F2. Prompt 工程 | Prompt Engineering

路径: Path 0: AI 基础先行 · 模块: F2 最后更新: 2026-03-12 难度: 入门 → 中级 预计时间: 3 小时 前置模块: F1 AI 的前世今生

flowchart LR
F1["F1 AI 的前世今生"]
F1 --> F2
F2[" F2 Prompt 工程<br/>（当前）"]:::current
F2 --> F3
F3["F3 知识库与 RAG"]
F3 --> F4
F4["F4 自动化与 Agent"]
classDef current fill:#ff9900,stroke:#333,color:#fff,font-weight:bold

本模块章节导航

1. 为什么 Prompt 重要 · 2. CRISP 框架 · 3. 六种高级技巧 · 4. 场景模板库 · 5. 常见错误与修复 · 6. 进阶：Context Engineering · 7. 学习资源

本模块你将掌握

Prompt 是你和 AI 沟通的唯一接口。同样的 AI 模型，Prompt 写得好和写得差，输出质量可以差 10 倍。

完成本模块后，你将能够：

• 用 CRISP 框架写出结构化的高质量 Prompt
• 掌握 6 种高级 Prompt 技巧（Chain-of-Thought、Few-shot 等）
• 拥有 20+ 个跨境电商场景的即用 Prompt 模板
• 知道 Prompt 的常见错误和修复方法
• 理解从 Prompt Engineering 到 Context Engineering 的演进

核心理念：Prompt Engineering 不是“写一句好的指令“，而是“设计一个完整的沟通协议“。你给 AI 的不只是一个问题，而是角色、背景、约束、格式和期望的完整定义。

1. 为什么 Prompt 重要

1.1 同一个问题，不同 Prompt 的效果对比

场景：分析竞品 Review

差的 Prompt：

帮我分析这些 Review

AI 输出： 泛泛而谈的总结，没有结构，没有可操作的建议。

好的 Prompt：

你是一个资深的 Amazon 产品经理，专注于消费电子品类。
我会给你一组竞品蓝牙耳机的 1-3 星差评（共 50 条）。

请分析这些差评，输出：
1. 排名前 5 的用户痛点（按提及频率排序）
2. 每个痛点的代表性评论原文（1-2 条）
3. 每个痛点的改进建议
4. 哪些痛点最容易通过产品设计解决

输出格式：表格
语言：中文

[在此粘贴差评内容]

AI 输出： 结构化的表格，按频率排序的痛点，每个都有原文引用和可操作的改进建议。

差距在哪里？

1.2 Prompt 的本质：减少 AI 的“猜测空间“

回忆 F1 的内容：LLM 是一个“下一个词预测器“。当你的 Prompt 模糊时，AI 有太多可能的方向，它会选择“最常见“的方向 通常是泛泛而谈。

当你的 Prompt 精确时，你把 AI 的“猜测空间“缩小到了你想要的方向。

模糊 Prompt → AI 的可能输出空间很大 → 大概率输出平庸的结果
精确 Prompt → AI 的可能输出空间很小 → 大概率输出你想要的结果

这就像你给新员工布置任务：

• “帮我做个报告” → 他不知道做什么报告、给谁看、什么格式、什么时候要
• “帮我做一份 Q1 销售分析报告，给老板看，用 PPT 格式，包含同比增长和 Top 10 产品，周五前完成” → 他知道该做什么

1.3 Prompt Engineering 的投入产出比

2. CRISP 框架：结构化 Prompt 的方法论

2.1 什么是 CRISP

CRISP 是一个帮你写出高质量 Prompt 的框架，5 个字母代表 5 个要素：

C Context（背景）：给 AI 足够的背景信息
R Role（角色）：定义 AI 应该扮演什么角色
I Instructions（指令）：明确告诉 AI 要做什么
S Specifications（规格）：定义输出的格式、长度、语言等
P Proof（验证）：要求 AI 提供证据或解释推理过程

2.2 每个要素详解

C Context（背景）

告诉 AI “你在什么情况下问这个问题”。背景越丰富，AI 的回答越精准。

背景信息清单（跨境电商）：

• 产品是什么？品类、特点、卖点
• 目标市场？US/EU/JP
• 目标客户？年龄、场景、需求
• 竞品是谁？价格带、优劣势
• 你的约束？预算、时间、资源

R Role（角色）

给 AI 一个专业角色，它会用该角色的知识和视角来回答。

为什么角色有效？ 因为 AI 的训练数据中包含了不同角色的文本。当你指定“Amazon PPC 专家“时，AI 会倾向于使用与 PPC 相关的专业术语和分析框架。

