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
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
内容摘要
文本生成场景模板是一套针对写作（Writing）、翻译（Translation）、摘要（Summarization）三类常见文本任务的标准化提示词框架。它的核心思路是：把"角色定义 + 任务描述 + 约束条件 + 输出格式"封装成可复用的模板，每次使用时只需填入具体参数（主题、源文本、目标语言等），就能稳定产出高质量文本。
文本生成场景模板是一套针对写作（Writing）、翻译（Translation）、摘要（Summarization）三类常见文本任务的标准化提示词框架。它的核心思路是：把"角色定义 + 任务描述 + 约束条件 + 输出格式"封装成可复用的模板，每次使用时只需填入具体参数（主题、源文本、目标语言等），就能稳定产出高质量文本。
为什么需要模板？直接对 LLM（大语言模型）说"写一篇文章"或"翻译这段话"，输出质量完全靠运气——模型不知道你要什么风格、多长篇幅、面向谁。OpenAI 官方 Prompt Engineering Guide 明确建议：提示词应当包含清晰的角色、具体的约束和期望的输出格式。模板就是把这些最佳实践固化下来，让每次生成都有章可循。
与传统的"想到什么写什么"式提示相比，模板化提示词的本质区别在于参数化：可变部分（主题、字数、风格）和不变部分（角色定义、输出结构）分离，类似于编程中的函数——定义一次，调用多次。
文本生成模板由五个核心要素组成，它们的配合决定了输出质量：
| 要素 | 作用 | 说明 |
|---|---|---|
| 角色定义（Role） | 设定模型的身份和专业视角 | 如"你是资深科技记者"会激活新闻写作相关知识 |
| 任务描述（Task） | 明确要完成的具体工作 | 回答"做什么"，越具体越好 |
| 约束条件（Constraints） | 限定输出的边界 | 字数、风格、目标读者、禁止内容等 |
| 参考输入（Reference） | 提供源材料或背景信息 | 翻译和摘要的源文本，写作的关键数据 |
| 输出格式（Format） | 定义期望的输出结构 | 如"标题 + 导语 + 正文 + 结论" |
角色定义是模板的"身份声明"。不同角色会让模型激活不同的知识和表达方式：
Google Prompt Engineering 白皮书将这种做法归类为 System Prompting（系统提示），即用全局指令设定模型的行为基调。
任务描述回答"在这个角色的基础上，具体要做什么"。模糊的任务描述是输出质量差的首要原因：
约束条件是控制输出的"参数面板"，常见维度包括：
对不同任务类型，参考输入的形式不同：
OpenAI 的研究表明，提供参考文本能显著减少 Hallucination（幻觉，指模型编造不存在的信息）。
通过结构化指令定义期望的输出形式，例如：
请按以下格式输出：
1. 标题
2. 核心观点（一句话）
3. 正文（3-4 个段落）
4. 关键要点（列表形式）
文本生成模板的工作机制分为四步：
第 1 步：需求解析。 根据用户的任务需求，确定任务类型（写作/翻译/摘要），选择对应的模板。
第 2 步：参数填充。 将具体参数（主题、源文本、风格、字数等）填入模板的可变位置，生成完整的提示词。这一步类似于调用函数时传入参数。
第 3 步：模型生成。 LLM 接收完整提示词后，根据角色定义激活对应领域知识，在约束条件的限制下生成内容，并按指定格式组织输出。
第 4 步：质量校验。 检查输出是否满足要求（字数、格式、风格）。如果不满足，调整参数或补充示例后重新生成。
关键点：模板的价值不在于"写一个很长的提示词"，而在于把有效的提示策略固化为可复用的结构。Google 白皮书强调，好的提示词应当"简洁且清晰"，模板帮助实现的正是这一点——每次使用时不需要重新思考提示结构，只需关注具体参数。
图中的核心流转：不同任务类型对应不同模板，但都经过"参数填充 → 生成 → 校验"的统一流程。校验不通过时回到参数调整环节，形成迭代优化闭环。
以下示例展示三种模板的最小结构——如何用参数化方式组织提示词。
# 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"))
# ========== 写作模板 ==========
writing_template = """你是一位资深科技记者。
请围绕"{topic}"撰写一篇深度分析文章。
目标读者：{audience}
风格：{style}
字数：{word_count}
输出结构：标题 → 导语（1-2 句） → 正文（3 段） → 结论
"""
# ========== 翻译模板 ==========
translation_template = """你是专业英中翻译。
请将以下英文翻译成中文：
{source_text}
