⑦ 什么是 Prompt（提示词）#

建议先读 ⑥ 什么是 LLM（大语言模型）——你得先知道"大脑长什么样"，才好谈"怎么跟它说话"。这一篇讲的就是：你对着那颗大脑说的每一句话，叫 Prompt（提示词），它决定了大脑给你什么样的回答。读完这篇，你会明白一个扎心的真相：很多时候不是模型笨，是你没问清楚。

一、一句话定义#

Prompt（提示词）= 你对大模型说的那句话、给它的那段输入。它是你"点菜的方式"——你怎么问，很大程度上决定了它怎么答。

如果只记一句，就记这句：

模型是大脑，Prompt 是你递给大脑的"任务纸条"。纸条写得清不清楚，答案就清不清楚。

这一句是整篇的骨架。后面所有比喻、图、误区，都在反复讲透它。

二、为什么 Prompt 这么重要？#

因为同一个模型，问法不同，效果天差地别。计算机界有一句老话叫 "垃圾进，垃圾出（Garbage In, Garbage Out）"——你喂进去的是含糊的、残缺的信息，吐出来的自然也是含糊的、跑偏的答案。

模型不是不聪明，而是它只能根据你给的那点信息去猜你想要什么。你给的信息越模糊，它猜错的空间就越大。

换几个生活场景体会一下"问法决定答案"：

• 点菜比喻：你对服务员说"随便来点吃的"，端上来是什么全看厨房心情；你说"一份不辣的番茄鸡蛋盖饭、米饭多一点"，端上来的才是你想要的。Prompt 就是你点菜的那句话。
• 打车比喻：你说"往那边开"，司机一脸懵；你说"去人民广场地铁站 2 号口"，他一脚油门就到。目的地说得越具体，到得越准。
• 找人帮忙比喻：你甩给同事一句"帮我搞个表格"，他做出来八成不是你要的；你说清"按月份统计销售额、带小计、用柱状图"，他一次就做对。

所以 Prompt 是你手里的指挥棒：模型的能力是固定的，但你挥棒的方式，决定了这场演奏是和谐还是杂音。

flowchart LR
  subgraph 烂Prompt["😵 含糊的 Prompt"]
    B1["'帮我写个函数'"] --> B2["🧠 模型只能瞎猜<br/>猜语言、猜功能、猜格式"] --> B3["🎲 结果全看运气"]
  end
  subgraph 好Prompt["😎 清楚的 Prompt"]
    G1["'写一个 Python 函数<br/>带类型注解和错误处理<br/>并给用法示例'"] --> G2["🧠 模型目标明确"] --> G3["✅ 一次就对"]
  end

三、一个好 Prompt 里通常有什么？#

一份讲究的 Prompt，往往由这六块拼起来。最好的类比是"给外包公司写需求文档"——你把活外包出去，写得越清楚，对方越不会做歪。

不是每次都要六块全上——问个简单问题，一句话就够；越复杂、越怕做歪的活，越要把这六块补齐。就像找人帮个小忙口头说一声就行，但真要外包一个项目，就得写正经需求文档。

flowchart TB
  P["📝 一份讲究的 Prompt"]
  P --> R["🎭 角色设定<br/>你是谁"]
  P --> T["🎯 任务指令<br/>干什么"]
  P --> C["📚 上下文<br/>背景是啥"]
  P --> E["🖼️ 示例<br/>我要的长这样"]
  P --> F["📐 输出格式<br/>结果什么形式"]
  P --> L["🚧 约束红线<br/>不许干什么"]

四、system prompt 和 user prompt 有什么区别？#

你可能听过 system prompt（系统提示词） 和 user prompt（用户提示词） 两个词。它们都是"喂给模型的话"，但地位不一样。用一个新员工入职的比喻一下子就懂：

• system prompt 就像岗前培训：告诉这个"新员工"——你是一个严谨的 Python 工程师、回答要简洁、不许瞎编、遇到危险操作要先确认。这些规矩定好之后，它接下来做每一件事都会记着。
• user prompt 就是你这一次丢给它的具体任务："帮我看看这段代码为什么报错"。

一句话区分：system 定"它是个什么样的人、守什么规矩"；user 定"这次让它干哪件具体的活"。 前者是长期人设，后者是当下任务。

flowchart TB
  subgraph 一次设定["🎓 system prompt（岗前培训 · 设一次）"]
    S["你是资深 Python 工程师<br/>回答简洁 · 不许瞎编<br/>危险操作先确认"]
  end
  subgraph 每次不同["🗣️ user prompt（这次的活 · 每轮都变）"]
    U1["第1轮：帮我写个登录函数"]
    U2["第2轮：这里为什么报错？"]
    U3["第3轮：加上单元测试"]
  end
  S -. 始终笼罩在每一轮之上 .-> U1
  S -. 始终笼罩在每一轮之上 .-> U2
  S -. 始终笼罩在每一轮之上 .-> U3

