我最近正在通过 Ministry of Testing 推出的 30 天 AI 测试挑战（30 Days of AI in Testing Challenge） 学习 AI 在测试领域的应用。这个备忘单就是我与另一位挑战参与者、出色的测试人员 Joyz Ng 一起合作的成果。

我们结合了对提示词工程（Prompt Engineering）的学习、各种提示技巧以及我们自己使用 AI 大语言模型（LLMs）时的实际经验，共同总结出这份清单，帮助测试人员更好地构建高效提示词。

🧠 通用原则

• 使用简单完整的句子
• 明确地定义任务或说明
• 明确你希望得到什么，精确表达需求
• 提供提示词四要素：
  上下文（Context）+ 指令（Instruction）+ 输入/参考（Input/Reference）+ 输出指示（Output Indicator）
• 减少模糊性（避免“模糊词”）
  ✅ 示例：「给我 10 组数据」优于「给我一些数据」

• 设置你期望的 模型输出风格（温度 temperature）

• 创意型（Creative）

• 精确型（Precise）
• 平衡型（Balanced）

• 明确语气与目标读者

• 示例语气：专业、个人、幽默、创意

• 指定格式要求

• 如：项目符号、双引号、CSV、表格等

• 避免在公开模型中输入敏感或专有信息

🎯 上下文设计技巧（Context）

• 让 LLM 扮演某个角色（persona）
  例子：测试人员 / 测试主管 / 普通客户 / 开发人员 / 自动化工程师

• 提供背景信息

• 示例：引用网站、专家、社区观点（如 Context Driven Community）

• 定义你的测试领域、应用类型、被测系统

• 可通过以下方式说明：

• 图片

• 系统描述
• 产品模型
• 技术结构/模块介绍

🧾 输入与输出（Input & Output）

• 明确期望 LLM 做什么？

• 示例：

• 只生成正向测试用例？还是多样化用例？

• 功能覆盖还是数据覆盖？
• 是需要测试数据，还是测试数据生成程序？

• 提供输出格式/风格的示例

• 示例格式：代码片段、邮件模板、报告结构

• 明确数据要求

• 示例：

• 用户名：字符串（20字符）

• 年龄：整数（必须 > 18）

• 引用已有内容或链接作为灵感

• 示例：编码规范、测试记忆法、已有写作样本

• 要求“逐步解释”来提高推理质量
  ✅ 使用链式思考提示（Chain of Thought Prompting）
• 使用“少样本提示技巧（Few Shot Prompting）”提供输出示例
• 要求模型自行检查回答的正确性
  ✅ 触发“思考时间错觉（Time to Think Illusion）”以提升准确率

🤖 大语言模型（LLM）使用技巧

• 对 LLM 的输出提供反馈，优化提示词（RHLF：基于人类反馈的强化学习）
• 不要止步于第一次回答，提出跟进问题
  ✅ 不断尝试、探索、评估

• 与其他模型对比输出

• 可用模型包括：

• Google Gemini

• GitHub Copilot
• ChatGPT
• Claude 等

​​

‍

‍