第10章 Prompt进阶：System Prompt、COT思维链、Few-shot示例

10.1 System Prompt：给模型设定"人设"和"规则"

System Prompt（系统提示词）是在对话开始前给模型的最高优先级指令，用于设定模型的角色、规则、输出格式、限制条件等。它比用户输入的优先级更高，模型会优先遵守System Prompt中的规则。

为什么需要System Prompt？

• 稳定性：用户输入千变万化，System Prompt能保证模型始终按你的规则回答
• 安全性：可以限制模型不回答某些问题，不输出某些内容
• 一致性：多轮对话中保持角色和风格一致
• 可复用：System Prompt写好后，可以给所有用户用，不用每次重复

10.2 System Prompt的最佳实践

1. 角色定义要具体
❌ 差："你是一个客服"
✅ 好："你是数晰智能的官方客服机器人，负责回答IoT平台、能源管理、碳排放管理等产品相关问题"

2. 规则要明确、可执行
❌ 差："要友好"
✅ 好："语气要专业、友好、耐心，不要使用表情符号，每段回答不超过200字"

3. 用编号列表，不要用大段文字
模型对编号列表的遵循度更高，大段文字容易被忽略。

4. 包含"不知道怎么办"的规则
必须告诉模型遇到不知道的问题该怎么办，否则它会编造答案。

5. 包含输出格式要求
在System Prompt中指定输出格式，比每次在用户输入中指定更稳定。

10.3 COT思维链：让模型"先想后答"

COT（Chain of Thought，思维链）是让模型在给出最终答案前，先输出推理过程。就像人做数学题要先写解题步骤一样，模型先思考再回答，准确率会大幅提升。

为什么COT有效？

• 大模型是"一步一步"预测下一个词的，直接给答案容易跳步出错
• 让模型先输出推理过程，相当于给它更多"思考空间"，减少跳步错误
• 推理过程也能帮助你理解模型是怎么得出结论的，方便排查错误

10.4 COT的使用场景和方法

适用场景：

• 数学计算、逻辑推理
• 多步骤问题分析
• 复杂决策、方案选择
• 代码调试、问题排查
• 需要可解释性的场景（要知道模型是怎么想的）

不适用场景：

• 简单事实问答（不需要思考）
• 创意写作（思考过程会限制创意）
• 对响应速度要求极高的场景（COT会增加输出长度和延迟）

COT的触发方式：

1. 显式指令："请一步步思考"、"请先分析再回答"、"请给出推理过程"
2. 示例引导：在Few-shot示例中展示推理过程
3. System Prompt：在System Prompt中规定"所有回答必须先给出分析过程，再给出最终结论"

10.5 Few-shot示例：用示例教会模型

Few-shot（少样本）是在Prompt中给出1-3个输入输出示例，让模型学习你的风格、格式、判断标准，然后处理新的输入。

为什么Few-shot有效？

• 示例比文字描述更直观，模型能准确理解你的需求
• 示例能统一输出风格和格式，保证一致性
• 示例能教会模型复杂的判断标准（比如什么是"好"的文案）
• 示例能减少幻觉，让模型基于示例的模式回答

10.6 Few-shot的最佳实践

1. 示例数量：2-3个最佳
1个示例不够，模型可能过度模仿；4个以上会增加Prompt长度和成本，收益递减。2-3个多样化的示例效果最好。

2. 示例要多样化
不要给3个差不多的示例，要覆盖不同情况。比如分类任务，每个类别至少给一个示例；情感分析，正面、负面、中性各给一个。

3. 示例质量决定输出质量
示例要精心准备，确保格式正确、判断准确。如果示例本身有错误，模型会学错。"垃圾进，垃圾出"。

4. 示例顺序有影响
最后一个示例对模型影响最大（近因效应）。把最重要、最典型的示例放在最后。

5. 示例要和实际输入格式一致
示例的输入格式要和实际用户输入格式一致，输出格式要和���期望的输出格式一致。不要示例用表格，实际要JSON。

10.7 三大进阶技巧组合使用

在实际AI产品设计中，这三个技巧通常组合使用：

【System Prompt】
你是一个制造业设备故障诊断专家。
规则：
1. 只回答与制造业设备故障相关的问题
2. 回答必须包含：故障原因分析、排查步骤、解决方案
3. 不确定的问题，不要编造，建议联系设备厂商
4. 语气要专业、严谨

【Few-shot示例】
输入：设备型号：ABB机器人IRB6700，故障现象：机械手在运动过程中突然停止，报错代码：50024
输出：
故障原因分析：报错代码50024通常表示伺服电机过载，可能原因包括：1）机械负载过大；2）电机编码器故障；3）驱动器参数设置不当。
排查步骤：
1. 检查机械手运动路径是否有碰撞或卡顿
2. 检查电机温度是否过高
3. 检查驱动器参数是否与电机匹配
4. 查看故障历史记录，确认是否频繁出现
解决方案：
1. 如果是机械负载问题，调整运动路径或降低速度
2. 如果是电机问题，联系ABB售后更换电机
3. 如果是参数问题，重新校准驱动器参数

