Elements
instruction / context / input data / output indicator
如果你接触过大量 prompt engineering 相关的示例和应用，你会注意到一个 prompt 往往由一些要素组成。
prompt 可以包含以下任意要素：
- instruction：想要模型执行的特定任务或指令
- context：包含外部信息或额外的上下文信息，引导 LLM 更好地响应
- input data：用户输入的内容或问题
- output indicator：指定输出的类型或格式
为了更好地演示 prompt 要素，下面是一个简单的 prompt，旨在完成文本分类任务：
Prompt
Classify the text as neutral, negative, or positive.
Text: I think the food is okay.
Sentiment:
在上面的示例中，instruction 是“将文本分类为 neutral、negative 或 positive”。input data 是 “我觉得食物还可以” 部分，output indicator 是 “Sentiment:”。请注意，此基本示例不使用 context，但你也可以把 context 作为 prompt 的一部分提供，例如提供更多 examples，以帮助模型更好地理解任务并引导预期输出。
注意，prompt 所需的格式取决于你想要 LLM 完成的任务类型，并非所有以上要素都是必须的。
四个核心要素怎么写
Instruction（任务指令）
instruction 需要让模型一眼看懂“你要它做什么”。常见写法是动词开头：总结 / 提取 / 翻译 / 生成 / 解释 / 分类 / 排序。如果你想要“风格”或“受众”，可以直接写在指令里。
示例
用 3 条要点总结下面的内容，面向产品经理。
Context（背景信息）
context 是“模型做出正确回答所必需的信息”，包括：角色定位、业务背景、相关知识、限制条件、示例或数据来源等。上下文越贴近任务，输出越稳。若 context 过多、过杂，反而容易分散注意力。
示例
你是电商客服，语气友好但简洁。品牌主打“高性价比”和“30 天包退”。
Input Data（输入数据）
input 是你真正想处理的文本/问题/数据。建议使用清晰的分隔符（如 """、###、XML 标签）来包住输入，降低模型“误读”的概率。
示例
输入：
"""
用户评价：物流很快，但包装破损。
"""
Output Indicator（输出指示）
output indicator 决定“输出长什么样”。你可以指定格式（表格/JSON/要点），也可以指定“字段/顺序/长度/语言”。
示例
输出格式：
- 结论：
- 证据：
- 建议：
一个完整的四要素示例
### Instruction
请将用户反馈分为：物流 / 产品质量 / 服务 / 价格 四类，并给出一句总结。
### Context
你是电商运营，需要快速判断问题类型以便分发给对应团队。
### Input
"""
上周买的耳机音质不错，但有点松。客服回复很快，换货也方便。
"""
### Output
类别：<物流|产品质量|服务|价格>
总结：<一句话>
这里的 instruction 明确分类任务，context 提供业务场景，input 是评论内容，output indicator 则规定了输出字段与格式。
常见组合方式
-
instruction + input data
适合最简单的任务，例如翻译、摘要、改写。 -
instruction + context + input data
适合实际业务场景（带角色、规则、约束）。 -
instruction + context + output indicator
适合“无输入数据”的生成任务，例如写营销文案、制定计划。
输出格式控制的实用写法
当输出需要落地使用（比如自动化流程、数据分析、导入数据库），建议用更明确的格式：
JSON
输出 JSON，字段固定为：
{
"category": "string",
"summary": "string",
"confidence": 0-1
}
表格
输出一个表格：问题类型 | 影响程度 | 处理建议
要点清单
输出 3-5 条要点，每条不超过 20 字。
设计 prompt 的小建议
- 从简单开始，再逐步补齐 context 与格式约束
- 指令越具体，结果越稳定
- 用清晰分隔符隔开指令、背景、输入、输出
- 少说“不要做什么”，多说“应该做什么”
把这章的知识，直接变成实战能力
进入交互式实验室，用真实任务练 Prompt，10 分钟快速上手。