如何设计 Prompt 以充分发挥大语言模型（LLM）的性能？

二、原则二：给模型一点“思考时间”

跟人一样，大语言模型（LLM）在解决复杂问题时，也需要“思考”。如果你一上来就逼它立马给出结论，结果很可能就是草率甚至出错。

就像我们人类在考试时，遇到一道难题还没看清楚题目就急着写答案，那错的几率就大了。语言模型也一样——它不是魔法，它也得“慢慢来”。

那我们怎么让它慢一点、想清楚再回答呢？关键就在 Prompt 的设计上：你得教它“先分析、再总结”。而不是直接“说答案”。

2.1 一步一步来：分步骤引导模型

我们来举个例子。

假设我们给模型讲了一个“杰克和吉尔打水摔跤”的故事，现在我们要它做几件事：

1. 把故事用一句话总结；

2. 把这句话翻译成英文；

3. 把里面出现的人名提取出来；

4. 最后用 JSON 格式返回这句话和人名的数量。

你看，这就是一个“多步骤”的任务。如果我们一口气说“你帮我做完这四件事”，模型不一定知道你到底想让它怎么输出。

但如果我们明确列出每一步，甚至还告诉它输出的格式，效果就会好很多：

prompt = f"""
1- 用一句话总结下面用 <> 括起来的故事。
2- 把这句话翻译成英文。
3- 在英文摘要里找出人名。
4- 用 JSON 格式输出这两项内容：英文摘要 + 人名数量。

请按照下面的格式回答：
文本：<这里是原始文本>
摘要：<中文摘要>
翻译：<英文摘要>
人名：<人名列表>
输出 JSON：<JSON对象>
Text: <{text}>
"""

这样一步一步来，模型就不会乱，而且你还能轻松拿到你想要的结构化数据。

2.2 让模型“自己算一遍”再说结果

再举个数学题的例子。

你问模型：“学生说这个算式是对的，你看对不对？”

模型可能看都没认真看就说：“嗯，看起来挺对的。”结果其实错得离谱。

所以我们得这样提问：

“先别急着说学生对不对，你自己先做一遍题，再来判断他是不是算错了。”

这种方式特别适合判断题、逻辑题、推理题。我们来看个具体例子。

问题描述：

我要建一个太阳能发电站，费用包括：

• 每平方英尺土地费用 $100

• 每平方英尺太阳能板费用 $250

• 每年维护费用：10万美元 + 每平方英尺 $10

问：总费用是多少？用面积 xx 表示。

学生的答案：

土地：100x  
太阳能板：250x  
维护：100000 + 100x （错了！这里其实应该是10x）  
总费用：100x + 250x + 100x + 100000 = 450x + 100000

你如果直接问模型：“他对不对？”，它可能会被“学生答案格式挺标准”这种表象蒙住，直接回你一句：“是的，正确。”

但如果你先要求模型 自己算一遍：

prompt = f"""
请你按以下步骤解决这个问题：
1. 自己先算出总费用。
2. 拿你的答案和学生的答案对比，看看一致不一致。
3. 然后判断学生到底对不对。

按照以下格式输出：
问题：
学生答案：
你自己的计算步骤：
学生的总费用：
你的总费用：
是否一致：
学生答得对吗：
"""

模型这时候会认真去算一次，得出正确答案是：360x + 100000，然后它才能判断：“噢，原来学生写成了450x，多加了90x，答错了。”

小结

你看，只要我们在 Prompt 里多给模型一点“思考空间”，它就能像一个认真考试的学生那样，先分析、再判断，而不是随便凑个答案。

所以写 Prompt 的时候，别急着让模型立刻回答。你可以：

• 引导它一步一步思考；

• 明确告诉它先推理再判断；

• 给出固定格式，减少它“自由发挥”。

这样，结果会靠谱很多，也更接近我们真正想要的东西。