【COT指令】
请一步步分析故障原因，然后给出排查步骤和解决方案。

【实际输入】
设备型号：西门子PLC S7-1200，故障现象：PLC运行中突然停机，指示灯全部熄灭

10.8 本章小结

Prompt进阶三大技巧：

1. System Prompt：给模型设定"人设"和"规则"，保证稳定性、安全性、一致性。规则要具体、可执行、用编号列表，5-10条最佳。
2. COT思维链：让模型"先想后答"，复杂推理准确率提升30%-50%。最简单的触发方式："让我们一步步思考"。
3. Few-shot示例：用2-3个示例教会模型，示例要多样化、高质量、格式一致。示例质量决定输出质量。

这三个技巧组合使用，能让你的AI产品从"能用"变成"好用"。作为AI产品经理，你要花大量时间打磨这些Prompt，这是AI产品的核心竞争力之一。

📝 本章练习（5题）

答案与解析请在 互动学习看板 中作答查看。

📚 AI产品经理实战训练营 课程目录（44 章）

1. 第1章 AI产品经理是做什么的？和传统PM有什么区别？
2. 第2章 2026年AI产品经理就业市场：哪些行业在招？薪资多少？
3. 第3章 零经验转行AI产品经理的3条路径
4. 第4章 AI产品全景图：从聊天机器人到Agent，一文搞懂
5. 第5章 AI产品经理能力模型：你需要掌握哪些技能？
6. 第6章 实战：拆解3个你每天在用的AI产品
7. 第7章 大模型是什么？用大白话讲清楚
8. 第8章 主流大模型对比：GPT-4o、Claude、DeepSeek、豆包、Kimi怎么选？
9. 第9章 Prompt入门：写好提示词的5个原则
10. 第10章 Prompt进阶：System Prompt、COT思维链、Few-shot示例
11. 第11章 结构化输出：让大模型返回JSON、表格、代码
12. 第12章 Prompt优化实战：从垃圾Prompt到高质量Prompt
13. 第13章 大模型的"幻觉"问题：产品经理怎么应对？
14. 第14章 实战：为一个智能客服设计完整Prompt体系
15. 第15章 RAG是什么？为什么企业都在做知识库？
16. 第16章 RAG工作原理：文档→分块→向量→检索→生成
17. 第17章 向量数据库选型：Milvus、Pinecone、Chroma、pgvector怎么选？
18. 第18章 Embedding模型选型：OpenAI、BGE、M3E、GTE对比
19. 第19章 Reranker重排序：让检索结果更精准
20. 第20章 查询改写与混合检索：提升召回率的实战技巧
21. 第21章 知识库运营：文档治理、更新机制、效果监控
22. 第22章 实战：从零搭建一个企业知识库（完整流程）
23. 第23章 Agent是什么？和聊天机器人有什么区别？
24. 第24章 Agent核心能力：感知、规划、工具调用、记忆
25. 第25章 主流Agent框架与协议：Agent Harness、MCP、A2A全解析
26. 第26章 工具调用（Function Calling）原理与实战
27. 第27章 Agent记忆系统：短期记忆、长期记忆、向量记忆
28. 第28章 多Agent协作：多个智能体怎么分工配合？
29. 第29章 Agent评估体系：成功率、成本、延迟怎么监控？
30. 第30章 实战：设计一个制造业生产异常处理Agent
31. 第31章 AI产品需求分析：怎么识别真需求还是伪需求？
32. 第32章 AI产品竞品分析：怎么调研和拆解竞品？
33. 第33章 AI产品PRD撰写：技术可行性、数据需求、评估指标
34. 第34章 AI产品原型设计：对话流、状态机、异常处理
35. 第35章 AI产品数据指标体系：从DAU到模型准确率，全面监控
36. 第36章 AI项目管理：从需求到上线的全流程管控
37. 第37章 实战项目1：从零搭建制造业AI智能质检系统
38. 第38章 实战项目2：从零搭建企业级AI知识库（RAG系统）
39. 第39章 AI产品经理简历优化：让HR一眼看中你
40. 第40章 项目经验包装：把普通项目讲成亮眼案例
41. 第41章 AI产品经理面试常见问题：提前准备，从容应对
42. 第42章 案例分析面试：用结构化思维征服面试官
43. 第43章 薪资谈判：拿到你应得的报酬
44. 第44章 入职前3个月：快速站稳脚跟，建立信任