风格：{style}
术语表：API Key = API 密钥, Token = 令牌, Rate Limit = 速率限制
要求：避免直译，符合中文表达习惯。直接输出译文。
"""
# ========== 摘要模板 ==========
summary_template = """你是专业编辑，擅长提炼核心信息。
请为以下文本创建{length}字摘要：
{source_text}
重点关注：{focus}
输出结构：核心观点（1-2 句） → 关键细节（3-5 条） → 结论（1 句）
"""
# 使用写作模板
prompt = writing_template.format(
topic="AI 对编程工作的影响",
audience="程序员",
style="深度分析，兼具可读性",
word_count="800-1000 字"
)
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": prompt}],
temperature=0.7 # 写作任务用较高温度增加创意性
)
print(response.choices[0].message.content)
三个模板对应三种任务类型，结构一致：角色 → 任务 → 约束 → 输出格式。temperature 参数根据任务类型调整：写作 0.7（鼓励创意）、翻译 0.3（保持一致性）、摘要 0.5（平衡准确与流畅）。
| 概念 | 与文本生成模板的区别 | 更适合关注的重点 |
|---|---|---|
| Few-Shot Prompting（少样本提示） | 通过示例引导模型，强调"给例子看" | 格式约束、分类任务 |
| Chain-of-Thought（思维链） | 引导模型展示推理过程，强调"怎么想" | 复杂推理、多步计算 |
| Prompt Chaining（提示链） | 多个提示词任务串联执行，强调"多步协作" | 多阶段工作流，如"写作 → 翻译 → 摘要" |
| System Prompting（系统提示） | 设定全局行为规范，是模板中的一个组成部分 | 安全防护、一致性控制 |
核心区别：
gpt-4.1-2025-04-14）。| 常见误区 | 正确理解 |
|---|---|
| "提示词越长越好，把所有要求都写进去" | 简洁清晰优先。Google 白皮书强调"如果你自己都觉得指令难以遵循，模型也会挣扎"。冗余信息会增加成本并可能引起模型混淆 |
| "一个万能模板适用所有场景" | 写作、翻译、摘要的核心需求不同：写作需要创意空间，翻译需要术语一致，摘要需要信息压缩。每种任务都需要专门设计的模板 |
| "有了模板就不需要迭代了" | 模板是起点而非终点。实际使用中需要根据输出效果持续调整参数，Prompt Engineering 本质上是一个迭代过程 |
| "示例（Few-Shot）越多越好" | 通常 1-2 个高质量示例就足够。过多示例会占用上下文窗口、增加 token 成本，且可能导致 Over-prompting（过度提示）现象 |
| "翻译和写作可以用同样的 temperature" | 不同任务适合不同的温度参数。写作用 0.7 增加创意，翻译用 0.3 保持一致性，摘要用 0.5 平衡准确与流畅 |
参考答案：
五个核心要素是：角色定义、任务描述、约束条件、参考输入、输出格式。角色定义的影响在于它决定了模型激活哪部分知识和表达方式。"科技记者"会触发新闻写作风格和事实核查意识，"专业翻译"会触发术语一致性和目标语言表达习惯。没有角色定义时，模型使用"通用助手"模式，输出往往缺乏针对性。
参考答案：
参数应包括：商品名称、商品特点/卖点列表、目标受众（如年轻人/家庭主妇）、文案风格（如活泼/专业）、字数限制、禁止内容（如夸大宣传）。temperature 建议设 0.6-0.7：商品描述需要一定创意来吸引顾客，但又不能太天马行空导致与商品实际不符。如果追求统一的品牌调性，可以降到 0.5。
参考答案：
三步设计：(1) 写作模板：角色设为"产品文案专家"，约束字数 300-500 字，指定输出结构；(2) 翻译模板：角色设为"专业中英翻译"，将第一步的输出作为源文本传入，附上产品相关术语表确保关键词翻译一致；(3) 摘要模板：角色设为"英文编辑"，将第二步的英文翻译作为源文本，限制 50 字。信息传递的关键是：在翻译模板中内置术语表（确保品牌名、产品特性等关键词的翻译统一），在摘要模板中指定"保留产品核心卖点"作为重点关注方向。每一步的 temperature 依次为 0.7、0.3、0.5。
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
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
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