同一需求为何给 Qwen 写三遍
同一个需求的三遍写法,不是越写越花哨,而是按「输出形状要不要固定、手里有没有样例」选臂:格式固定走结构化,有对错样例走少样本,都不占才用零样本。
一、前提与适用
| 适用对象 | 前提 | 不适用 |
|---|---|---|
| 同一需求写了好几版提示词的人 | 明确输出要交给谁、怎么用 | 一次性闲聊(三臂都过剩) |
| 输出要进下游程序(解析、入库) | 能写出字段与容器的形状约定 | 输出只给人看的开放创作 |
| 手里有历史正确样例或对错对照 | 样例质量可人工确认 | 样例来源不可靠(会教坏模型) |
本节示例用 qwen3.7-max;示例参数 temperature=0.7、top_p=0.8 属选取默认值,不是官方推荐。三臂的判定顺序按「先结构化、再少样本、最后零样本」,理由见怎么做。
二、怎么做
三步:问自己两个问题 → 按答案选臂 → 用实测锁定。
第 1 步,问两个问题。 ①输出形状要固定吗?要进程序、要逐字段核对,就要。②手里有能当样例的输入输出对吗?有真实历史样例(尤其是对错对照)才算有。
第 2 步,按答案选臂。 下面的判定器把两问变成选择逻辑。
## EXPECT: 格式固定=结构化 无样例=零样本 有对错样例=少样本
def pick(fixed_shape, has_samples):
if has_samples:
return "少样本"
if fixed_shape:
return "结构化"
return "零样本"
print(f"格式固定={pick(True, False)} 无样例={pick(False, False)} 有对错样例={pick(False, True)}")
第 3 步,用实测锁定。 选定写法后实跑一次,核对输出形状与字段值;不达标回到第 1 步重新选臂,而不是在同一条上无限调参。三臂对应关系:零样本是一句话直说需求;结构化补上格式契约(字段、容器、边界);少样本再给样例对。同一条需求往往要过这三遍,但每遍换的是写法层级,不是措辞。
开工前先看一组反例与正例。
坏写法(零样本硬扛结构化任务):
帮我提取这条商品描述里的信息。
「信息」没有字段定义,输出是散文还是列表全凭模型心情;下游要解析时,这种输出没法接。
改写后的完整提示词(结构化臂):
你是资料整理助手。从下面的商品描述中提取三个字段,以 JSON 输出:title(商品名)、price(价格数字)、tags(标签数组,最多 3 个)。描述中没有的信息填 null。只输出 JSON,不要解释。
商品描述:{{商品描述}}
最小可跑填法:商品描述 填真实描述,例如「无线蓝牙耳机,主动降噪,续航 30 小时,官方价 499 元,支持快充,附收纳袋」。随请求参数:模型 qwen3.7-max、enable_thinking=false、temperature=0.7、top_p=0.8——字段提取关思考更稳也更省。
实测输出与判定:脚本实跑输出与首行注释一致。逐条判定:两问定三臂——形状固定且无样例走结构化;有对错样例升少样本(样例里放一条错误示范,模型学会避开);两问都不占才用零样本。实测要核的是 JSON 三字段与取值(price 应为数字 499、tags 不超过 3 个)。
怎么看这个示例:判定器是本地脚本,上面那条提示词另在 qwen3.7-max(temperature=0.7、top_p=0.8) 上实测;脚本输出不等于模型输出,两者分别核对。
模型回复(真实输出节选):
{
"title": "无线蓝牙耳机",
"price": 499,
"tags": ["主动降噪", "续航30小时", "支持快充"]
}

以上为模型真实回复的节选,实测日期 2026-11-16。
三、参数与边界
| 臂 | 适用条件 | 边界 |
|---|---|---|
| 零样本 | 开放创作、形状无关紧要 | 拿去接程序必翻车,别硬扛 |
| 结构化 | 形状固定、无可靠样例 | 契约要写全字段与缺省值(填 null) |
| 少样本 | 有真实输入输出对 | 样例教什么就学会什么,错样例会教坏 |
| 平台自动优化 | 想省手工迭代 | 期望样例(用户输入+模型输出)驱动,或一键优化——它调用模型扩展细节,消耗 token 并计费 |
| 框架模板 | 起步没头绪 | 框架给形状不给质量,要素查 2.1 |
样例不是越多越好:三到五个有代表性的对子,比二十个雷同的对子有效。
四、验收清单
| 现象 | 判断依据 | 下一步动作 |
|---|---|---|
| 零样本输出没法解析 | 形状本该固定 | 升结构化臂,补字段契约 |
| 结构化输出字段缺失 | 没写缺省值约定 | 补「没有的信息填 null」 |
| 少样本输出模仿了坏习惯 | 样例里含错误示范 | 换干净样例,或用对错对照 |
| 三臂都试了仍不稳 | 需求本身有歧义 | 回 2.3 做约束改写,再选臂 |
| 想省调优时间 | 手工迭代轮次多 | 平台自动优化可代劳,留意 token 计费 |
用这张清单前先确认一点:换臂是换「写法层级」,在同一臂里反复重写措辞不解决问题时,先怀疑选错了臂。
五、注意与相关
- 判定顺序先结构化后少样本:样例有维护成本,格式契约能解决就不上样例。
- 「写三遍」是需求演进不是重复劳动:每遍解决一层(需求 → 形状 → 样例),别把三遍写成三个同义句。
- 平台的自动优化工具(期望样例驱动或一键扩展)可以替代部分手工迭代,它调用模型、消耗 token 并计费——跑批前估一下量。
- 来源:Model Studio 提示词指南
https://help.aliyun.com/en/model-studio/prompt-engineering-guide给出自动优化工具说明;百炼 Prompt 模板页给出期望样例优化与完整 prompt 复制入口。三臂判定逻辑与验收清单是教程自己组织的方案。 - 相关:五要素消融见 Qwen 提示词五要素少哪块会怎样;约束改写见 把模糊要求换成 Qwen 能核对的约束;输出契约落地见 让 Qwen 生成脚本与测试。