⚠️ 记住这张图的关键：system prompt 不是"第 0 轮对话"，它是罩在所有 user 对话头顶上的那层"规矩"，一直在起作用。 后面误区那一节会讲，很多人以为 system 和 user 一样，其实差得远。

翻卡自测，看你能不能一句话讲清这个最容易混的区别：

五、Prompt 工程小技巧（大白话版）#

"Prompt 工程（Prompt Engineering）"听起来高大上，其实就是怎么把话说清楚的一些实用招数。下面五招，白话讲，学会就能立刻用上。

几招稍微展开一点：

• 给例子（few-shot） 特别管用。你与其费半天口舌描述"我要什么风格"，不如直接甩一个样板："照这个格式再写三条"。模型看样板学得比听描述快得多——这跟人一样，看一眼照片胜过听你形容十句。
• 让它一步步想：复杂问题让模型"先想再答"，往往比逼它直接蹦答案更靠谱。就像考试时让学生写出推导过程，中间的思考能减少低级失误。
• 设边界很容易被忽略，但极其重要。你不划红线，它就可能"顺手"多做一堆你没让它做的事（比如顺手把别的文件也改了）。明确说"只做 X，别碰 Y"，能省掉大量返工。

flowchart LR
  Q["😕 模糊提问<br/>'帮我优化下代码'"]
  Q --> STEP1["① 说清楚：优化哪段？为了什么？"]
  STEP1 --> STEP2["② 给例子：期望优化后长这样"]
  STEP2 --> STEP3["③ 分步想：先分析瓶颈再改"]
  STEP3 --> STEP4["④ 指定格式：给改后代码+改动说明"]
  STEP4 --> STEP5["⑤ 设边界：不许改函数签名"]
  STEP5 --> A["😀 精准答案"]

六、常见误区（新手最容易踩的坑）#

这一节请逐条读完，这些误解会让你对 Prompt 的作用产生错觉。

误区 1：以为 Prompt 越长越好#

• ❌ 错误理解：我把话写得又臭又长、把能想到的都塞进去，模型就答得越好。
• ✅ 正确理解：清楚 ≠ 冗长。 一堆废话和重复反而会淹没关键要求，让模型抓不住重点。好 Prompt 是信息密度高——该说的说全，废话一句不留。就像好的需求文档是精准，不是厚。

误区 2：以为一句话它就能懂你全部意图#

• ❌ 错误理解："帮我做个网站"，它就该知道我要什么风格、什么功能、什么技术栈。
• ✅ 正确理解：模型不会读心。你脑子里默认的前提（"当然是中文的""当然要能登录"），它一概不知道。你没说的，它只能猜。 想要什么，就得明说出来。

误区 3：以为改 Prompt 能让它"算数变准"#

• ❌ 错误理解：它算错了一道数学题，我把 Prompt 改得更好就能让它算对。
• ✅ 正确理解：Prompt 能改善的是"怎么表达、怎么组织、往哪个方向使劲"，但改不了模型本身能力的天花板。模型不擅长精确计算，是它的底层特性（回看 ⑥ LLM——它是"猜下一个词"，不是"跑计算器"）。这种事该让它调用工具去算，而不是指望换个说法它就变准。Prompt 是指挥棒，指挥不出乐队没有的音。

误区 4：以为 system 和 user 是一回事#

• ❌ 错误理解：反正都是给模型的话，写在哪儿都一样。
• ✅ 正确理解：system 是长期人设 / 规矩，罩在每一轮之上；user 是这一次的具体任务。 把"你是严谨的工程师、危险操作先确认"这类规矩写进 system，它才会每轮都守着；写进某一次 user，说完这轮可能就淡忘了。放错地方，效果差很多。

误区 5：以为对它说"请""谢谢"能让结果更好#

• ❌ 错误理解：我客气一点、多夸它几句，它就会更卖力、答得更好。
• ✅ 正确理解：礼貌用语基本不影响答案质量——模型不会因为你说"请"就更努力，它没有情绪也不会"偷懒"。真正影响结果的是信息说得清不清楚，不是语气客不客气。（当然，礼貌没坏处，但别指望靠它提升质量。）

七、动手小实验 / 思想实验#

理论看再多，不如亲手对比一次。下面这个实验，能让你当场看到 Prompt 的威力。

实验 A：同一件事，两种问法#

打开任意一个 AI 助手，先后发这两句，对比它给你的东西：

第一次（含糊版）：

写个函数

你多半会得到一个没头没尾的东西：它得替你猜——什么语言？干什么用的？要不要注释？多半随便给你一个 add(a, b) 之类的玩具。

第二次（清楚版）：

写一个 Python 函数，要求：
1. 功能是读取一个 JSON 文件并返回里面的数据
2. 带完整的类型注解
3. 处理文件不存在、内容不是合法 JSON 这两种错误
4. 最后给一个调用它的用法示例

