高频面试题

Prompt 设计有哪些基本原则？

面试官问 Prompt，真正想听的不是技巧合集，而是你如何把“会写提示词”升级成“能维护 AI 功能”。

适合阶段：AI 应用开发 / 一面到项目面核心能力：Instruction Design · Context Boundary · Eval · Versioning

面试官角度分析，想考什么

• 一个好的 Prompt 应该包含什么？
  考你能否把 Prompt 说成任务契约，而不是“多写点要求、让模型认真一点”。

• System、User、Few-shot、RAG 上下文怎么分工？
  考机制差异：哪些内容是可信规则，哪些是用户输入，哪些是示例，哪些只是可参考证据。

• Prompt 工程边界在哪里？
  考落地取舍：Prompt 不能替代权限、校验、评估和代码逻辑；上线后要版本化、灰度、回归和监控。

可直接抄走的 30 秒参考答案

Prompt 设计的核心原则是清晰、具体、可验证。一个好的 Prompt 要说明任务目标、输入上下文、约束边界、输出格式和失败策略；需要稳定风格或复杂格式时再加 few-shot。工程上我不会把 Prompt 当一次性话术，而是把它当模型接口来管理：模板化、变量校验、版本记录、离线评估、线上 badcase 归因和灰度回滚都要配上。

面试回答详解，知其所以然

这道题的核心不是背“角色、任务、格式”几个关键词，而是理解 Prompt 是模型和业务之间的接口。接口设计得越清楚，模型越容易稳定执行；接口边界不清楚，后面再调参数也很难救。

1. 好 Prompt 先把任务契约说清楚

任务目标：要模型完成什么，不要只描述背景
输入上下文：哪些信息可用，哪些只是用户原文
约束边界：不能做什么，遇到不足怎么处理
输出格式：给人读，还是给程序解析
质量标准：什么样的回答算好，什么算失败
失败策略：缺资料、冲突、越权时如何返回

例如知识库问答不能只写“请回答用户问题”。更稳的写法会明确：只能基于给定资料回答；资料不足时说明缺少什么；关键结论要带引用；不要编造不存在的政策或链接。

Prompt 越具体，不是因为模型“听话”，而是减少了模型需要猜的空间。把“回答得专业一点”改成“按背景、原因、方案、风险四段回答”，就是把审美要求变成可执行结构。

2. 不同上下文要分层放，不要混成一坨文本

• System Prompt：长期稳定的行为规则、安全边界、输出规范。
• Developer / 内部 Prompt：产品策略、工具说明、业务流程和不可暴露的中间规则。
• User Prompt：当前用户需求，属于不可信输入，需要保留原始边界。
• Few-shot 示例：给模型看输入输出范式，适合复杂格式、分类边界、语气模仿和历史 badcase。
• RAG 上下文：给模型参考的外部证据，不应该和系统规则混在一起。
• 工具结果：外部系统返回的事实，应标清来源、时间、状态和失败类型。

不要把用户输入直接拼进系统规则里，否则容易被 prompt injection 干扰。也不要把 RAG 文档当系统指令，因为文档里可能包含恶意或无关内容。

Few-shot 也不是越多越好。示例会占 token，可能让模型过拟合示例格式，甚至把示例里的偶然细节学进去。生产里要用评估集验证“加示例”是否真的提升稳定性。

3. Prompt 要工程化，不能只靠感觉调

成熟项目会把 Prompt 当配置和代码管理：

• 模板化：变量有类型、默认值、长度限制和转义规则。
• 版本化：记录 prompt 版本、模型版本、参数和上线时间。
• 评估集回归：用正常样本、边界样本、历史 badcase 一起测试。
• 灰度发布：小流量观察格式错误率、拒答率、人工修正率和用户反馈。
• 线上归因：结合 trace 判断问题来自 prompt、模型、检索、工具还是输入质量。

这里最容易答错的是把 Prompt 当万能修复手段。权限控制、结构化校验、敏感信息脱敏、工具执行审批、数据库约束，都不能只靠 Prompt 保证。Prompt 负责表达意图和边界，强约束仍然要落到代码和系统设计里。

一句话总结：Prompt 是软约束，工程系统要提供硬边界。

面试官追问3个问题

追问一：Prompt 越长越安全吗？

• 考察点：上下文噪声和位置偏置。
• 回答方向：不一定。长 Prompt 会增加成本和延迟，也可能让关键规则被噪声淹没。更好的做法是分层组织：稳定规则放 system，动态证据放上下文，输出要求尽量结构化；再用评估集验证关键规则是否真的被遵守。

追问二：Few-shot 示例怎么选？

• 考察点：样本意识。
• 回答方向：优先选覆盖边界的代表样本，不只选正常样本。示例要短、格式一致、标签清楚，最好覆盖容易混淆的类别和历史 badcase。上线后要评估示例是否提升格式稳定性或准确率，避免示例过多带来 token 成本和上下文污染。

追问三：Prompt 改动如何上线？

• 考察点：工程化流程。
• 回答方向：先给 Prompt 版本号，记录变更原因和影响范围；用离线评估集回归正常样本、边界样本和 badcase；再小流量灰度，监控格式错误率、拒答率、人工修正率、成本和延迟。出现质量回退时能快速回滚到旧 prompt 和旧模型组合。

扩展知识

Prompt 的输入边界

可信指令：系统规则、业务规则、工具契约
不可信内容：用户输入、网页、文档、检索结果

把这两类内容混在一起，是 prompt injection 的常见入口。

Prompt 原则的官方口径

OpenAI Prompt Engineering强调写清指令、拆分复杂任务、给模型时间推理，并用外部工具和系统性测试补足模型能力；Anthropic Prompt Engineering也强调清晰上下文、示例、结构化输出和迭代评估。面试回答可以吸收这些原则，但不要讲成“提示词魔法”，要落到版本、评估、灰度和安全边界。