Prompt 即接口
一句话定义
在 AI 产品里，提示词（Prompt）是承载产品逻辑的核心接口——它应当像 API 一样被版本管理、变更评审、回归测试与灰度发布，而不是散落在代码里的即兴文本。
为什么重要
「改一行提示词，转化率翻倍」与「改一行提示词，全线输出崩坏」在 AI 产品里同样常见。提示词决定了模型的角色边界、输出格式与拒答策略，是产品行为真正的「源代码」；用管理代码的纪律管理提示词，是把 AI 产品从「玄学调优」拉回工程轨道的关键一步。
前置知识
kp-011 PRD（示例集是提示词迭代的需求来源）。
核心概念
- System Prompt 承载四类产品逻辑：角色与语气（品牌人格）、能力边界（只答什么、拒答什么）、输出契约（格式、字段、长度）、安全策略（红线与降级话术）。这四类内容分别来自 PRD 的能力规格、范围章、输出定义与安全章——提示词是 PRD 的机器可执行投影。
- 结构化输出（JSON Schema）作为机器接口：当输出供程序消费时，要求模型按 schema 返回并做程序校验；校验失败触发重试或降级，而不是把自由文本解析到崩溃。
- 提示词工程化的五个动作：①抽离——提示词从代码移到配置中心，支持热更新；②版本号——每次变更记录版本、作者、变更理由；③回归——每次变更必须跑 kp-021 的评测集，指标不回退才可发布；④灰度——新旧提示词按流量比例并行（见 kp-022）；⑤归档——历史版本与当时的评测结果一并留存，可随时回滚。
- 上下文组装：生产环境的完整提示词 = 系统提示词 + 检索内容（RAG）+ 用户输入 + 少样本示例，组装顺序与截断策略本身也是需要版本化的产品逻辑。
原理与机制
为什么提示词值得 API 级待遇：指令微调（RLHF 一系工作）使模型行为对提示词高度敏感——措辞、顺序、示例数量都会系统性改变输出分布。这种敏感性意味着提示词变更是「行为变更」而非「文案变更」，其风险量级等同于一次代码发布，因此必须复用软件发布的全部护栏（回归、灰度、回滚）。反过来，敏感性也是资产：提示词迭代是 AI 产品迭代周期最短、成本最低的改进手段，工程化后它成为周级甚至日级的优化引擎——这正是「Prompt 即接口」的双重含义：既是风险源，也是迭代杠杆。
公式或模型
不适用——工程方法类内容；其质量度量依赖 kp-021 的评测指标。
图示
实例或案例
某电商「商品文案生成」的提示词从 1.0 到 1.3 的演化：v1.0 自由文本散落在三处代码里，无法追溯哪次改动导致合规事故；工程化后 v1.1 增加输出 Schema（title/features/disclaimer 三字段），v1.2 在评测集上发现「极限词」违规率 4%，加入红线清单与拒答改写，v1.3 灰度中采纳率从 61% 升至 68% 后全量。全程每次变更可在十分钟内回滚——这个安全网正是团队敢于高频迭代的前提。
常见误区
- 提示词越写越长：堆叠补丁式规则会稀释重点、增加 token 成本，且互相冲突；正确做法是定期重构 + 用评测集证明每次精简不回退。
- 与 RAG 互相打架：系统提示词说「只依据检索内容作答」，示例却示范了自由发挥，模型行为随机——提示词内部要自洽。
- 把成功案例硬编码为 few-shot：示例过拟合到历史 badcase，反而降低对新分布的泛化；示例选择应随评测集演进。
直观类比
非工程化的提示词像用便利贴给新员工传口头指令，贴得越多越乱；工程化的提示词像一份带版本号的岗位手册：入职培训按手册来，改版要过评审，出了问题能翻回上一版。
自测题
- System Prompt 的四类产品逻辑分别对应 PRD 哪些章节？
要点：角色语气←背景与用户、能力边界←MVP 范围、输出契约←输出定义、安全策略←安全合规章。
- 为什么提示词变更必须跑回归评测？
要点：模型对措辞高度敏感，行为变更需验证全指标不回退；回归是把主观调优转为工程决策的枢纽。
- 程序消费输出时为什么用 JSON Schema 而非自由文本？
要点：可校验、可重试、可降级，把解析失败从运行时事故变为可控分支。
与其他知识点的关系
kp-021 评测集是提示词回归的靶场；kp-022 提供提示词灰度的流量机制；kp-015 的置信度话术往往就写在系统提示词里；kp-025 提醒每次 token 都计价——提示词长度是成本变量。
延伸阅读
- "Training language models to follow instructions with human feedback"（InstructGPT），Ouyang et al.，2022——指令遵循能力的来源，解释了提示词为何如此有效。