I Instructions（指令）

明确告诉 AI 要做什么。好的指令是具体的、可执行的、有优先级的。

S Specifications（规格）

定义输出的“长什么样“。

P Proof（验证）

要求 AI 解释推理过程或提供证据，减少幻觉。

验证要求示例：
- "请解释你的推理过程"
- "请标注每个建议的依据"
- "如果你不确定某个信息，请明确标注"
- "请区分'基于数据的结论'和'基于经验的推测'"

2.3 CRISP 完整示例

场景：评估一个新品类是否值得进入

【C - Context 背景】
我是一个 Amazon US 卖家，目前主营消费电子品类，
年销售额约 $500K，团队 5 人。
我在考虑进入便携式投影仪品类。
目前 Amazon US 上这个品类的头部卖家有 XGIMI、Anker Nebula、YABER。
我的启动预算约 ¥30 万。

【R - Role 角色】
你是一个有 10 年经验的跨境电商选品顾问，
精通 Amazon US 市场的消费电子品类。

【I - Instructions 指令】
请对便携式投影仪品类做一个全面的市场可行性评估，包含：
1. 市场规模和增长趋势
2. 竞争格局分析（头部卖家的优劣势）
3. 利润空间估算
4. 进入壁垒（资金、技术、认证）
5. 主要风险
6. Go/No-Go 建议

【S - Specifications 规格】
- 输出格式：每个维度用表格 + 简要分析
- 语言：中文
- 评分：每个维度 1-5 分
- 最后给出综合评分和明确的建议（进入/谨慎/放弃）

【P - Proof 验证】
- 请标注哪些信息是基于公开数据，哪些是你的推测
- 如果某个维度你不确定，请明确说明
- 请解释综合评分的计算逻辑

实际使用时不需要标注 [C][R][I][S][P]，这里只是为了教学。熟练后你会自然地把这 5 个要素融入 Prompt 中。

3. 六种高级 Prompt 技巧

3.1 Chain-of-Thought（思维链）

让 AI “一步一步思考”，而不是直接给答案。适合需要推理的复杂问题。

不用 CoT：

这个产品在 Amazon US 的利润率是多少？
采购成本 ¥80，售价 $29.99，FBA 费用 $5.50，佣金 15%

AI 可能直接给一个数字，但计算过程不透明，容易出错。

用 CoT：

请一步一步计算这个产品在 Amazon US 的利润率：
1. 先把采购成本从人民币换算成美元（汇率 7.2）
2. 计算 Amazon 佣金
3. 汇总所有成本
4. 计算利润和利润率

数据：采购成本 ¥80，售价 $29.99，FBA 费用 $5.50，佣金率 15%

为什么有效？ 强制 AI 展示中间步骤，每一步都可以验证。如果某一步算错了，你能立刻发现。

适用场景：

• 利润计算、成本分析
• 多步骤的市场评估
• 需要逻辑推理的决策问题
• 任何你需要“看到过程“的分析

3.2 Few-shot Learning（少样本学习）

给 AI 几个示例，让它学会你想要的输出格式和风格。

请按以下格式分析每个竞品的 Listing 标题策略：

示例：
标题：Anker Soundcore Life Q20 Hybrid Active Noise Cancelling Headphones
分析：
- 品牌前置（Anker Soundcore）→ 品牌认知度高，放在最前
- 核心卖点（Hybrid Active Noise Cancelling）→ 技术差异化
- 品类词（Headphones）→ 确保搜索匹配
- 策略：品牌 + 技术卖点 + 品类词

现在请用同样的格式分析以下 3 个标题：
1. [竞品A标题]
2. [竞品B标题]
3. [竞品C标题]

为什么有效？ 示例比描述更精确。与其花 100 字描述你想要什么格式，不如给一个示例。

最佳实践：

• 1-3 个示例通常就够了
• 示例要覆盖不同的情况（正面/负面、简单/复杂）
• 示例的格式就是你期望的输出格式

3.3 Role-Playing（角色扮演）

让 AI 扮演特定角色，从该角色的视角分析问题。

请分别从以下 3 个角色的视角评估这个产品：

角色 1 挑剔的消费者：
"我是一个经常在 Amazon 购物的消费者，对产品质量要求很高，
会仔细看差评。这个产品的 Listing 能说服我购买吗？"