这次你会拿到一个能直接用的函数：类型注解齐全、错误处理到位、还附带示范。同一个模型、同样几秒钟，结果一个天上一个地下——差别全在你那句 Prompt 上。

flowchart LR
  M["🧠 同一个模型"]
  P1["😐 '写个函数'"] --> M --> R1["🧸 玩具代码<br/>没类型 · 没错误处理"]
  P2["🎯 '写 Python 函数<br/>+类型注解+错误处理<br/>+用法示例'"] --> M --> R2["🏗️ 能直接用的代码"]

把"同一个模型、两种问法"演成一幕小短剧——注意从头到尾模型没变、也没变笨，变的只有你那句 Prompt：

实验 B：脑内推演——把你的一句话补成"需求文档"#

在脑子里挑一件你想让 AI 帮的事，比如"帮我整理这段数据"。然后用第三节那六块结构，把它从一句话补成一份小小的需求：

• 角色：你是一个数据分析师。
• 任务：把我给的销售流水按月份汇总。
• 上下文：数据是 CSV，有日期、金额两列。
• 示例：输出参照"2026-01：12,300 元"这种格式。
• 输出格式：给我一个 Markdown 表格。
• 约束：金额保留整数、别丢掉任何一个月。

补完你会发现——你刚刚就把一句含糊的话，变成了一份让 AI 几乎不可能做歪的 Prompt。 这就是"写 Prompt"这门手艺的全部秘密：把脑子里的默认前提，一条条摊到明面上。

八、和其它概念的关系#

Prompt 不是孤立的，它是你和整个 AI 体系打交道的"入口"。理清它和邻居的关系，心智模型就完整了。

flowchart LR
  PROMPT["📝 Prompt 提示词<br/>你说的话"]
  LLM["🧠 LLM 大语言模型<br/>接话的大脑"]
  SKILL["📖 Skill 技能<br/>打包好的优质 Prompt+流程"]
  CTX["📦 Context 上下文<br/>话都装在这里"]
  PROMPT -- "喂给" --> LLM
  SKILL -- "本质就是一份高质量的" --> PROMPT
  PROMPT -- "会占用" --> CTX

这里有个很重要的连接：你现在应该能看穿 Skill 的真面目了——所谓 Skill，说白了就是一份被专家写好、反复打磨、登记在册、需要时自动加载的高质量 Prompt（外加流程编排）。你自己每次手打的是"一次性 Prompt"；Skill 是"把最好的那版 Prompt 存下来，以后自动用"。它们本是同根生。

而你每说一句话，都会占用模型的"上下文"空间——这个空间不是无限的。这就自然引出了下一篇要讲的 Context 与 Token。

九、和 Khy-OS 的关系#

你在 Khy-OS 里跟 AI 说的每一句话，都是一次 user prompt。而 Khy-OS 在背后，早就替你准备好了一大套 system prompt（系统提示词）——它就是那份"岗前培训"，定好了 AI 该守的规矩：比如"危险命令要拦""发布前要确认""改动要外科手术式、别顺手重构"等等。

Khy-OS 把这类"给 AI 定规矩"的工作，当成一门正经手艺来做——系统提示词工程（system prompt engineering）就是它的重要组成部分。它不仅有系统提示词，还有一套指令注册表机制，把散落的规矩集中登记、避免互相打架（想想看：规矩堆太多、还互相矛盾，AI 就会犯迷糊）。

• 你打的：user prompt——这一次具体让它干的活。
• Khy-OS 铺垫好的：system prompt——罩在你每句话之上的那层长期规矩。
• Skill 是什么：把某类任务的"最佳 Prompt + 流程"打包成手册，需要时自动加载（回看 ⑤ Skill）。

关于系统提示词、指令注册表这套机制是怎么设计和落地的，你可以在设计类文档里进一步了解（参见 docs/03_DESIGN_设计）。本文只讲概念：你说的话（Prompt）+ Khy-OS 定的规矩（system prompt），共同决定了 AI 这一趟怎么帮你干活。

十、小结 + 下一步#

• Prompt = 你对大模型说的话 / 给它的输入，是你"点菜的方式"，怎么问很大程度决定怎么答。
• 为什么重要：同一个模型，问法不同，效果天差地别——垃圾进，垃圾出。Prompt 是你手里的指挥棒。
• 好 Prompt 的六块：角色设定、任务指令、上下文、示例、输出格式、约束红线（像给外包写需求文档）。
• system vs user：system 是"岗前培训"（长期人设 / 规矩，罩在每轮之上），user 是"这次的活"（当下具体任务）。
• 五个小技巧：说清楚、给例子、让它一步步想、指定格式、设边界。
• 五大误区：不是越长越好、它不会读心、改 Prompt 改不了模型能力天花板、system 和 user 不一样、礼貌用语不影响质量。
• 和邻居的关系：Prompt 喂给 LLM；Skill 本质就是打包好的高质量 Prompt；Prompt 会占用上下文空间——而这个空间是有限的。

既然每句话都要占"上下文"、还要按"Token"计量，那这个空间到底是什么、有多大、满了会怎样？下一篇揭晓。

👉 ⑧ 什么是 Context 与 Token（上下文与令牌）