与AI对话

提示词Prompt介绍

对于普通人：提示词是和 AI 沟通的桥梁，提示词的好坏决定了返回的结果是否准确。
对于开发者：提示工程是一种相对较新的学科，专门用于开发和优化提示，以高效地使用语言模型（LM）来处理各种应用和研究主题。

提示词的原则与技巧

原则	原因
写清楚需求	GPT 模型无法读懂您的想法，因此在提供需求时尽可能具体是很重要的。这包括在您的查询中包含详细信息，要求模型采用角色，以及使用定界符清楚地指示输入的不同部分。
提供参考文本	如果可以，请提供与您希望模型生成的内容相似的参考文本。这将有助于模型了解您要查找的内容并生成更准确的结果。
将复杂的任务拆分为更简单的子任务	如果您试图让模型做一些复杂的事情，将任务分解为更小、更易于管理的子任务会很有帮助。这将使模型更容易理解您的要求并生成更准确的结果。
角色扮演	这个技巧的作用是告诉ChatGPT在对话中扮演一个特定的角色或人物。这对于创造更有吸引力和沉浸感的对话，或模拟真实世界的场景特别有用。
系统地测试变化	对需求或参考文本进行更改时，重要的是系统地测试结果以了解它们如何影响模型的输出。这将帮助您确定对改进结果最有效的更改。

写清楚需求

编写有效的ChatGPT的难点之一是表达含糊不清。为了避免这个问题，有以下几个问题需要注意：

定义任何专业术语或技术术语。
避免使用模棱两可的语言。
使用清晰或简明的语言

错误案例：”你是我的哈基米吗？”

哈基米属于网络用语，而且诞生在2023年，ChatGPT是无法理解这个词的语意的。
好的案例：”请帮我提供在深圳市宝安区所有的咖啡馆”

简明扼要说清楚自己的需求，无需多言，ChatGPT便很好理解了。

提供参考文本

对于文本比较短的引用，可以直接贴到提问里面即可：如果你有一段法律条款，并希望模型使用这段条款来解释某个概念，例如，我给ChatGPT一段代码，分析代码的Bug
网页链接的引用：也可以直接将网页链接里面的内容提供给 GPT 来作为引用文本。比如可以直接给它一个链接地址，让它总结文章内的内容。（注意这个功能需要使用web插件）

拆解复杂任务

作为一个厨师，在做饭的时候需要完成这些步骤：准备食材、清理食材、处理食材、开始烹饪、摆盘。

在这个过程中，其实厨师就是把一个复杂的任务，拆解成了多个简单的任务。其实在编程的过程中，也是同样的道理。也会把一个复杂需求，拆解为N个简单的子需求。

如果需要ChatGPT帮助我们完成一个复杂的任务，那么，我们需要预先帮它把任务拆分。这样做的优点是：

更好理解每一个操作步骤。
不被上下文限制影响。
方便调整。

例如，我们提出了一个如下的复杂任务：

提示词：作为一个测试工程师，我即将进行述职答辩，我想编写一个述职报告，述职报告需要包含我今年的成绩、我明年的目标、以及我在今年的工作过程中碰到的问题

ChatGPT 虽然给到了相应的回复，但是还有问题：

工作成绩没有清晰的数据也没有说服力，看着比较干瘪。报告内容没有图表。
内容太过简单空洞。
格式不够优雅。

如果我们把提问的方式做进一步优化，把这个复杂问题一步步进行拆解，并给ChatGPT一定的修改反馈，则产生的内容会更加符合我们的需求，比如我们可以把问题分解为：

提示词：作为一个测试工程师，我即将进行述职答辩，我想编写一个述职报告。述职报告需要包含我今年的成绩，我今年带领测试团队将bug的逃逸率降低了10%的比例。并且我希望有一个通过echarts绘制的折线图。请将我的述职报告做进一步优化。
提示词： echarts 折线图没有展示出来

借助外部工具

作为一个大语言生成模型，GPT4 并不擅长各种数学计算。比如下面的问题(来自官方 GPT 最佳指南中的示例问题)：

提示词：查找以下多项式的所有实值根：3x^5 - 5x^4 - 3x^3 - 7x - 10

如果直接提问的话，通常没法直接给出答案，如下图所示，虽然借助Python，给出了运算过程，但是其实ChatGPT无法像人类数学家一样，给出直接的推导过程：

所以可以将提示词改为：

提示词：查找以下多项式的所有实值根：3x^5 - 5x^4 - 3x^3 - 7x - 10 ，使用Python 实现

角色扮演

角色扮演的过程就更为简单了，我们在编写提示词的时候，只需要给它加上一些角色的设定。

ChatGPT甚至可以扮演领导，面试官，浏览器的console插件等各种各样我们可以想象到的角色：

提示词：我希望你作为一个 javascript 控制台。我将输入命令，你回复javascript 控制台应显示的内容。我希望您只在一个唯一的代码块内回复终端输出，而不是其他任何内容。不要写解释。我的第一个命令是 console.log(“Hello World”);

