开发者提示工程入门：用一份清单写出可复用的高质量提示词
提示工程不是“会聊天”，而是定义可验证的接口
对开发者而言，提示工程的核心是把自然语言需求转成模型可稳定执行的任务契约。一个好提示词应当让模型知道：它要完成什么、可使用哪些信息、不能做什么、结果必须长什么样。先把提示词视为 API 请求的一部分，而不是临时输入，才能降低线上输出波动和后续维护成本。
先判断任务类型，再选择提示结构
不要为所有场景使用同一种“万能提示词”。信息抽取、代码生成、文本分类、摘要和客服回复，对上下文、示例和输出约束的要求不同。分类或抽取任务通常优先要求严格字段；复杂推理或代码修改任务则应提供目标、现有代码约束、验收条件和失败处理方式。任务越可验证，提示词越应具体。
- 信息抽取：明确输入来源、字段含义、缺失值规则，以及是否允许推测。
- 代码生成：说明语言、版本、依赖、目录范围、接口签名、测试要求和禁止改动的文件。
- 内容生成：定义读者、语气、事实边界、字数、标题层级及必须覆盖的主题。
- 代理式任务：规定可调用工具、每一步的停止条件，以及遇到权限、网络或数据不足时的处理方式。
提示词的四个必备部分
第一，目标。用可交付结果描述请求，例如“将工单归类为退款、物流或账户，并返回置信度”，不要只写“分析这段文本”。第二，上下文。提供真实业务规则、输入数据和术语定义；模型不知道你系统中的隐含规则。第三，约束。写清不允许编造、不得引用输入外事实、日期格式、语言和长度限制。第四，输出格式。要求固定字段或固定段落顺序，方便程序解析和测试。
少样本示例应服务于边界条件，而非堆砌常见案例。例如给分类模型一条含糊投诉、一条多意图请求和一条缺失信息的输入，比给三条明显样本更有价值。示例中的格式必须与期望输出完全一致，否则模型会学习到错误模式。
上线前的简单检查清单
- 任务目标是否能由人工或自动测试判定对错？
- 输入数据、业务术语和时间范围是否已明确提供？
- 是否写明模型不得猜测，并定义信息不足时的返回内容？
- 输出是否可被程序稳定解析，字段是否有默认值或枚举范围？
- 是否用正常样本、边界样本和恶意输入分别测试过？
- 是否记录模型版本、提示词版本、参数和失败样本，便于回归测试？
模型与成本：用评测结果做选择
模型选择不应只看单次回答是否“聪明”。先建立一组代表真实流量的测试集，比较准确率、格式合规率、延迟和单任务成本。高难度架构设计、复杂重构可优先评估 Claude Opus 或 GPT 系列；日常代码补全、分类、改写和批量抽取通常可先测试 Sonnet、Haiku 或其他更经济的模型。将任务按难度路由，往往比所有请求固定使用最高规格模型更省钱。
59API 提供按量付费的 Claude（Opus、Sonnet、Haiku、Fable）和 GPT 模型接入，API Base URL 为 https://api.59api.com，并兼容 Claude Code、Codex 及 OpenAI SDK。对于需要频繁 A/B 测试提示词、比较多种模型的开发团队，这种低成本、原生官方质量模型的中继方式能降低试验门槛，同时避免因模型降级影响评测结论。其推荐返利机制也适合有协作推广需求的开发者。
提示工程的最终标准不是提示词写得多华丽，而是输出是否稳定、可测试、可维护。可以先注册 59API，用同一套测试集在不同模型和提示版本之间进行小规模对比，再把表现最好的组合固化到生产配置中。