智谱AI GLM 提示词最佳实践指南

掌握 GLM-5.1、GLM-5v-Turbo 的提示词技巧，充分发挥智谱AI在中文理解和生成方面的领先优势

1. 模型概述

1.1 模型版本与特点

模型	发布时间	架构	总参数	激活参数	上下文窗口	核心能力	适用场景
GLM-5.1	2026年4月	MoE	~1T	~100B	1M+ tokens	中文理解最强（93分）、全面均衡	企业应用、中文内容、复杂推理
GLM-5.0	2026年	MoE	~1T	~100B	1M tokens	稳定可靠	稳定生产环境
GLM-5v-Turbo	2026年	MoE	—	—	—	多模态（图像理解）	图像分析、图文混合任务
GLM-5.0-Turbo	2026年	MoE	—	—	—	速度优先	轻量任务、高并发
GLM-4	2024年1月	Dense	~130B	130B	128K tokens	旧版旗舰	旧兼容场景

1.2 核心优势

✅ 中文理解国产最强：中文理解评分 93 分，中文对话质量领先
✅ 百万级超长上下文：GLM-5.1 支持 1M+ tokens
✅ MoE 架构高效：总参数 ~1T，激活仅 ~100B
✅ 多模态支持：GLM-5v-Turbo 原生支持图像理解
✅ 企业级服务成熟：智谱为「全球大模型第一股」，企业服务最完善
✅ 全面均衡：MMLU 90 / 中文 93 / Agent 88，无明显短板

1.3 限制与注意事项

⚠️ 英文能力：虽然支持英文，但能力不如中文
⚠️ API速率限制：有每分钟/每天的调用次数限制
⚠️ 部署资源要求：GLM-5.1 ~1T 参数较大，API 调用更便捷
⚠️ 编码不及 DeepSeek：编码评分 83，不如 DeepSeek V4-Pro（89.8）

2. 提示词基础

2.1 智谱AI GLM提示词的基本结构

智谱AI使用标准的OpenAI格式（如果通过API调用）。

使用智谱AI API（推荐）

python

from zhipuai import ZhipuAI

client = ZhipuAI(api_key="YOUR_API_KEY")

# 单次对话
response = client.chat.completions.create(
    model='glm-5.1',
    messages=[
        {"role": "user", "content": "请解释什么是机器学习。"}
    ]
)

print(response.choices[0].message.content)

使用OpenAI兼容格式

python

import openai

client = openai.OpenAI(
    api_key="YOUR_ZHIPU_API_KEY",
    base_url="https://open.bigmodel.cn/api/paas/v4"
)

# 单次对话
response = client.chat.completions.create(
    model="glm-5.1",
    messages=[
        {"role": "system", "content": "你是一个有用的助手。"},
        {"role": "user", "content": "请解释什么是机器学习。"}
    ]
)

print(response.choices[0].message.content)

2.2 使用Ollama（本地运行ChatGLM开源版本）

ChatGLM开源版本可以在Ollama上运行。

安装和使用

bash

# 安装Ollama（macOS/Linux）
curl -fsSL https://ollama.com/install.sh | sh

# 运行ChatGLM3（需要较大内存）
ollama run chatglm3:6b

# 运行ChatGLM2（更轻量）
ollama run chatglm2:6b

Python代码示例

python

import ollama

# 单次对话
response = ollama.chat(
    model='chatglm3:6b',
    messages=[
        {'role': 'user', 'content': '请解释什么是过拟合（overfitting）。'}
    ]
)
print(response['message']['content'])

2.3 核心提示词技巧

✅ 技巧1：使用系统消息（System Message）

python

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[
        {"role": "system", "content": "你是一位资深的技术博客作者，擅长将复杂的技术概念用通俗易懂的语言表达出来。"},
        {"role": "user", "content": "请写一篇关于Docker容器化部署的技术博客文章。"}
    ]
)

✅ 技巧2：提供详细指令

智谱AI的指令遵循能力中等，需要更详细、更明确的指令。

python

prompt = """你是一位资深的技术博客作者，擅长将复杂的技术概念用通俗易懂的语言表达出来。

任务：请写一篇关于「使用Docker容器化部署Python应用」的技术博客文章。

文章要求：
1. 目标读者：中级开发者（有Python基础，了解基本Linux命令）
2. 字数：2000-2500字
3. 包含以下部分：
   - 引言：为什么需要容器化（3-5个痛点）
   - Docker基础概念简介（镜像、容器、Dockerfile）
   - 实战：容器化一个Flask应用（完整代码示例）
   - Dockerfile最佳实践（5-7条）
   - docker-compose多服务编排（示例：Web + Redis + PostgreSQL）
   - 生产环境部署注意事项（安全、监控、日志）
   - 总结与延伸阅读
4. 每个部分都包含代码示例（Python或Bash）
5. 代码需要详细注释
6. 风格：专业但亲和，避免过于学术化
7. 输出格式：Markdown

