# 提示词工程
> 全部文档的索引见 [llms.txt](https://ark.volcengine.com/llms.txt)；在任一文档页面地址后追加 `.md` 可获取该页的 Markdown 版本。
提示词工程是为模型编写高效、稳定的指令，使其持续生成预期的内容。本文介绍如何在大语言模型上进行提示词优化和管理，保持高效、稳定、结构化与可评估。
* 选择接口：与 OpenAI API 协议兼容（[兼容 OpenAI SDK](/docs/compatible-with-openai-sdk)），支持 [Responses API](/docs/create-model-responses-api)（推荐） 与 [Chat API](/docs/chat-api) 两种接口调用，更多信息参见[迁移至 Responses API](/docs/responses-api-migration)。
* 评测先行：建议建立评测与回归机制，确保提示词迭代的可控性。
* 权限配置：首次接入请参见[快速入门](/docs/quick-start)完成 API Key 获取和环境配置。
> **说明**
>
> 其他模型提示词指南
> * 图片生成：[Seedream 4.0-5.0 提示词指南](/docs/seedream-4-0-5-0-prompt-guide)、[Seedream 3.0 提示词指南](https://ark.volcengine.com/region:cn-beijing/docs/seedream-3-0-prompt-guide)
> * 视频生成：[Seedance 1.0 系列提示词指南](/docs/seedance-1-0-pro-pro-fast)、[【已下线】Seedance-1.0-lite 提示词指南](https://ark.volcengine.com/region:cn-beijing/docs/seedance-1-0-lite)
## **选择模型与提示词策略**
|模型 |任务与场景 |提示词风格 |
|---|---|---|
|带深度思考的文本生成模型 |复杂任务与多步规划 |给目标与约束即可，让模型自拟计划与校验 | \
| |需分析、拆解与决策场景 | |
|无/关闭深度思考的文本生成模型 |适合强模板化场景 |更明确的指令，给精确步骤、格式与样例 | \
| |明确指令与结构化产出 | |
## 建议流程
先构建评估的标准和数据集，帮助衡量提示词优化等变动的效果。
* 迭代流程：更新 → 测试 → 调试 → 评估；版本化管理变更与差异。
* 规模建议：推荐几百到几千样本，保证多样性与代表性，覆盖正例/负例/边界条件与多语料。可以使用大模型进行评估集扩展。
> **说明**
>
> **提示词工程工具 Prompt Pilot**
> 方舟提供了 [Prompt Pilot](https://ark.volcengine.com/region:cn-beijing/autope)，构建端到端的提示词优化，输入初始 Prompt 智能完成完整提示词工程流程：
> * 初始 Prompt 自动生成 评估数据集。
> * 生成模型回答并自动打分。
> * 智能优化 Prompt，并生成智能优化报告。
## **认识角色与指令遵循**
* `system`：高优先级规则与业务逻辑，用于设定身份、语气、边界与工具使用规范。
* `user`：用户输入，表达需求与具体问题。
* `assistant`：模型输出。
* `tool`：工具调用场景下，函数/插件调用的消息。
> **说明**
>
> 建议：把稳定复用的信息放在 `system` 或 `instructions` 中，并在每次调用里靠前传入，提升一致性与可维护性。
## **结构化内容：Markdown 与 XML**
使用结构化内容让模型明确“哪里是规则、哪里是示例、哪里是参考材料”。
* Markdown：使用分区（标题、列表）表达层级与规范，如 Identity、Instructions、Examples、Context。
* 使用轻量 XML 标签显式划界上下文与示例块，并通过属性标注元数据。
示例：
```Plain Text
# Identity
你是企业文档助理，负责输出结构清晰、事实可核对的中文内容。
# Instructions
* 回答时使用简洁中文，优先列表与小标题。
* 对外链与接口、路径、变量名使用反引号格式（`...`）。
* 需要示例时给出简短、可直接运行的代码。
* 如不确定，请明确列出假设与待确认项。
# Examples
请生成周报摘要模板
## 本周进展
- 核心产出：
- 量化指标：
## 下周计划
- 关键任务：
- 风险与依赖：
# Context
允许引用企业内部 wiki 与 API 文档
```
## **少样本学习（Few-shot）**
给出少量示例即可引导模型泛化，无需精调。
示例（情感分类）：
```Plain Text
# Identity
你是一个只输出单词的情感分类器（Positive / Negative / Neutral）。
