AI模型提示工程指南：2025年的最佳实践与技巧

2025年的提示工程取得了显著进展，每个AI模型——OpenAI的ChatGPT、DeepSeek、Google Gemini和GitHub Copilot——都有其独特的强项和弱点。要在这些模型中掌握提示工程，理解它们的内部架构、能力以及理想的提示方式是至关重要的。

此处省略……

🔹 2025年提示设计的背景

提示设计现在是AI工程师、全栈开发者以及软件测试人员的一项关键技能。目标是设计精准且结构化的提示，以提升AI模型的表现。这项技能在以下领域被广泛应用：

✅ AI驱动的开发（代码生成、调试、重构）

✅ 测试自动化（测试用例生成、测试数据创建）

✅ 生产力工具（摘要生成、文档处理、特定领域知识检索）

✅ 聊天机器人及虚拟助手（用户交互、个性化、动态响应）

每个AI模型因为训练数据、调整和API表现的不同，对提示的响应也会有所不同。

……

🔹 不同AI模型的提示设计

1 开放人工智能（ChatGPT 4 & 5，GPT-4-增强版）

🛠 最佳用例场景:

• 自然语言理解和生成
• 代码解释和调试
• 生成测试用例
• 聊天机器人和虚拟助理

📝 促推技巧:

✅ 链式思维（CoT）促推 → 通过分解步骤来提高推理能力。

✅ 少量样本学习法 → 在请求前提供示例以引导模型。

✅ 基于角色的促推 → 赋予AI角色（例如，“你是一名高级SDET...”）。

✅ 系统指令 → 使用“系统”消息在API调用中确保行为的一致性。

✅ 温度及Top-p控制 → 调整创意和随机性水平，以适应不同的应用场景。

📌 例如:

你是一名专注于自动化的软件测试专家。根据以下需求，生成详细测试用例，包括前提条件、步骤以及预期结果。

测试用例生成
💡 使用案例: 从产品规格中生成测试案例。

🔹 提个醒:

你是一位专精于自动化测试的软件测试专家。  
根据下面的功能描述，生成详细的测试用例，包括：  
- 标题  
- 前置条件  
- 步骤  
- 预期结果  

### 功能描述：  
用户应能够通过输入其注册的电子邮件来找回密码。系统应向该电子邮件发送重置链接，该链接在15分钟后失效。

进入全屏 播出全屏模式切换回正常模式退出全屏

这里我们预计的输出是。

    测试用例 1：验证密码重置链接是否被发送到注册邮箱

    **前提条件:**  
    - 用户已经有一个注册账户。  
    - 用户处于登录页面。  

    **步骤:**  

1. 点击“忘记密码”按钮。  

2. 输入注册的邮箱地址。  

3. 点击“提交”。  

    **预期结果:**  
    - 系统会显示成功的消息。  
    - 注册的邮箱会收到密码重置链接。  
    - 链接会在15分钟后失效。  

全屏模式 退出全屏

➡ ChatGPT非常适合处理结构化输出，例如，测试用例和编写文档.

🔹 最佳实践应用：

✔ 处理边缘情况（例如过期、重试和暴力攻击）

✔ 考虑安全风险（暴力攻击和重放攻击）

✔ 结构化格式的测试用例文档

……

2 深索（DeepSeek-VL 和 DeepSeek Coder）

🛠 最常见应用场景:

• 多模态AI（包括文本和图像处理）
• 代码生成和重构
• 解决数学问题

📝 促导技术:

✅ 零样本提示 → 即使没有提供示例，也能很好地运行。

✅ 代码优先方法 → 以鼓励直接编写代码的方式来构造提示。

✅ 任务拆分 → 让DeepSeek将复杂任务拆分成几个子任务。

📌 例子:

_> "生成一个用于从 MongoDB 获取用户数据的 NestJS 服务的单元测试。使用 Jest 并确保涵盖所有边界条件。"

代码生成
💡 应用场景: 为 MongoDB 服务生成一个 NestJS 单元测试案例。

🔹 提示如下:

你是一位有经验的后端开发人员。使用 Jest 为 NestJS 中从 MongoDB 获取用户数据的服务生成一个单元测试。
确保测试包括：
- 有效用户获取
- 不存在的用户处理
- 错误处理

切换到全屏 退出全屏

🔹 期望输出（DeepSeek 程序员）:

注意：保持英文术语 "DeepSeek 程序员" 不翻译，保留冒号。

    import { Test, TestingModule } from '@nestjs/testing';
    import { UserService } from './user.service';
    import { getModelToken } from '@nestjs/mongoose';
    import { Model } from 'mongoose';
    import { User } from './user.schema';

    describe('UserService', () => {
      let service: UserService;
      let model: Model<User>;

      beforeEach(async () => {
        const module: TestingModule = await Test.createTestingModule({
          providers: [
            UserService,
            {
              provide: getModelToken('User'),
              useValue: {
                findOne: jest.fn(),
              },
            },
          ],
        }).compile();

        service = module.get<UserService>(UserService);
        model = module.get<Model<User>>(getModelToken('User'));
      });

      it('当找到用户时，应该返回用户信息', async () => {
        const mockUser = { email: 'test@example.com', name: 'Test User' };
        jest.spyOn(model, 'findOne').mockResolvedValue(mockUser);

        const result = await service.getUserByEmail('test@example.com');
        expect(result).toEqual(mockUser);
      });

      it('当用户不存在时，应该返回 null', async () => {
        jest.spyOn(model, 'findOne').mockResolvedValue(null);

        const result = await service.getUserByEmail('notfound@example.com');
        expect(result).toBeNull();
      });
    });

