元提示 (Meta-Prompting)：让 AI 写 Prompt

什么是 Meta-Prompting

我们花了很多时间学习如何写好 Prompt。但有没有想过：能不能让 AI 帮我们写 Prompt？

这就是 Meta-Prompting——用 Prompt 来生成 Prompt。听起来有点套娃，但它确实是提示工程中最强大的技巧之一。

核心思路：

你的需求 → [Meta-Prompt] → 生成的 Prompt → [AI] → 最终结果

就像编译器可以编译自己（自举），Prompt 也可以生成自己。

---

为什么要用 Meta-Prompting

手写 Prompt 的痛点

1. 耗时：反复调试一个 Prompt 可能花几个小时
2. 经验依赖：好的 Prompt 需要大量经验积累
3. 场景迁移难：一个场景的 Prompt 很难直接用到另一个场景
4. 优化瓶颈：人类很难系统性地优化 Prompt

Meta-Prompting 的优势

1. 快速生成：几秒钟生成一个高质量 Prompt
2. 系统化：AI 会考虑到你可能遗漏的细节
3. 可迭代：基于反馈自动优化
4. 可复制：同一个 Meta-Prompt 可以生成不同场景的 Prompt

---

基础 Meta-Prompt 模板

模板一：通用 Prompt 生成器

你是一个 Prompt 工程专家。请根据用户的需求，生成一个高质量的 Prompt。

用户需求：[需求描述]

生成的 Prompt 应该包含：
1. 明确的角色定义
2. 清晰的任务描述
3. 输入格式说明
4. 输出格式要求
5. 约束条件
6. 1-2 个示例（如果有助于理解）

请直接输出生成的 Prompt，不要解释。

实际使用

用户需求：我需要一个 Prompt，让 AI 帮我把用户的 Bug 报告转化为结构化的 Jira ticket。

生成的 Prompt：
---
你是一个经验丰富的 QA 工程师。请将用户提交的 Bug 报告转化为结构化的 Jira ticket。

输入：用户的 Bug 描述（可能是非结构化的文字）

输出格式：
## 标题
[简洁的 Bug 标题，不超过 80 字符]

## 优先级
[P0/P1/P2/P3]

## 环境
- 操作系统：
- 浏览器：
- 版本：

## 复现步骤
1. ...
2. ...
3. ...

## 期望行为
[描述]

## 实际行为
[描述]

## 影响范围
[描述受影响的用户群体和功能]

规则：
- 如果 Bug 描述中缺少某些信息，用 [待补充] 标记
- 优先级判断标准：P0=系统不可用，P1=核心功能受损，P2=非核心功能问题，P3=体验优化
- 复现步骤要具体到可以直接执行
---

看到了吗？AI 生成的 Prompt 比大多数人手写的更完整、更结构化。

---

进阶：Prompt 优化循环

Meta-Prompting 最强大的用法是自动优化循环：生成 Prompt → 测试 → 分析结果 → 改进 Prompt → 再测试。

优化循环实现

import anthropic
import json

client = anthropic.Anthropic()

def optimize_prompt(
    task_description: str,
    test_cases: list[dict],
    initial_prompt: str = None,
    iterations: int = 3
) -> str:
    """自动优化 Prompt"""

    # 如果没有初始 Prompt，先生成一个
    if not initial_prompt:
        initial_prompt = generate_initial_prompt(task_description)

    current_prompt = initial_prompt

    for i in range(iterations):
        print(f"\n=== 迭代 {i+1} ===")

        # 1. 用当前 Prompt 跑测试用例
        results = run_test_cases(current_prompt, test_cases)

        # 2. 分析结果
        score = calculate_score(results, test_cases)
        print(f"当前得分：{score:.0%}")

        if score >= 0.95:
            print("达到目标分数，停止优化")
            break

        # 3. 让 AI 分析失败案例并改进 Prompt
        failed_cases = [r for r in results if not r["passed"]]

        improve_prompt = f"""你是 Prompt 优化专家。以下 Prompt 在某些测试用例上失败了，请改进它。

当前 Prompt：
{current_prompt}

失败的测试用例：
{json.dumps(failed_cases, ensure_ascii=False, indent=2)}

请分析失败原因，然后输出改进后的完整 Prompt。
只输出改进后的 Prompt，不要解释。"""

        response = client.messages.create(
            model="claude-sonnet-4-20250514",
            max_tokens=2048,
            messages=[{"role": "user", "content": improve_prompt}]
        )

        current_prompt = response.content[0].text
        print(f"Prompt 已更新（{len(current_prompt)} 字符）")

    return current_prompt

def generate_initial_prompt(task_description: str) -> str:
    """生成初始 Prompt"""
    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=1024,
        messages=[{"role": "user", "content": f"""请为以下任务生成一个 Prompt：