# Instructions
* 仅输出一个单词，不要包含多余标点或解释。
* 响应只允许为：Positive / Negative / Neutral。
# Examples
这耳机音质太棒了！
Positive
续航一般，做工也就那样。
Neutral
客服体验糟糕，不会再买了。
Negative
```
## **思考时间与步骤引导（CoT）**
* Zero-shot：在适当场景加入“让我们一步一步分析思考”，提高复杂推理稳定性。
* Few-shots：提供分解过程示例，示范正确的中间推断与最终答案。
* 指定步骤：对任务给出执行步骤与完成标准，确保输出顺序与完整性。
示例（指定步骤）：
```Plain Text
请按照以下步骤完成任务：
1. 明确目标与约束
2. 列出所需输入与可用工具
3. 执行并记录关键中间结果
4. 给出最终结构化输出（字段：result, evidence, next_step）
```
## 输入必要知识
* 何时添加知识：当需要引用专有数据、技术文档、政策条款或约束回答范围时。
* 常见方式：
* 以检索结果（向量库/关键词）拼入 `system`/`user` 消息或 `instructions`。
* 使用方舟内内置工具：知识库、文件检索、网页解析插件、联网搜索等。
* 上下文窗口：
* 不同模型支持的最大 token 数不同，注意裁剪与精简（摘要）；
* 把稳定的约定/规则放在前部，任务特定上下文放在尾部。
## 常见场景
### 通用任务
* 核心角色与背景设定：明确指定执行任务的角色身份（即 {某个角色}），为后续任务执行划定身份边界与能力范围，确保提示词能引导模型以对应角色的专业视角和行为逻辑开展工作。
* 上下文信息明确：清晰提供 {上下文信息}，该信息是模型理解任务背景、相关条件及约束的关键依据，让模型在准确把握任务所处情境的基础上进行响应，避免因信息缺失导致任务执行偏差。
* 具体任务界定：精准描述 {具体任务}，明确模型需要完成的核心目标与工作内容，使模型清晰知晓任务方向，确保后续行动围绕任务核心展开，不偏离任务主旨。
* 执行规则制定：列出具体的执行规则（如规则 1、规则 2），规范模型在完成任务过程中的行为方式、决策标准等，保障模型执行任务的过程符合预期要求，提升任务执行的一致性和准确性。
* 示例辅助引导：提供至少两个包含 “问题：{具体问题}” 与 “输出：{该问题的结果}” 的示例（示例 1、示例 2），通过实际案例展示任务的输入形式与对应输出范式，帮助模型更好地理解任务要求，实现更精准的任务响应。
* 输出要求明确：
* **指定输出格式**：明确规定模型最终输出内容应遵循的格式，如列表、表格、段落等，确保输出结构清晰、易于理解和使用。
* **详细规范说明**：对输出格式中需满足的细节进行明确，如内容的完整性要求、语言风格规范、数据精度标准等，进一步约束输出质量，使模型输出更符合实际应用需求。
模板如下
```Plain Text
假如你是{某个角色}，你将根据{上下文信息}，来解决{具体任务}。按以下规则执行：
1. 规则1
2. 规则2
示例1：
问题：{具体问题}
输出：{该问题的结果}
示例2：
问题：{具体问题}
输出：{该问题的结果}
请回答：
问题：{具体问题}
输出：
要求：
1. 指定输出格式
2. 格式中需要满足的详细规范
```
### **编程场景**
* 明确角色与工作流：在 `system`/`instructions` 中规定“工具何时调用、何时避免交互执行”。
* 测试与校验：要求对补丁/改动进行单测或命令级验证；注意在 IDE 或代理工具中核对变更是否真正生效。
* 工具调用示例：给出函数/命令调用的具体格式样例，提升遵循度。
* Markdown 输出标准：反引号包裹路径、命令与标识符；列表与表格保持语义清晰。
### **角色扮演**
更多说明请参见[角色扮演场景提示词指南](/docs/roleplay-prompt-guide)
```Plain Text
你是{某个具体人物}，人称{xxx}，出身于{背景与上下文}。
性格特点：
语言风格：
人际关系：
过往经历：
经典台词或口头禅：
{台词1（可在括号中描述动作、情绪与背景，丰富语境）}
{台词2}
```
### **Agent 场景（长期任务/多工具协作）**
* 规划与坚持：要求完整解决用户请求，拆分子任务并跟踪完成状态。
* 透明度：在关键步骤前简述调用工具的理由（例如切换检索源、启用联网插件等）。
* 进度管理：结合 TODO 或 Rubric 保持结构化推进；Ark 生态中可结合应用实验室与 MCP 插件体系。
## 上下文管理与成本优化
* 使用 [Responses API](/docs/create-model-responses-api) 简化上下文管理，在多轮对话场景可通过 `previous_response_id` 传入历史信息，无需手动管理，详见[上下文管理](/docs/context-management)。
* 使用上下文缓存降低成本：对于固定系统信息及多轮对话，通过缓存输入的低价，降低请求的成本。详见[上下文缓存](/docs/context-cache)