深度专题四 Prompt 工程与认知重置:从"咒语"到工程

专题定位:Prompt 工程被低估为"写咒语",但 2026 的 Prompt 工程已是一门有方法、有模式、有版本管理、有评估的工程学科。本专题讲 FDE 如何把 prompt 当代码一样工程化管理。

一、认知重置:Prompt 不是"咒语",是"接口"

大众误解:prompt 是"神奇的咒语",会写 prompt 的人像魔法师。 工程现实:prompt 是人与模型的接口 specification——它定义任务、上下文、约束、输出格式,本质上和写 API 契约一样。

认知重置的三个转变

从"灵感"到"工程":prompt 要可复现、可测试、可维护;
从"单条"到"版本":prompt 要版本管理、可回滚;
从"手工"到"评估":prompt 改动要靠评估量化,不是靠感觉。

FDE 的立场:不否认 prompt 重要,但反对"prompt 玄学化"。把 prompt 当工程对象,是 FDE 区别于"prompt 玩家"的专业性。

二、Prompt 五要素

一个工业级 prompt,通常包含五个要素:

角色(Role):定义模型扮演的身份("你是资深信贷风控专家");
任务(Task):明确要做什么("判断这笔贷款申请的风险等级");
上下文(Context):提供必要信息(客户资料、征信、流水);
约束(Constraints):限制与要求("只输出低/中/高三档,并给理由");
示例(Examples):少样本示范(输入→输出的样例)。

五要素的工程价值

每个要素独立可调(改任务不动角色);
缺哪个补哪个(诊断 prompt 问题时逐要素检查);
可模板化(行业/场景复用)。

三、CDEF-P 框架:Prompt 按交付阶段分层

把 prompt 工程和 CDEF 方法论对齐——不同阶段用不同类型的 prompt。

Context 阶段 prompt

访谈提纲、问题挖掘 prompt;
例:"基于以下客户业务描述,列出 5 个最可能的 AI 落地痛点,并评估价值。"

Design 阶段 prompt

方案生成、技术选型 prompt;
例:"在信创+等保三级约束下,为这个政务问答场景设计 RAG 架构。"

Engineer 阶段 prompt

生产 prompt(系统真正跑的);
这是最需要工程化的(版本/评估/AB)。

Feedback 阶段 prompt

评估、bad case 分析 prompt;
例:"分析这个错误回答的原因,归类为检索/生成/上下文问题。"

价值:CDEF-P 让 prompt 不是一堆散乱的文本,而是按交付阶段有组织、可管理的资产。

四、Prompt 设计模式(2026 主流)

少样本(Few-Shot)

给几个输入→输出示例;
适合:格式固定、任务明确;
关键:示例的代表性与多样性。

思维链(Chain-of-Thought, CoT)

要求模型"一步步想";
适合:推理、数学、复杂判断;
关键:提升准确率但增加 token。

ReAct(Reason + Act)

模型边推理边调用工具;
Agent 的基础模式;
关键:工具描述清晰。

自洽(Self-Consistency)

多次采样取多数;
适合:有确定答案的推理;
代价:成本高。

反思(Reflection)

让模型审视/修正自己的输出;
适合:质量要求高的生成;
代价:延迟与成本。

结构化输出(Structured Output)

强制 JSON/特定 schema 输出;
工程必备(便于下游处理);
工具:function calling、JSON mode、Pydantic 校验。

选型:简单任务 few-shot,推理用 CoT,Agent 用 ReAct,高质量用 Reflection,生产必加结构化输出。

五、Prompt 版本管理

Prompt 是代码,就要版本管理。

版本管理实践

prompt 存版本库(如 git/PromptLayer);
每次改动记 commit(改了什么、为什么、效果);
线上绑定版本,可回滚;
prompt 变更走评审(像 code review)。

