提示工程在大模型日趋强大的今天显得越来越重要，最终Agent的表现的核心秘密在于提示词的设计。近日，YC在其播客栏目《Lightcone》里分享了他们从与数百大模型创业公司中学到的先进提示工程实践。
以下是本次访谈的核心内容：
一、核心原则：像管理员工一样设计提示
- 角色定义清晰化
- 开篇明确定义AI角色（如“你是一名客服经理”），用分点列举具体职责
- 示例：ParaHelp的6页提示文档首段明确任务边界
完整版本：https://parahelp.com/blog/prompt-design
- 任务拆解步骤化
- 复杂任务分解为编号步骤（如“步骤1：分析问题→步骤2：调用工具”）
- 提供高层计划框架，避免AI偏离方向
- 输出格式标准化
- 强制规定输出结构（如XML/JSON标签），便于系统集成
- 关键技巧：XML标签能显著提升模型遵循率（因训练数据含大量XML）
二、进阶技巧：元提示工程（Metaprompting）
- 提示自我进化
- 让大模型优化自身提示：输入失败案例，要求“基于此改进提示”
- 应用 提示折叠（Prompt Folding） ：动态生成场景化子提示
- 案例驱动优化
- 注入高难度示例（如N+1数据库查询漏洞）指导复杂任务
- 比抽象规则更有效，类似编程的 测试驱动开发（TDD）
- 三层提示架构
| 层级 | 作用 | 案例 | | --- | --- | --- | | 系统提示 | 公司级通用逻辑（核心IP） | ParaHelp客服审核框架 | | 开发者提示 | 客户定制逻辑（业务流差异） | Perplexity特殊需求注入 | | 用户提示 | 终端用户指令 | Replit的“生成带XX功能的网站” |
三、企业级实践：从调试到落地
- 构建“逃生舱”机制
- 强制模型在信息不足时停止猜测（例：“如无法确认，请要求补充信息”）
- YC内部方案：设置debug_info字段收集模型“投诉”，生成开发者待办清单
- 评估集（Evals）是护城河
- 真实场景测试集＞提示本身（ParaHelp公开提示但保密评估集）
- 核心能力 ：深入垂直领域（如农机保修决策），构建专属评估案例
- 模型个性适配
- Claude ：人性化强，易引导（适合客服场景）
- Llama ：需精确指令，但可控性高（适合工程场景）
- 大模型蒸馏 ：用GPT-4优化提示，部署到小模型降延迟
四、创业者必知：向前部署工程师（FDE）模式
- 创始人即首席提示工程师
-
Giger ML：靠现场调优赢得Zepeto大单
-
Happy Robot：3个月签下物流巨头7位数合同
-
亲自深入客户场景（如坐班客服中心），将观察转化为提示规则
-
成功案例 ：
- 用demo加速成交
- 首次会议→定制提示→二次会议展示→当场签约
- 差异化关键：解决行业特定5%-10%的“魔鬼细节”
行业隐喻与趋势
- “1995年的编程” ：工具链不成熟，但创新空间巨大
- “管理员工” ：需明确任务边界、提供思考框架、允许“求助”
- “制造业改善” ：一线执行者（AI）参与流程优化
关键结论：
提示工程=20%技术+80%领域知识 ，成功企业需深耕垂直场景，将用户工作流转化为提示语言。
公众号回复“进群”入群讨论。