名词扫盲

Prompt

Prompts (提示词) ; 对于同一个 LLM , 不同的人用 结果天差地别，而 prompt 就是为了 统一 。

可以是 :

1. 具体的指令
2. 具体的问题
3. 具体的背景
4. 具体的格式要求

1
2
3
4

messages = [
  { role: "system",  content: "你是一个 OnCall 助理，回答必须简洁" },
  { role: "user",    content: "昨晚数据库报警是什么原因？" },
]

system和user 都是 prompt 的一部分

为什么 prompt 很重要

llm 本质上是一个 next-token 的预测及其 。 对于模糊的上下文，他往哪里走的方向就越多，输出的就越随机

但是给的上下文越精确，它搜索的范围就越窄

user prompts

大部分 Ai 对话 都是 user protmps

好的 User prompts 的三要素 :

1. 目标明确 ：要做什么？分析、总结、改写、生成代码，得明说。“帮我看看这个日志"不是目标，“帮我分析这段日志里的报错原因并给出排查方向"才是。
2. 背景充足 ：大模型不知道你的业务、你的系统架构、你的团队惯例，它只能靠你给的信息推断。背景给得越充分，它越不需要乱猜，幻觉越少。
3. 输出要求 ：格式、长度、风格，不说，它随心所欲。你想要 Markdown 列表？想要 JSON？想要 3 条以内？一定要在 Prompt 里讲清楚。

场景对比 :

❌ 简单版 ：「数据库怎么了？」 大模型不知道你说的是哪个数据库、什么时间发生的、有什么报警信息、你想要什么样的答案。

✅ 完整版 ：

1
2
3
4
5

以下是今天凌晨 2 点的数据库报警日志：

[日志内容]

请分析可能的根本原因，并给出 3 条排查建议，以 Markdown 列表格式输出。

System Prompt

用户层面看不到 system prompt 这是开发提前写进去的一个 底层指令

system prompts 的三个核心用途 :

1. 身份设定 ：给模型一个具体的角色

1
2

你是一个 OnCall 助理，专门帮助工程师排查和分析系统故障。
你只处理与系统稳定性、报警分析、故障排查相关的问题。

2. 行为规则：定义模型"能做什么、不能做什么”

1
2
3
4

不允许回答与系统故障无关的话题。
如果你不确定某个判断，必须说明"我不确定，建议进一步验证"。

不要自行假设任何背景信息，只根据用户提供的内容作答。

3. 输出格式约束 ：让模型每次都按固定格式输出

1
2
3
4

你的回答必须是 JSON 格式，包含以下字段：
summary：对问题的一句话概括
root_cause：可能的根本原因列表
action_items：建议的排查步骤列表

如何写好一个 pormpts

1. 给模型"角色”
2. 正向约束 > 负向约束

• ❌不要太啰嗦
• ✅回答控制在3句话以内

3. 喂足够的信息
4. 指定输出格式
5. Few-shot . 给几个参考例子
6. 让模型先思考再回答

• 请先逐步分析，再给出最终结论