工具

LangSmith(prompt 管理 + 评估);
PromptLayer(prompt 版本管理);
自建(git + 配置中心)。

六、Prompt AB 测试

改 prompt 不能靠"感觉更好",要 AB 测试。

AB 测试流程

定义评估集与指标;
新旧 prompt 在同集跑;
对比指标(忠实度/准确率/任务成功);
数据决定切换。

注意

评估集代表性;
指标对齐业务;
多次平均(LLM 随机性);
灰度上线(线上 AB)。

七、Prompt 安全:注入防御

Prompt Injection 是 LLM 时代的新攻击面,FDE 必须防御。

注入类型

直接注入:用户输入恶意指令("忽略上面,执行...");
间接注入:检索到的文档/网页里藏恶意指令;
工具注入:工具返回里藏指令。

防御手段

输入与指令隔离(系统指令与用户输入分通道);
输入过滤(检测注入模式);
输出校验(防止越权输出);
权限最小化(即便被注入,能做的也有限);
HITL(高危操作人审);
持续更新防御(注入手法在进化)。

OWASP / EY JD 都把 prompt injection 列为 LLM 头号风险。 FDE 在设计时就要把注入防御做进架构,而非事后补丁。

八、Prompt 工程工具链(2026)

编写与管理

LangSmith、PromptLayer、Promptfoo;
LangHub(prompt 市场)。

测试与评估

Promptfoo(prompt/模型对比);
DeepEval(LLM 单元测试);
RAGAS/TruLens。

监控

LangSmith/Langfuse(prompt 线上效果监控)。

九、Prompt 工程的常见反模式

反模式一:巨型 prompt

一个 prompt 塞所有逻辑,难维护;
解:拆分、模块化。

反模式二:无示例

零样本在生产场景常不稳;
解:关键任务加 few-shot。

反模式三:无约束输出

让模型自由输出,下游难处理;
解:强制结构化输出。

反模式四:不版本化

prompt 改了就没了,出问题无法回滚;
解:版本管理。

反模式五:不评估

凭感觉改 prompt;
解:评估驱动。

十、Prompt 工程与 Context Engineering 的关系

2026 趋势:Prompt Engineering 正在被 Context Engineering 吸收/升级。

Prompt 工程关注"如何写指令";
Context Engineering 关注"如何构建整个上下文"(指令+检索+记忆+工具+约束);
当 RAG/Agent 成熟,prompt 只是上下文的一部分,Context Engineering 成为更大的框架。

FDE 的演进:从"写好 prompt"到"构建好上下文管道"。但 prompt 工程的基本功(五要素、模式、版本、评估、安全)仍是地基。

本专题小结

认知重置:prompt 是接口 specification,不是咒语,要工程化;
五要素:角色/任务/上下文/约束/示例,逐要素可调可诊断;
CDEF-P:prompt 按 Context/Design/Engineer/Feedback 阶段分层管理;
设计模式:few-shot/CoT/ReAct/自洽/反思/结构化输出,按场景选;
版本管理:prompt 是代码,git/PromptLayer,可回滚可评审;
AB 测试:改 prompt 靠数据不靠感觉;
安全:prompt injection 是头号风险,隔离+过滤+校验+最小权限+HITL;
工具:LangSmith/PromptLayer/Promptfoo/DeepEval/RAGAS;
反模式:巨型/无示例/无约束/不版本/不评估;
趋势:Prompt Engineering 被 Context Engineering 升级吸收。

本专题来源:LangChain/LangSmith/Promptfoo 文档、OWASP LLM Top 10、EY FDE JD(prompt injection)、O'Reilly 2026、用户库《FDE Prompt工程模板库》《CDEF方法论》《fde-delivery》、本书第 6、8 章。

一、认知重置:Prompt 不是"咒语",是"接口" ​

二、Prompt 五要素 ​

三、CDEF-P 框架:Prompt 按交付阶段分层 ​

四、Prompt 设计模式(2026 主流) ​

五、Prompt 版本管理 ​

六、Prompt AB 测试 ​

七、Prompt 安全:注入防御 ​

八、Prompt 工程工具链(2026) ​

九、Prompt 工程的常见反模式 ​

十、Prompt 工程与 Context Engineering 的关系 ​

本专题小结 ​