. 执行摘要（[N] 字）：最关键的 [N] 个发现
2. 详细分析（[N] 字）：[需要展开的维度]
3. 问题与建议（[N] 字）：可操作的改进方向
4. 附录（可选）：支持数据表格
【Format】
- 语言风格：[简洁直接 / 正式 / 口语化]
- 数字精度：[整数 / 1位小数 / 2位小数]
- 是否包含图表引用：[是/否]
- 总字数限制：[N] 字
| 概念 | 与数据分析提示词模板的区别 | 更适合关注的重点 |
|---|---|---|
| Few-Shot Prompting（少样本提示） | 通过示例引导模型学习任务规律，侧重"给例子"；数据分析模板侧重"给结构" | 输出格式不确定时，用 Few-Shot 给几个参考输出 |
| Chain-of-Thought（思维链） | 要求模型展示推理过程，侧重"怎么想"；数据分析模板侧重"分析什么、怎么输出" | 复杂统计推理任务，可与模板组合使用 |
| RAG（检索增强生成） | 从外部知识库检索信息再生成，侧重"找信息"；数据分析模板侧重"对已有数据做分析" | 分析时需要引用外部基准数据或行业报告 |
核心区别：
| 常见误区 | 正确理解 |
|---|---|
| "提示词写得越详细越好，信息越多结果越准" | 信息要"充分"但不要"冗余"。无关细节会分散模型注意力，降低核心问题的回答质量。CTF 框架的价值正在于帮你筛选出真正关键的信息。 |
| "一个通用模板就能覆盖所有数据分析场景" | 不同场景（财务分析、用户行为分析、竞品分析）对 Task 和 Format 的要求差异很大。建议建立场景化模板库，每种场景一个专用模板。 |
| "用了模板就不需要人工审核 AI 的输出" | LLM 可能在业务逻辑理解上出错，或对异常数据处理不当。模板提升的是提问质量，不能保证回答 100% 正确。关键数字和结论必须人工验证。 |
| "不指定输出格式也没关系，只要分析对就行" | 格式约束直接影响结果的可用性。不指定格式，AI 可能输出长段落，你还得手动提取关键数据。明确的格式（表格、JSON、分点列表）能大幅降低后续处理成本。 |
参考答案：
Context 解决"AI 理解数据和背景"的问题，Task 解决"AI 知道要做什么分析"的问题，Format 解决"输出结果能直接用"的问题。如果只能保留一个，应该保留 Task——因为没有明确的任务指令，AI 不知道该做什么分析，Context 和 Format 再好也白搭。但实际使用中三者缺一不可。
参考答案：
两种策略：(1) 预处理策略——先用 Python/SQL 对数据做聚合和摘要统计（均值、分布、Top N、异常值等），把摘要结果而非原始数据放入 Context；(2) 分块策略——将数据按维度（如按月、按品类）拆分成多个子集，分别用模板分析，最后再用报告生成模板汇总各子集的分析结果。实践中通常组合使用：先聚合得到概览，再针对有问题的子集做深入分析。
参考答案：
设计两层模板架构：(1) 基础层——一个通用的 CTF 骨架模板，定义标准的三段式结构、通用的格式规范（数字精度、长度限制等）、统一的输出约束；(2) 场景层——每个方向基于骨架模板派生出专用模板，预填该方向常用的分析方法、关注指标和输出格式。例如销售方向预设"趋势分析 + 品类对比"，财务方向预设"同比环比 + 成本结构分析"。同时建立模板版本管理：每个模板标注版本号和最后更新日期，修改时创建新版本而非覆盖旧版本，便于回溯。定期组织跨方向的模板评审，将各方向验证有效的改进合并回基础层。
优先展示同分类且标签更接近的内容，方便继续串联学习。
通过结构化提示词策略引导 LLM 生成高质量、可运行的代码
面向写作、翻译、摘要三大文本生成任务的提示词模板设计方法与核心要素
通过结构化提示词模板，让 LLM 基于给定信息准确回答问题、减少幻觉