角色 2 竞品运营经理：
"我是竞品公司的运营经理，看到这个新产品进入市场。
它对我的产品有威胁吗？我应该如何应对？"

角色 3 Amazon 品类经理：
"我是 Amazon 的品类经理，负责审核这个品类的产品。
这个 Listing 有没有违规风险？质量评分如何？"

为什么有效？ 多角色分析能帮你发现单一视角容易忽略的问题。

3.4 Structured Output（结构化输出）

明确要求 AI 用特定格式输出，便于后续处理和对比。

请用以下 JSON 格式输出分析结果：

{
"product_name": "产品名称",
"market_score": 1-5,
"competition_score": 1-5,
"profit_score": 1-5,
"risk_factors": ["风险1", "风险2"],
"recommendation": "进入/谨慎/放弃",
"reasoning": "推荐理由"
}

适用场景：

• 需要批量处理多个产品的评估
• 需要导入 Excel 或数据库的数据
• 需要在团队间标准化分析格式

3.5 Iterative Refinement（迭代优化）

不要期望一次 Prompt 就得到完美结果。把 AI 当作协作伙伴，通过多轮对话逐步优化。

第 1 轮：
"帮我写一个蓝牙耳机的 Amazon 标题"

第 2 轮：
"不错，但请加入'降噪'这个关键词，并把标题控制在 150 字符以内"

第 3 轮：
"很好。现在请生成 3 个变体，分别侧重：
A. 技术参数（降噪 dB、续航时间）
B. 使用场景（通勤、运动、办公）
C. 情感诉求（享受音乐、专注工作）"

第 4 轮：
"我选 B 方向。请进一步优化，加入'2026 新款'和'Type-C 快充'"

为什么有效？ 复杂任务很难一次描述清楚。迭代让你可以在看到 AI 输出后调整方向。

3.6 Constraint Setting（约束设定）

告诉 AI “不要做什么”，和告诉它“要做什么“一样重要。

请帮我写 Amazon Listing 的 5 个 Bullet Points。

约束条件：
- 不要使用夸张词汇（如"最好的"、"完美的"、"革命性的"）
- 不要提及竞品品牌名
- 不要使用 HTML 标签
- 每个 Bullet 不超过 200 字符
- 不要重复关键词
- 不要使用全大写字母（除品牌名外）

常用约束清单（跨境电商）：

4. 跨境电商场景 Prompt 模板库（20+）

相关阅读: A2 Listing 与内容创作 电商 Listing Prompt 模板详见 A2

4.1 选品与市场分析（5 个）

模板 1：竞品 Review 痛点提取

角色：资深 Amazon 产品经理
输入：[粘贴 50+ 条 1-3 星差评]
任务：提取排名前 5 的痛点，按频率排序
输出：表格（痛点 | 频率 | 代表性评论 | 改进建议 | 难度）

模板 2：市场可行性 5 维度评估

角色：跨境电商选品顾问
输入：产品名称、目标市场、竞品信息
任务：从市场需求/竞争/利润/供应链/合规 5 维度评分（1-5）
输出：评分表 + 综合建议（进入/谨慎/放弃）

模板 3：关键词需求聚类

角色：Amazon SEO 专家
输入：[粘贴 100+ 关键词列表]
任务：按用户购买意图聚类，识别蓝海需求
输出：聚类表（聚类名 | 关键词 | 搜索量 | 竞争度 | 产品机会）

模板 4：趋势预测

角色：电商趋势分析师
输入：品类名称 + Google Trends 数据 + BSR 数据
任务：判断品类处于上升期/平台期/衰退期
输出：趋势判断 + 依据 + 进入时机建议

模板 5：供应商对比评估

角色：采购经理
输入：3 个供应商的报价、MOQ、交期、资质
任务：多维度对比评估
输出：对比表 + 推荐排序 + 谈判策略

4.2 Listing 与内容（5 个）

模板 6：Listing 全套生成

角色：Amazon Listing 优化专家
输入：产品信息、卖点、关键词列表
任务：生成标题 + 5 Bullet Points + 描述 + Search Terms
约束：标题 ≤ 200 字符，关键词自然融入

