明确角色与任务边界、提供清晰示例、约束格式与长度、分步思考+自我验证是提升大模型输出准确性的四大核心策略。
明确角色与任务边界
让模型清楚“你是谁”和“要做什么”，能显著减少答非所问。比如不写“帮我写个邮件”，而是写“你是一位资深HR，需要给候选人发送一封婉拒录用的邮件，语气专业且保持温度”。角色设定越具体，输出越贴近预期。任务描述避免模糊动词，如“优化”“处理”，改用“重写为150字以内”“提取5个核心关键词”“按时间顺序列出步骤”等可衡量指令。
提供清晰示例（Few-shot Prompting）
在提示中嵌入1–3个高质量输入-输出样例，比纯文字说明更有效。例如想让模型从会议记录中提取待办事项，可以这样写：输入：「张工提到下周三前提交接口文档，李经理确认测试环境周四可用」→ 输出：[{"事项":"提交接口文档","负责人":"张工","截止时间":"下周三"},{"事项":"确认测试环境可用","负责人":"李经理","截止时间":"周四"}]。接着再给新输入，模型更容易对齐格式与粒度。
约束格式与长度，引导结构化输出
模型偏好自由发挥，但实际应用常需结构化结果。直接指定输出格式，比后期解析更可靠。例如：请用JSON格式返回，字段必须包含"summary"（20字内）、"keywords"（最多3个）、"sentiment"（取值：positive/neutral/negative）。也可限制长度：“用一句话回答，不超过35个汉字”。加一句“不要解释，不要额外说明”能进一步抑制冗余内容。
分步思考+自我验证（Chain-of-Thought + Self-Check）
对复杂问题，提示中引导模型“先分析，再作答，最后检查”。例如：“第一步：识别原文中的技术术语；第二步：判断每个术语是否在Python标准库中；第三步：只保留属于标准库的术语，并去重；第四步：检查是否遗漏或误判——如有，请修正”。这种显式推理链能提升准确率，尤其适用于逻辑判断、代码审查、数据校验类任务。
立即学习“Python免费学习笔记（深入）”；