切换到全屏模式，退出全屏

➡ DeepSeek Coder 生成结构化的代码，在真实的测试环境中表现良好。

---

Google Gemini 1.5 （之前叫 Bard）

工具提示：最佳用例场景:

• 数据分析及可视化
• 多模态搜索（图片+文本）
• 创意写作和研究

📝 提示技术:

✅ 混合型提示 → 将结构化指令与开放型提示结合使用。

✅ 事实核查提示 → 要求它用来源验证回答。

✅ 上下文扩展提示 → 使用包含详细背景信息的较长提示以提高准确性。

📌 例如：

_> "总结最新的人工智能驱动的测试用例生成趋势，重点是使用RAG和LLM微调的工具。比较Gemini和GPT在测试用例生成中的表现。""

AI研究与摘要

💡 示例: 简述最近的AI驱动的测试案例生成趋势。

🔹 请看以下提示：

    总结由AI驱动的测试用例生成的最新趋势，重点是：  

1. 检索增强生成（RAG）  

2. 大规模语言模型（LLM）在软件测试中的微调  

3. OpenAI的GPT-4-Turbo和Gemini在测试用例生成方面的差异  
    如有必要，请提供参考资料。  

进入全屏 退出全屏

🔹 预期的输出（Gemini 1.5）:

### 基于AI的测试用例生成趋势预测（2025）

1️⃣ **基于检索的增强生成（RAG）**  
- 现在AI模型可以从向量数据库（如MongoDB向量搜索）中获取特定领域的测试用例。  
- RAG减少了错误生成并提高了上下文感知的测试用例的质量。

2️⃣ **针对软件测试的LLM微调**  
- 公司使用其历史测试用例对模型进行微调。  
- 开源微调框架如LoRA和QLoRA使得微调过程更加高效。

3️⃣ **GPT-4-Turbo vs. Gemini**  
- GPT-4-Turbo在结构化输出方面表现更好。  
- Gemini 1.5具有更强的多模态理解能力（文本+图像）。

进入全屏 退出全屏

➡ 双子非常适合做与AI研究相关的任务。

---

GitHub Copilot（代码版GPT-4-Turbo）（代码助手）

🛠 最佳用法:

• 实时代码补全
• 代码优化及最佳实践
• 结对编程支持

📝 提示技巧:

✅ 内联注释提示 → 使用结构化注释引导代码完成。

✅ 函数签名完成 → 开始编写函数定义，让Copilot推断逻辑内容。

✅ 迭代提示 → 通过与模型的互动来优化建议。

📌 例如：

    // 创建一个处理用户 CRUD 操作的 NestJS 控制器
    // 使用依赖注入来处理用户 CRUD 操作所需的依赖

全屏模式 退出全屏

代码生成
💡 应用场景: 使用Copilot实时生成NestJS的CRUD API。

内联注释（在 VS Code 中）:

    // 创建一个 NestJS 服务来处理 'Product' 实体的 CRUD 操作（创建、读取、更新、删除）
    // 使用依赖注入来连接 MongoDB

切换到全屏或退出全屏

🔹 Copilot 完成 (预期输出):

    import { Injectable } from '@nestjs/common';
    import { InjectModel } from '@nestjs/mongoose';
    import { Model } from 'mongoose';
    import { Product, ProductDocument } from './product.schema';

    @Injectable()
    export class ProductService {
      constructor(@InjectModel(Product.name) private productModel: Model<ProductDocument>) {}

      async create(productDto: any): Promise<Product> {
        const newProduct = new this.productModel(productDto);
        return newProduct.save();
      }

      async findAll(): Promise<Product[]> {
        return this.productModel.find().exec();
      }

      async findOne(id: string): Promise<Product | null> {
        return this.productModel.findById(id).exec();
      }

      async update(id: string, productDto: any): Promise<Product | null> {
        return this.productModel.findByIdAndUpdate(id, productDto, { new: true }).exec();
      }

      async delete(id: string): Promise<void> {
        await this.productModel.findByIdAndDelete(id).exec();
      }
    }

全屏显示，退出全屏

Copilot 能很好地根据开发者的意图编写实际的生产代码。

---

🔹 2025年展望：关键要点

✅ 选择合适的模型很重要 → 根据使用场景选择合适的AI。

✅ 正确地组织提示至关重要 → 正确地组织提示以获得最大效率。

✅ 不断迭代优化提示最佳 → 根据输出不断优化提示。

✅ 领域特定的微调 → 为测试、开发或特定产品的应用场景定制提示。