模板 7：多语言本地化

角色：[目标语言] 本地化专家
输入：英文 Listing
任务：翻译 + 本地化适配（关键词替换、卖点顺序调整）
输出：本地化 Listing + 所有调整的说明

模板 8：A+ 内容策划

角色：Amazon A+ Content 设计师
输入：产品信息、品牌故事、竞品 A+ 截图
任务：策划 A+ 内容模块布局和文案
输出：模块顺序 + 每个模块的标题/文案/图片建议

模板 9：竞品 Listing 拆解

角色：竞品分析师
输入：3 个竞品的完整 Listing
任务：对比策略差异，找差异化机会
输出：策略对比表 + 关键词覆盖对比 + 差异化建议

模板 10：产品卖点提炼

角色：品牌营销专家
输入：产品参数、用户好评、竞品弱点
任务：提炼 3 个核心卖点 + 1 个一句话 USP
输出：卖点描述 + 支撑证据 + 适用场景

4.3 广告与营销（4 个）

相关阅读: A3 广告优化 广告分析 Prompt 模板详见 A3

模板 11：搜索词报告分析

角色：Amazon PPC 专家
输入：搜索词报告数据（过去 30 天）
任务：找出高转化词、浪费词、否定词建议
输出：TOP 10 高转化词 + TOP 10 浪费词 + 否定词列表 + 预算建议

模板 12：广告文案 A/B 变体

角色：广告文案专家
输入：产品描述、核心卖点
任务：生成 5 种风格的 Headline（功能/场景/情感/数据/问题解决）
输出：5 个 Headline + 预期效果 + 适合受众

模板 13：促销策略规划

角色：电商促销策略师
输入：产品信息、历史销售数据、促销预算
任务：制定 BFCM/Prime Day 促销方案
输出：促销日历 + 折扣策略 + 广告配合方案 + 预期 ROI

模板 14：品牌故事撰写

角色：品牌故事作家
输入：品牌背景、创始故事、核心价值观
任务：撰写 Amazon Brand Story 内容
输出：品牌故事文案（200-300 字）+ 配图建议

4.4 客服与售后（3 个）

模板 15：差评批量分析

角色：产品质量分析师
输入：最近 60 天的 1-3 星评论
任务：按类型分类、统计频率、制定改善方案
输出：分类表 + 频率占比 + 短期应对 + 长期改善 + 优先级

模板 16：客服回复模板生成

角色：Amazon 客服专家
输入：常见客户问题类型
任务：生成多语言客服回复模板
输出：每种问题 3 个回复变体（正式/友好/简洁）× 多语言

模板 17：申诉信 Plan of Action

角色：Amazon 账号申诉专家
输入：违规通知内容
任务：撰写 Plan of Action
输出：Root Cause + Immediate Actions + Preventive Measures

4.5 运营管理（4 个）

模板 18：补货决策分析

角色：库存管理专家
输入：过去 90 天销售数据、当前库存、供应商交期
任务：计算安全库存和补货建议
输出：安全库存量 + 补货时间点 + 补货数量 + 风险提示

模板 19：竞品监控周报

角色：竞品情报分析师
输入：竞品的价格/Review/BSR 变化数据
任务：分析竞品策略变化和应对建议
输出：变化摘要 + 策略分析 + 应对建议

模板 20：运营日报/周报生成

角色：运营数据分析师
输入：当日/当周的销售、广告、库存数据
任务：生成结构化的运营报告
输出：关键指标摘要 + 异常标注 + 行动建议

模板 21：多市场合规对比

角色：跨境电商合规顾问
输入：产品类型、目标市场列表
任务：生成各市场的合规要求对比
输出：合规对比表 + 认证费用估算 + 常见陷阱

5. 常见错误与修复

5.1 十大 Prompt 错误

5.2 修复实战：从差到好的 Prompt 改造

原始 Prompt（差）：

帮我看看这个产品怎么样

问题诊断：

• 没有角色
• 没有背景（什么产品？什么市场？）
• “怎么样“太模糊（从哪些维度评估？）
• 没有输出格式要求
• 没有验证要求

第一次改进：

你是一个跨境电商选品顾问。
请评估"便携式颈挂风扇"在 Amazon US 的市场前景。
从市场需求、竞争、利润 3 个维度分析。

第二次改进（加入 CRISP 完整要素）：

【角色】你是一个有 10 年经验的跨境电商选品顾问，精通 Amazon US 消费电子品类。

【背景】我是一个年销售额 $200K 的 Amazon 卖家，团队 3 人，
启动预算 ¥15 万。我在考虑进入便携式颈挂风扇品类。
目前头部竞品有 JISULIFE（BSR #1，4.3 星，12000+ Review）
和 TORRAS（BSR #3，4.4 星，8000+ Review）。

