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
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