系统的测试变化

正如人在回复信息的时候，也无法保证所有的回复都是正确的，ChatGPT 也无法保证每次给到的信息都是“靠谱的”或者是满足需求的。

所以ChatGPT的每一次回复，在确认没有问题之后，再使用。如果有问题的话，可以进一步进行提问，ChatGPT会根据提示词不停的纠正回复。以达到一个满意的效果。

比如这个示例：

提示词：请问 App 的产品在测试的过程中需要注意什么
提示词：请针对兼容性测试再做一些补充

通过不停的测试以及纠正 ChatGPT 的回复，即可最终获得一个满意的回复。

提示词相关概念

通过上面内容对大模型如何进行对话介绍，下面内容则是详细介绍提示词相关具体内容

什么是提示词（Prompt）？

概念说明：

提示词是用户与大模型交互的输入指令，用于告诉模型你希望它完成什么任务。
它既可以是一句话，也可以是一段上下文或示例。

举例：

请撰写一份关于用户注册功能的测试用例。

什么是 Token？

概念说明：

模型处理的最小单位，通常是词的一部分、一个单词，甚至一个符号*。

举例：

“Deepseek 是厉害的。” → 分词可能为： ["Deepseek", " 是", " 厉", "害", "的", "。"]

上下文窗口（Context Window）

1	128K 的上下文==128000 个 token

概念说明：

指模型每次处理输入 + 输出的最大 token 数量。
超出后旧内容将被“遗忘”

注意点💡

长 prompt ≠ 好效果，要“信息密度高且结构清晰”。
内容越多，token 消耗越多 → 成本 ↑、速度 ↓。

常见大模型的上下文最大Token记忆数量：

GPT4 —-> 128K
DeepSeekV3 —->128K

Prompt 与响应的关系

基本流程：

用户发出 Prompt
模型理解并生成响应
模型根据上下文和历史对话生成“合理推测”

模型生成原理：

本质是下一个最可能的 token 预测。
模型没有“理解”，而是基于概率选择“合适的词”。

Prompt 与输出质量的关系：

Prompt 不清晰 → 响应不确定甚至出现“幻觉”
Prompt 精准 → 响应更专业、格式更一致

什么是提示词工程？

概念说明：

提示词工程是指系统性地设计、优化与测试提示词的技术和方法，以引导大语言模型产生预期、高质量、可控的输出。

作用：

增强模型可靠性与一致性
控制模型输出格式与风格
降低“胡编乱造”（幻觉）的风险

提示词角色设定

role 的类型及语义说明

角色（role）	说明	示例场景
system	系统设定。用来告诉模型它的角色、行为风格、语境范围等。	设定模型是“测试专家”、“英语老师”、“客服机器人”等
user	用户输入。代表人类给模型提的问题或指令。	提问、请求、任务说明
assistant	模型回复。由大语言模型根据前文生成的回答。	模型生成输出，如回答问题、给建议
tool（可选）	工具调用（部分模型支持）。用于中间调用工具函数或API时的中间交互。	使用函数调用插件、调用代码执行器等

在多数常见应用中，仅需关注前三种角色：system、user 和 assistant。

基础角色设定

给模型“扮演”某个角色，设定行为风格与语言风格

特点：

模拟身份让输出更真实、更符合特定语境
非常适合教育、技术、客服等行业场景

示例1：标准问答流程

1
2
3

messages = [
    {"role": "user", "content": "请用通俗易懂的方式讲解“时态”概念？"}
]

示例2：英语教学风格

messages = [
    {
    'role': 'user', 
    'content': '你是一个专业的英语老师，请用通俗易懂的方式讲解“时态”概念。'
    }
]

示例3：测试主管角色扮演

messages = [
    {'role': 'user', 
    'content': '你是一个经验丰富的软件测试主管，请评审以下测试用例是否合理，并提出优化建议：\n用例：用户注册时输入无效邮箱应提示错误信息。'}
]