【任务】请做一个全面的市场可行性评估：
1. 市场需求（搜索趋势、季节性、增长潜力）
2. 竞争格局（头部卖家壁垒、新品进入难度）
3. 利润空间（估算成本结构和利润率）
4. 风险评估（季节性、专利、合规）
5. 综合建议（Go/No-Go + 如果 Go 的进入策略）

【格式】每个维度用表格 + 1-5 分评分 + 简要分析。
最后给出综合评分和明确建议。

【验证】请标注哪些是基于公开信息的分析，
哪些是你的推测。如果某个维度不确定，请说明。

5.3 不同模型的 Prompt 差异

Claude 专用技巧 XML 标签：

<context>
我是 Amazon US 卖家，主营消费电子。
</context>

<task>
分析以下竞品 Review 的痛点。
</task>

<format>
用表格输出，包含：痛点、频率、代表性评论、改进建议。
</format>

<reviews>
[在此粘贴 Review 内容]
</reviews>

6. 进阶：从 Prompt Engineering 到 Context Engineering

相关阅读: D6 东南亚 AI 指南 多语言 Prompt 应用详见 D6

6.1 2026 年的趋势：Context Engineering

2025 年中，Andrej Karpathy（前 OpenAI 研究员）提出了一个重要观点：LLM 就像 CPU，上下文窗口就像 RAM，而你就是操作系统，负责加载正确的信息。

这意味着 Prompt Engineering 正在演进为 Context Engineering 不只是写好一个 Prompt，而是设计整个信息输入的架构。

Content rephrased for compliance with licensing restrictions. Source: Context Engineering Guide 2026

Prompt Engineering（2023-2024）：
关注点：如何写一个好的指令
核心技能：CRISP 框架、CoT、Few-shot
适用场景：单次对话、简单任务

Context Engineering（2025-2026）：
关注点：如何设计整个信息输入架构
核心技能：信息筛选、上下文管理、工具编排
新增要素：
哪些信息放入上下文？（不是越多越好）
信息的优先级和组织方式？
如何利用工具动态获取信息？
如何管理多轮对话的上下文？
适用场景：复杂工作流、Agent、长期项目

6.2 Context Engineering 的实践

原则 1：信息分层

Layer 1 系统指令（始终存在）：
角色定义、输出规范、约束条件

Layer 2 任务上下文（按需加载）：
当前任务的背景信息、相关数据

Layer 3 参考资料（动态检索）：
通过 RAG 检索的相关文档片段

Layer 4 对话历史（自动管理）：
之前的对话内容（可能需要摘要压缩）

原则 2：上下文预算管理

每个模型的上下文窗口有限。你需要像管理广告预算一样管理上下文预算：

原则 3：输出合约

2026 年的最佳实践是把 Prompt 当作一个“合约“来设计：

输出合约 = {
格式：表格/JSON/Markdown
长度：最大 X 字
语气：专业/友好/简洁
必须包含的部分：[列表]
不确定时的行为：明确标注"不确定"
错误处理：如果输入数据不足，要求补充而非猜测
}

Content rephrased for compliance with licensing restrictions. Source: Prompt Engineering Best Practices 2026

7. 学习资源

7.1 必读资源

7.2 实践建议

9. 完成标志

• 能用 CRISP 框架写出结构化的 Prompt
• 至少使用过 3 种高级技巧（CoT、Few-shot、Role-Playing 等）
• 建立了至少 10 个个人常用的 Prompt 模板
• 能识别并修复常见的 Prompt 错误
• 理解 Context Engineering 的概念和实践原则

完成以上所有项目后，你已经掌握了和 AI 高效沟通的核心技能。接下来进入 F3 知识库与 RAG，学习如何让 AI 理解你的私有数据。