高频面试题

什么是 Prompt Engineering 提示词工程？它的核心价值是什么？

这道题考察你是否理解 Prompt 不是“咒语”，而是 AI 应用里连接业务意图、模型能力和工程约束的接口。

适合阶段：Prompt 入门 / AI 应用开发核心能力：任务表达 · 约束设计 · 效果评估

面试官角度分析，想考什么

• Prompt Engineering 是不是就是把问题写清楚？
  考你能否从“自然语言表达”上升到“工程化控制模型行为”。
• 它的核心价值是什么？
  考你是否知道 Prompt 影响质量、成本、延迟、安全和可维护性。
• Prompt 优化和模型微调、RAG 有什么边界？
  考你能否做方案取舍，而不是所有问题都靠改提示词。
• 如何证明一个 Prompt 变好了？
  考评估意识，不能只靠主观感觉。

可直接抄走的 30 秒参考答案

Prompt Engineering 是把业务目标组织成模型能理解并稳定执行的输入，包括任务、上下文、示例、约束和输出格式。它的核心价值是降低歧义、稳定输出、控制成本和风险。真正工程化的 Prompt 不是越长越好，而是能被评估、版本化和迭代；如果问题来自知识缺失、权限校验或确定性计算，就不能只靠 Prompt，要结合 RAG、工具和程序校验。

面试回答详解，知其所以然

提示词工程的核心不是“写一句更聪明的话”，而是把模型当成概率生成系统来管理：给它明确目标、足够上下文、可验证输出和失败边界。

1. Prompt Engineering 是什么

Prompt Engineering 是围绕大模型输入设计的一组方法，包括任务定义、角色边界、上下文组织、示例选择、输出格式约束和评估迭代。

业务目标 -> Prompt 结构化表达 -> 模型生成 -> 校验评估 -> 迭代优化

它既包含写作技巧，也包含工程能力：版本管理、A/B 测试、日志分析、Schema 校验、成本控制和安全防护。

2. 核心价值

• 降低歧义：让模型少猜，明确谁来做、做什么、用什么资料、输出什么。
• 提升稳定性：用模板、示例和格式约束减少同一任务多次输出漂移。
• 连接业务规则：把合规、权限、风格、口径和降级规则放进模型可见范围。
• 降低工程成本：很多轻量任务不必先 fine-tune，用 Prompt 就能快速验证。
• 便于评估迭代：Prompt 变成可版本化、可实验、可回滚的配置资产。

3. 它不是什么

• 不是魔法词：没有通用万能 Prompt，只有针对任务和模型的设计。
• 不是替代程序校验：JSON、权限、金额、代码执行等必须由程序兜底。
• 不是替代知识供给：模型不知道私有知识或最新事实时，要用 RAG、工具或数据库。
• 不是越长越好：长 Prompt 会增加成本、延迟和噪声，还可能淹没关键指令。

4. 和 RAG、Fine-tuning 的边界

• Prompt Engineering：适合任务表达、输出风格、少量示例和约束注入。
• RAG：适合补充外部知识、私有文档和时效信息。
• Fine-tuning：适合高频、稳定、样式强一致或领域行为需要内化的任务。
• 程序逻辑：适合确定性计算、权限校验、业务规则和格式验证。

5. 生产落地要关注什么

成熟的 Prompt 工程会把 Prompt 当成产品的一部分维护：有版本、有测试集、有失败样例、有回滚机制。上线后还要监控格式错误率、拒答率、幻觉率、人工接管率、平均 token 成本和用户满意度。

面试官追问3个问题

追问一：Prompt 写得越详细越好吗？

• 考察点：是否理解成本、噪声和上下文窗口限制。
• 回答方向：详细不等于冗长。关键约束要明确，背景解释要按需加入；稳定规则适合模板化，动态资料适合检索注入。

追问二：什么时候 Prompt Engineering 不够用？

• 考察点：能否识别 Prompt 的边界。
• 回答方向：知识缺失用 RAG，固定风格高频任务可考虑 fine-tuning，格式和权限靠程序校验，实时数据靠工具调用。

追问三：怎么评估 Prompt 效果？

• 考察点：是否具备工程闭环。
• 回答方向：建立代表性测试集，定义准确率、格式合规率、幻觉率、拒答率、成本和延迟指标，对版本做对比和回归测试。

扩展知识

Prompt 的工程闭环

需求定义 + 上下文供给 + 输出约束 + 自动评估 + 线上反馈 = 可维护 Prompt

Prompt 从一次性文本变成工程资产后，才真正能支撑生产系统。

常见误区

• 把 Prompt 当成“玄学话术”，不做样例集和指标。
• 把所有规则都塞进 Prompt，忽略程序校验。
• 为了“更专业”堆角色设定，却没有清晰任务和验收标准。