使用system设定角色

示例1：设定身份与风格（使用 system）

messages = [
    {"role": "system", "content": "你是一名严谨且有经验的软件测试工程师，回答需清晰、专业、有条理。"},
    {"role": "user", "content": "请列出注册功能的边界测试用例。"}
]

示例2：错误场景分析

messages = [
    {"role": "system", "content": "你是一个擅长分析测试日志的QA专家，能快速定位问题根源。"},
    {"role": "user", "content": "测试报告显示登录接口返回500错误，可能是什么原因？"}
]

示例3：技术方案咨询

messages = [
    {"role": "system", "content": "你是自动化测试工具专家，熟悉主流测试框架。"},
    {"role": "user", "content": "如何用Pytest对API响应做Schema验证？"}
]

对比

角色设定的位置不同：system消息用于长期角色设定，而user消息中的角色指示是即时的
结构规范性：按照官方的最佳实践，角色和风格应该放在system消息中，这样更清晰和持久。
效率：使用system消息可以避免重复指定角色，提高对话效率。
清晰度：system消息明确区分角色设定和具体请求，而user中的角色指示可能混合了指令和角色设定，不够清晰

提示词优化的技巧

技巧1：明确指令

模型更擅长处理任务明确的请求。
含糊的描述容易导致输出不符合预期。

示例一：写接口测试代码

1 2	# 模糊提示： messages = [{"role": "user", "content": "帮我写个接口测试代码"}]

# 明确提示：
messages = [{
"role": "user", 
"content": "请使用 Python 和 requests 编写一个 POST 接口的测试脚本，接口地址为 https://api.mstest.vip/login，参数包括 username 和 password，校验响应中 code 是否为 200。"
}]

技巧2：控制风格与格式

通过提示控制模型以 Markdown、表格、列表、JSON 等格式输出。
用于生成日报、Bug列表、测试报告、接口说明等结构化内容。

示例一：Markdown报告

messages = [
    {"role": "user", 
     "content": "请用Markdown生成用户中心测试报告，必须包含：\n## 模块名称\n## 测试范围\n## 通过率\n## 关键缺陷\n## 剩余风险"}
]

示例二：表格用例

messages = [
    {"role": "user",
     "content": "请用表格展示5条注册测试用例，列名包括：\n| 用例ID | 测试点 | 测试数据 | 预期结果 |"}
]

示例三：JSON接口用例

1
2
3

messages = [
    {"role": "user", "content": "请生成JSON格式的'修改密码'接口测试用例，字段包含：\ntest_case_id, description, request_data, expected_response"}
]

技巧3：加入约束，减少幻觉

模型在生成实时性内容时可能产生“幻觉”（虚假或伪造内容）。
限定“来源、时间、事实标准”等可以有效降低这种风险。

示例一：对比Selenium版本新特性

# 宽泛提示
messages = [{"role": "user", "content": "请介绍 Selenium 的最新变化"}]

# 高约束提示
messages = [{"role": "user", "content": "请根据 Selenium 4.20 官方文档，总结 Python 中相较 Selenium 3 的五个主要变化，并附对应代码示例。"}]

示例二：生成测试用例

# 宽泛提示
messages = [{"role": "user", "content": "请为用户注册功能设计5条测试用例"}]
# 高约束提示
messages = [
    {"role": "user", 
     "content": "请为用户注册功能设计 5 条测试用例，要求：\n- 包含有效与无效邮箱输入\n- 密码边界值测试（6~20位）\n- 每条用例需包含：用例名称、前置条件、输入、预期输出\n- 输出为纯文本描述，不包含自动化脚本"}
]

示例三：生成Bug报告

messages = [
    {"role": "user", 
     "content": "请撰写一份缺陷报告模版"}
]

messages = [
    {"role": "user", 
     "content": "请撰写一份缺陷报告模版，要求：\n- 模块：登录页\n- 问题描述：输入错误密码后无提示信息\n- 必须包含字段：缺陷标题、环境、重现步骤、实际结果、预期结果\n- 使用中性客观语言"}
]

技巧4：少量样本提示

通过示例“教”模型学会相应的分类或转换任务。
非常适合缺陷分类、日志解析、测试案例格式转换等。

示例一：测试步骤转换

messages = [
    {"role": "user", "content": """
将自然语言测试步骤转换为结构化步骤：
---
示例1：
输入：用户输入错误的密码点击登录
输出：
1. 在密码输入框输入错误密码
2. 点击登录按钮