任务：{task_description}

要求：
- 包含角色定义
- 包含输出格式
- 包含约束条件
- 包含 1 个示例

只输出 Prompt 本身。"""}]
    )
    return response.content[0].text

def run_test_cases(prompt: str, test_cases: list[dict]) -> list[dict]:
    """用 Prompt 跑测试用例"""
    results = []
    for case in test_cases:
        response = client.messages.create(
            model="claude-sonnet-4-20250514",
            max_tokens=1024,
            messages=[
                {"role": "user", "content": f"{prompt}\n\n输入：{case['input']}"}
            ]
        )
        output = response.content[0].text
        passed = case["validate"](output)
        results.append({
            "input": case["input"],
            "output": output,
            "expected": case.get("expected", ""),
            "passed": passed
        })
    return results

使用示例

# 定义任务和测试用例
task = "将自然语言的日期描述转换为 ISO 8601 格式"

test_cases = [
    {
        "input": "明天",
        "expected": "2026-03-12",
        "validate": lambda x: "2026-03-12" in x
    },
    {
        "input": "下周一",
        "validate": lambda x: "2026-03-16" in x
    },
    {
        "input": "三月的最后一天",
        "validate": lambda x: "2026-03-31" in x
    },
    {
        "input": "圣诞节",
        "validate": lambda x: "2026-12-25" in x
    },
]

# 自动优化
best_prompt = optimize_prompt(task, test_cases, iterations=5)
print(f"\n最终 Prompt：\n{best_prompt}")

---

DSPy 风格的自动优化

DSPy 是斯坦福推出的 Prompt 自动优化框架，它的核心思想值得我们借鉴：把 Prompt 当作可学习的参数，用训练数据自动调优。

DSPy 的核心概念

概念	类比	说明
Signature	函数签名	定义输入输出
Module	神经网络层	封装一个 Prompt 操作
Optimizer	优化器	自动调优 Prompt
Metric	损失函数	评估 Prompt 效果

简化版 DSPy 风格实现

class PromptModule:
    """DSPy 风格的 Prompt 模块"""

    def __init__(self, signature: str, instructions: str = ""):
        self.signature = signature  # 如 "question -> answer"
        self.instructions = instructions
        self.demos = []  # few-shot 示例

    def add_demo(self, input_val: str, output_val: str):
        """添加 few-shot 示例"""
        self.demos.append({"input": input_val, "output": output_val})

    def compile(self) -> str:
        """编译为最终 Prompt"""
        parts = [self.instructions] if self.instructions else []

        if self.demos:
            parts.append("示例：")
            for demo in self.demos:
                parts.append(f"输入：{demo['input']}")
                parts.append(f"输出：{demo['output']}")
                parts.append("")

        input_name, output_name = self.signature.split(" -> ")
        parts.append(f"请根据 {input_name} 生成 {output_name}。")

        return "\n".join(parts)

class BootstrapOptimizer:
    """自动选择最佳 few-shot 示例"""

    def __init__(self, module: PromptModule, metric_fn, num_candidates: int = 10):
        self.module = module
        self.metric_fn = metric_fn
        self.num_candidates = num_candidates

    def optimize(self, train_data: list[dict]) -> PromptModule:
        """从训练数据中选择最佳示例组合"""
        import itertools

        best_score = 0
        best_demos = []

        # 尝试不同的示例组合
        for combo in itertools.combinations(train_data, min(3, len(train_data))):
            self.module.demos = [
                {"input": d["input"], "output": d["expected"]}
                for d in combo
            ]

            # 在验证集上评估
            score = self._evaluate(train_data)

            if score > best_score:
                best_score = score
                best_demos = list(combo)

        self.module.demos = [
            {"input": d["input"], "output": d["expected"]}
            for d in best_demos
        ]

        print(f"最佳得分：{best_score:.0%}")
        return self.module

    def _evaluate(self, data: list[dict]) -> float:
        """评估当前 Prompt 的效果"""
        prompt = self.module.compile()
        correct = 0
        for item in data:
            result = call_llm(f"{prompt}\n\n输入：{item['input']}")
            if self.metric_fn(result, item["expected"]):
                correct += 1
        return correct / len(data)

