前端必备的知识宝典

外观

Prompt Engineering（提示词工程） ​

概念 ​

Prompt Engineering 是设计和优化与 LLM 交互的输入文本，以引导模型生成期望输出的技术。它是目前不需要模型训练/微调即可影响模型行为的最重要手段。

对前端开发者而言，Prompt Engineering 是构建 AI 功能的核心技能——你写出的 prompt 质量直接决定了用户体验的 AI 功能效果。

核心原则 ​

清晰明确 ​

  • 说清楚你想要什么，而不是"做得更好"
  • 指定输出格式（JSON、Markdown、纯文本）

提供上下文 ​

  • 给模型设定角色（"你是一位资深前端面试官..."）
  • 提供背景信息、示例数据

分步引导 ​

  • 复杂任务拆分为子步骤
  • 明确每一步的输入和期望输出

关键技巧 ​

Zero-shot Prompting ​

不给示例，直接提问：

"用 JavaScript 实现一个节流函数"

Few-shot Prompting ​

给几个输入-输出示例，模型学习模式后完成新任务：

"英文单词：dog → 中文：狗
英文单词：cat → 中文：猫
英文单词：bird →"

Chain-of-Thought（CoT / 思维链） ​

要求模型逐步推理而不是直接给答案：

"问题：小明有 5 个苹果，吃了 2 个，又买了 3 个，现在有几个？
让我们一步步思考：
1. 小明最初有 5 个苹果
2. 吃了 2 个，剩下 5-2=3 个
3. 又买了 3 个，现在有 3+3=6 个
答案：6 个"

关键：只需在 prompt 中添加"Let's think step by step"即可激活 CoT 能力。

System Prompt（系统提示） ​

在对话开始前设置全局指令，定义模型的角色、行为边界和输出风格：

"你是一位精通 TypeScript 的前端工程师。回答问题时：
- 代码示例使用 TypeScript
- 解释要简洁专业
- 不确定的地方要明确标注"

Role Prompting ​

给模型一个具体的"人设"：

"你现在是一位有 10 年经验的 Vue.js 架构师，请评估这段代码..."

Structured Output ​

要求模型输出特定格式：

"请以 JSON 格式输出，包含以下字段：question, answer, difficulty"

常见 Prompt 模式 ​

模式描述示例
指令式直接给任务"翻译成英文"
角色式赋予人设"作为资深律师..."
示例式Few-shot给 3 个例子后提问
格式约束指定输出格式"以 JSON 格式返回"
思维链要求推理过程"一步步思考"
自我批评要求自查"检查你的回答是否有错误"

面试常问 ​

  • 什么是 Prompt Engineering？为什么它比微调更常用？
  • Zero-shot 和 Few-shot 的区别？各举一个使用场景。
  • 你做过哪些 Prompt Engineering 的实践？效果如何？

参考 ​