示例2：
输入：选择商品加入购物车并结算
输出：
1. 在商品页点击「加入购物车」
2. 进入购物车页面
3. 点击「结算」按钮
---
请转换以下步骤：
输入：上传JPG文件后检查预览图显示
输出：
"""}
]

示例二：自动化测试故障分析

instruction = """
作为资深测试开发工程师，请分析自动化测试失败日志：
1. 失败类型分类：
   - 定位问题（元素/XPath失效）
   - 环境问题（服务/网络异常）
   - 脚本缺陷（逻辑/断言错误）
2. 标记可疑代码位置（文件+行号）
3. 给出修复方案（含代码示例）
"""

examples = """
输入：
[ERROR] ElementNotVisibleException: 
Failed to locate element #submit-btn
at line 42 of login_test.py

输出：
失败类型：定位问题（元素ID变更）
可疑位置：login_test.py第42行
修复方案：
原代码：driver.find_element(By.ID, "submit-btn")
改为：WebDriverWait(driver,10).until(
    EC.presence_of_element_located((By.CSS_SELECTOR, "[data-testid=submit]"))
)
"""

input_text = '[FAIL] AssertionError: Expected 200, got 404 at api_healthcheck.py:17'

prompt = f"""
{instruction}

{examples}

输入：
{input_text}

输出：
"""

技巧5：链式思维

示例一：基础算术（分步推理）

messages = [
    {"role": "user", "content": """
请逐步解决以下数学问题，并展示推理过程：
问题：如果3个人5天能挖15米水沟，6个人10天能挖多少米？

分步思考：
1. 计算单人单天效率：15米 ÷ 3人 ÷ 5天 = 1米/人天
2. 计算6人10天总效率：1米/人天 × 6人 × 10天 = ?
3. 最终结果：
"""}
]

示例二：测试点分析

messages = [
    {"role": "user", "content": """请逐步分析登录功能的测试点，
    按以下逻辑展开：
    1. 识别输入字段（用户名/密码）
    2. 列出每个字段的合法/非法输入情况
    3. 分析页面交互流程（按钮状态、错误提示等）
    最终输出结构化测试点列表"""}
]

提示词指令模板

作用：通过结构化模板控制模型输出，实现高效可复现的任务处理

特点：

✅ 直接高效 - 减少模糊指令导致的无效输出
✅ 可复现性强 - 固定模板确保结果一致性
✅ 动态适配 - 支持变量插值灵活填充内容

模板结构

字段名	作用	示例
`{instruction}`	定义任务目标和输出格式要求	“生成法语翻译，保留专业术语”
`{examples}`	提供输入-输出样本（可选）	“输入：Hello → 输出：Bonjour”
`{input_text}`	用户实际需要处理的内容	“How are you?”
`{output}`	模型生成结果的占位符	（留空由模型填充）

使用案例

自动化测试故障分析

instruction = """
作为资深测试开发工程师，请分析自动化测试失败日志：
1. 失败类型分类：
   - 定位问题（元素/XPath失效）
   - 环境问题（服务/网络异常）
   - 脚本缺陷（逻辑/断言错误）
2. 标记可疑代码位置（文件+行号）
3. 给出修复方案（含代码示例）
"""

examples = """
输入：
[ERROR] ElementNotVisibleException: 
Failed to locate element #submit-btn
at line 42 of login_test.py

输出：
失败类型：定位问题（元素ID变更）
可疑位置：login_test.py第42行
修复方案：
原代码：driver.find_element(By.ID, "submit-btn")
改为：WebDriverWait(driver,10).until(
    EC.presence_of_element_located((By.CSS_SELECTOR, "[data-testid=submit]"))
)
"""

input_text = '[FAIL] AssertionError: Expected 200, got 404 at api_healthcheck.py:17'

prompt = f"""
{instruction}

{examples}

测试日志：
{input_text}

分析报告：
"""

Jean's Blog

AI大模型提示词工程

与AI对话

提示词Prompt介绍

提示词的原则与技巧

写清楚需求

提供参考文本

拆解复杂任务

借助外部工具

角色扮演

系统的测试变化

提示词相关概念

什么是提示词（Prompt）？

什么是 Token？

上下文窗口（Context Window）

Prompt 与响应的关系

什么是提示词工程？

提示词角色设定

role 的类型及语义说明

基础角色设定

使用system设定角色

提示词优化的技巧

技巧1：明确指令

技巧2：控制风格与格式

技巧3：加入约束，减少幻觉

技巧4：少量样本提示

技巧5：链式思维

提示词指令模板

模板结构

使用案例