背景介绍：为什么提示词工程成了刚需
第一次把大模型接进业务，我满脑子都是“它那么聪明，应该能猜到我想要什么”。结果 AI 回我一句“抱歉，我无法理解您的需求”。那一刻我才意识到：模型再强，也读不了空气。提示词（Prompt）就是开发者与模型之间的“翻译官”，而 Cherry.Studio 把翻译官的活儿做成了可视化积木：左侧写提示、右侧看回包，中间还能一键调温度、最大 token、惩罚系数，随改随测，十分钟就能跑完线下→A /B→上线的闭环。对新手来说，它把“玄学”变成了“实验科学”。
核心概念：先弄懂这三板斧
- 提示词（Prompt）
发给模型的自然语言指令，可以带变量占位，例如{{user_question}}。 - 上下文窗口（Context Window）
模型一次能“看”到的最大 token 数，GPT-3.5 是 4 k，GPT-4 8 k/32 k 不等。提示+回答+历史对话统统算在内，超长会被截断。 - 温度参数（Temperature）
0 接近确定，1 越随机。分类/抽取任务常用 0.1～0.3，创意写作 0.8～1.2。
在 Cherry.Studio 里，这三个值被做成滑杆，鼠标一拖就能改，回车立刻出结果，比本地跑脚本省掉重启内核的麻烦。
设计原则：写提示词像写“产品需求文档”
- 角色先行
告诉模型“你是谁”，例如“你是一名资深 Python 代码审查员”。 - 任务拆解
把复杂目标拆成步骤，用编号或 Markdown 列表，模型会按顺序执行。 - 输入输出格式提前约定
直接给出“返回 JSON，字段含义如下”，比事后正则抓数据稳得多。 - 一次只改一个变量
A/B 测试时固定其他参数，只改提示，方便归因。 - 留“安全垫”
给上下文窗口留 10% 余量，防止用户输入暴走导致回答被截断。
实战示例：三个场景跑一遍
下面示例均可在 Cherry.Studio 新建 Prompt 模板后整段粘贴，把变量包进{{}}就能复现。
情感分类（温度 0.2，最大 token 60）
你是一名客服质检员，请判断以下用户留言的情感倾向，仅输出一个词：positive、negative 或 neutral。 留言：{{sentence}} 答案：说明：零样本就能用，温度低保证结果稳定，适合线上实时质检。
结构化数据抽取（温度 0.1，最大 token 200）
从下方订单留言中提取收货人、电话、地址，按 JSON 返回，不含多余解释。 留言：{{order_note}}说明：提前定义 JSON 键，模型不会脑补多余字段，方便下游反序列化。
代码注释生成（温度 0.3，最大 token 400）
你是一名资深 Python 工程师，为以下代码逐行添加中文注释，并给出函数说明。 ```python {{code_code}}说明：把代码块包在三重反引号里，模型能识别语言类型，高亮关键字。
常见问题：踩坑合集
- 回答太长，token 爆表
解决：在提示末尾加“回答不超过 80 字”或把最大 token 直接拉低。 - 输出带多余引导词
解决：用“仅输出结果，不要解释”这种否定句，比“请简短”更管用。 - 变量为空时提示词断句
解决：在 Cherry.Studio 的“变量默认值”里填占位符，如“暂无”，防止句子突然断裂。 - 中文结果里混英文标点
解决：示例里全用中文标点，模型会跟着学。 - 同一提示多次运行结果不一致
解决：先把温度调到 0，再逐步上调找“创意/稳定”平衡点。
进阶建议：让提示词可衡量、可迭代
- 建立“黄金测试集”
把 100 条真实用户输入和期望输出存成 CSV，每次改提示都跑一遍，用脚本统计准确率/ Rouge 分数。 - 用 Cherry.Studio 的“批量运行”
一次性导入 CSV，自动填变量，回包写回文件，五分钟拿到 A/B 两份指标。 - 引入链式提示
复杂任务拆成两步：①抽取 ②改写，两步之间用变量传递，比一口气说完更稳。 - 监控线上日志
把用户真实输入+模型回答落库，每周抽样 200 条人工标注，持续反哺提示。 - 版本管理
提示词当代码处理，Git 保存.prompt文件，Cherry.Studio 支持 URL 拉取，回滚只需点一下。
写在最后
把提示词当“产品需求”写，把 Cherry.Studio 当“IDE”用，基本就能避开 80% 的坑。剩下的 20% 靠数据、靠迭代、靠把温度滑杆当方向盘。别急着一次写完美，先跑起来，再让真实用户教你怎么改——这句话我踩了三个月坑才真懂。祝你少掉头发，早早上线。
