01 / 提示词
先明确角色、任务与输出格式
把背景信息、需要完成的任务、约束条件和输出结构分开表达。复杂任务可以提供一个简短示例，减少模型对格式的猜测。
快速上手
四个高频问题，一次讲清
适用于大多数文本生成模型，具体参数范围仍需参照模型与推理框架说明。
02 / 采样
稳定任务从较低温度开始
摘要、抽取和结构化输出更看重一致性，创意写作则可以适当提高随机性。一次只调整一个参数，记录对比结果。
03 / 上下文
长上下文不等于信息越多越好
保留与当前问题直接相关的资料，删除重复内容，并把关键要求放在清晰位置。必要时先检索，再把少量高相关片段交给模型。
04 / 评估
用固定样例代替主观感觉
建立覆盖真实任务的小型测试集，记录正确性、格式遵从、速度与资源占用。更换模型或参数后复用同一组样例。
提示词模板
一个可复用的基本结构
清楚描述输入与输出，比堆叠修饰词更有效。
角色：你是一名技术文档编辑。 任务：根据提供的模型说明，整理一份部署前检查清单。 要求： 1. 仅使用给定信息； 2. 按硬件、软件、许可三个部分组织； 3. 每项不超过两句话； 4. 不确定的信息标记为“待确认”。 输出：使用 Markdown 列表。
常见疑问
调试模型时容易忽略的细节
同一个提示词为什么每次回答不同？
大模型生成通常包含随机采样。降低 temperature、固定随机种子（如果框架支持）并明确输出格式，可以提高可重复性，但无法保证所有运行环境完全一致。
上下文窗口越大，回答一定越好吗？
不一定。过多无关信息会分散注意力并增加推理成本。先做内容筛选与去重，通常比直接填满上下文更有效。
量化模型会损失多少效果？
效果变化取决于模型、量化方法、位宽和任务。建议在自己的测试集上比较原始版本与候选量化版本，而不是只依赖通用评测。