语言模型是怎么工作的？
理解Prompt为什么有效，要从模型的底层原理说起。大语言模型本质上是一个下一个词预测器（next-token prediction）。给定一段文字，模型计算"接下来最可能出现的词"的概率分布，然后从这个分布中采样一个词，再继续预测下一个词……不断循环，直到生成完整输出。
Prompt就是你提供的"上文"。模型读完你的Prompt，计算出接下来最可能的续写内容，这就是模型的"回答"。所以，Prompt工程的本质是：引导模型的概率分布，让最有用的输出变成最高概率的选择。
Temperature参数的含义
Temperature控制采样时的"随机程度"：
- temperature=0：每次都选概率最高的词，输出确定性强，适合代码生成、数据提取等需要稳定输出的场景
- temperature=0.7（通常默认值）：适度随机，既有创意又不失控
- temperature=1.0+：高度随机，输出多样但可能不连贯，适合头脑风暴
为什么同一个问题不同写法差异这么大？
因为不同的Prompt激活了模型知识库中不同的"模式"。模型训练时见过无数种文章、代码、对话、教程……当你的Prompt更接近某种模式，模型就会按那种模式输出。
5组坏Prompt vs 好Prompt对比
① 信息提取
❌ 坏：帮我提取信息
✅ 好：从下面的文本中提取所有人名和对应职位，以JSON格式输出，格式为{"name": "...", "title": "..."}的数组
② 代码生成
❌ 坏：写一个登录接口
✅ 好：用Spring Boot 3 + Spring Security写一个JWT登录接口，包含参数校验、异常处理、统一返回Result<T>，不要写注释以外的解释
③ 文章总结
❌ 坏：总结一下这篇文章
✅ 好：用3句话总结这篇文章的核心观点，每句话不超过30字，用数字编号列出
④ 翻译任务
❌ 坏：翻译这段话
✅ 好：将下面的技术文档从英文翻译成中文，保持专业术语不变（如API、SDK等），风格正式，不要加任何解释
⑤ 角色设定
❌ 坏：你是一个助手，帮我分析股票
✅ 好：你是一位专注A股的量化分析师，擅长技术面分析。分析时必须给出明确的买入/持有/减仓建议和具体价位，不要模糊表达。
Prompt越精确，输出越可控。把你期望的输出格式、约束条件、背景信息都写清楚，AI才能真正"听话"。