---

实用 Meta-Prompt 模板集

模板二：Prompt 改写器

当你有一个效果一般的 Prompt，想让 AI 帮你改进：

你是 Prompt 工程专家。请改进以下 Prompt，使其效果更好。

原始 Prompt：
[你的 Prompt]

改进方向：
1. 添加更明确的角色定义
2. 细化输出格式要求
3. 添加边界条件处理
4. 增加示例（如果有帮助）
5. 减少歧义表述

请输出改进后的 Prompt，并简要说明改了什么。

模板三：场景适配器

把一个场景的 Prompt 适配到另一个场景：

你是 Prompt 工程专家。请将以下 Prompt 从场景 A 适配到场景 B。

原始 Prompt（场景 A：[原场景]）：
[原始 Prompt]

目标场景 B：[新场景]

适配要求：
- 保持原始 Prompt 的结构和质量
- 替换场景相关的术语和示例
- 调整约束条件以适应新场景
- 保留通用的最佳实践

请输出适配后的 Prompt。

模板四：Prompt 评估器

让 AI 评估一个 Prompt 的质量：

你是 Prompt 工程专家。请评估以下 Prompt 的质量。

Prompt：
[待评估的 Prompt]

请从以下维度评分（1-10）：
1. 清晰度：任务描述是否明确？
2. 完整性：是否覆盖了所有必要信息？
3. 格式化：输出格式是否明确定义？
4. 鲁棒性：能否处理边界情况？
5. 效率：是否有冗余内容？

总分：[加权平均]

改进建议：
[具体的改进建议]

---

实战：为你的项目生成 Prompt 库

假设你在做一个客服系统，需要一系列 Prompt。用 Meta-Prompting 批量生成：

def generate_prompt_library(domain: str, scenarios: list[str]) -> dict:
    """为特定领域批量生成 Prompt 库"""

    meta_prompt = f"""你是 {domain} 领域的 Prompt 工程专家。

请为以下场景生成高质量的 Prompt。每个 Prompt 应该：
1. 有明确的角色定义
2. 有清晰的输入输出格式
3. 有约束条件和边界处理
4. 有 1 个示例

场景列表：
{json.dumps(scenarios, ensure_ascii=False)}

输出格式（JSON）：
{{
  "场景名": {{
    "prompt": "完整的 Prompt 文本",
    "description": "这个 Prompt 的用途",
    "input_example": "输入示例",
    "output_example": "输出示例"
  }}
}}"""

    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=4096,
        messages=[{"role": "user", "content": meta_prompt}]
    )

    return json.loads(response.content[0].text)

# 使用
library = generate_prompt_library(
    domain="电商客服",
    scenarios=[
        "处理退款请求",
        "回答物流查询",
        "处理商品投诉",
        "推荐替代商品",
        "处理账号问题",
    ]
)

for name, data in library.items():
    print(f"\n{'='*50}")
    print(f"场景：{name}")
    print(f"描述：{data['description']}")
    print(f"Prompt：\n{data['prompt']}")

---

注意事项

1. Meta-Prompt 本身也需要优化

Meta-Prompt 的质量直接决定生成的 Prompt 质量。花时间打磨你的 Meta-Prompt 是值得的。

2. 人工审查不可少

AI 生成的 Prompt 可能包含不合理的假设或遗漏。始终需要人工审查和测试。

3. 避免过度嵌套

Meta-Meta-Prompt（用 AI 生成 Meta-Prompt）听起来很酷，但实际上每多一层嵌套，质量损失就越大。一般一层 Meta 就够了。

4. 版本管理

生成的 Prompt 要做版本管理，记录每次迭代的变化和效果：

prompt_versions = {
    "v1.0": {"prompt": "...", "score": 0.72, "date": "2026-03-01"},
    "v1.1": {"prompt": "...", "score": 0.81, "date": "2026-03-05"},
    "v1.2": {"prompt": "...", "score": 0.89, "date": "2026-03-10"},
}

---

总结

方法	适用场景	复杂度
基础 Meta-Prompt	快速生成单个 Prompt	低
Prompt 改写器	优化已有 Prompt	低
自动优化循环	有测试用例时的系统优化	中
DSPy 风格优化	大规模 Prompt 调优	高
Prompt 库生成	批量生成领域 Prompt	中

Meta-Prompting 不是要取代人类写 Prompt，而是让 AI 帮我们完成 80% 的工作，我们只需要做最后 20% 的审查和微调。

最好的工具是能制造工具的工具。Meta-Prompting 就是提示工程的”工具制造机”——用 AI 的能力来增强我们使用 AI 的能力。