非常重要：请确保文章结构清晰，代码可直接运行。"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

✅ 技巧3：使用少样本提示（Few-Shot）

python

prompt = """我将给你展示情感分析的示例，然后你分析新句子。

示例1：
输入：这个产品真的太棒了，超出我的预期！
输出：{"sentiment": "positive", "confidence": 0.95, "reason": "用户使用了'太棒了'、'超出预期'等正面词汇。"}

示例2：
输入：质量一般，性价比不高，不推荐购买。
输出：{"sentiment": "negative", "confidence": 0.88, "reason": "用户明确指出'不推荐购买'，且提到性价比不高。"}

示例3：
输入：还算可以吧，没什么特别的。
输出：{"sentiment": "neutral", "confidence": 0.65, "reason": "用户没有明确表达满意或不满，态度中立。"}

现在请分析：
输入：质量太差了，浪费钱。
输出："""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

✅ 技巧4：要求逐步思考（Chain-of-Thought）

python

prompt = """请解决以下逻辑推理问题。在给出最终答案之前，请先逐步分析。

问题：所有的猫都是动物。有些动物会游泳。问：是否所有的猫都会游泳？

请按以下步骤思考：

1. **列出已知前提**
   - 前提1：所有的猫都是动物。
   - 前提2：有些动物会游泳。

2. **分析逻辑关系**
   - 前提1建立了"猫"和"动物"的包含关系。
   - 前提2只说明"有些"动物会游泳，不是"所有"动物。

3. **检查是否能推导出结论**
   - 我们知道猫是动物，但前提2只说"有些"动物会游泳。
   - "有些"不代表"所有"。

4. **寻找反例**
   - 如果"会游泳的动物"指的是鱼、海豚等，那么猫不在其中。
   - 所以，不能得出"所有的猫都会游泳"的结论。

5. **得出结论**
   - 最终答案：不能得出"所有的猫都会游泳"的结论。
   - 正确回答是：不确定/无法确定。

现在，请按照上述步骤，详细展示你的推理过程。"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

3. 写作任务提示词

3.1 文章写作

示例：技术博客文章

提示词：

python

prompt = """你是一位资深的技术作家，擅长撰写深度技术分析和教程。
你的文章逻辑清晰、例证丰富、适合中级到高级开发者阅读。

任务：请撰写一篇关于「微服务架构中的分布式事务管理」的深度技术文章。

关键要点：
1. 分布式事务的挑战（CAP定理、网络分区等）
2. 常见解决方案：
   - 两阶段提交（2PC）
   - 补偿事务（Saga模式）
   - 本地消息表
   - 最大努力通知
3. 各方案的优缺点对比
4. 实际案例分析（可以虚构一个电商场景）
5. 方案选择建议

文章结构：
1. 引言（300字）：微服务架构的普及和分布式事务的挑战
2. 核心概念（500字）：事务ACID、分布式事务定义
3. 解决方案详解（1200字）：逐一介绍上述4种方案
4. 对比分析（400字）：表格对比各方案
5. 实战案例（600字）：电商订单系统的分布式事务设计
6. 总结与建议（300字）

要求：
- 总字数：3000-3500字
- 包含代码示例（Java或Python）
- 包含架构图描述（用文字描述，我会后续绘制）
- 使用表格对比不同方案
- 风格：专业、深入、实用
- 目标读者：有微服务实践经验的开发者
- 输出格式：Markdown

补充信息：
- 你可以引用知名公司的实际案例（如阿里巴巴、腾讯、字节跳动等）
- 如果有相关的开源框架（如Seata），可以提及"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

预期输出：

一篇结构完整、深度充足的技术文章
包含代码示例和对比表格
适合发布在技术博客或技术杂志

4. 代码开发提示词

4.1 代码生成（智谱AI的强项）

示例：Python函数编写

提示词：

python

prompt = """你是一个Python专家，擅长编写高质量、可维护的代码。
你的代码遵循PEP 8规范，包含详细注释和文档字符串。

任务：请编写一个Python函数，实现LRU（Least Recently Used）缓存机制。

要求：
1. 使用Python 3.9+语法
2. 实现以下方法：
   - `__init__(self, capacity: int)`: 初始化缓存
   - `get(self, key: int) -> int`: 获取键值，如果不存在返回-1
   - `put(self, key: int, value: int) -> None`: 插入或更新键值
3. 时间复杂度：get和put都必须是O(1)
4. 使用`collections.OrderedDict`实现
5. 包含详细注释
6. 添加文档字符串（docstring）
7. 提供使用示例
8. 分析时间和空间复杂度

输出格式：
## LRU缓存实现
[代码]

## 使用示例
[示例]

## 复杂度分析
- 时间复杂度：[分析]
- 空间复杂度：[分析]

## 测试
[单元测试代码]"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

预期输出：

python

## LRU缓存实现

```python
from collections import OrderedDict

class LRUCache:
    """
    LRU (Least Recently Used) Cache implementation.

    This cache evicts the least recently used item when capacity is exceeded.
    Both get and put operations run in O(1) time complexity.
    """

    def __init__(self, capacity: int):
        """Initialize the LRU cache with given capacity."""
        self.capacity = capacity
        self.cache = OrderedDict()

    def get(self, key: int) -> int:
        """
        Get value by key. Returns -1 if key doesn't exist.

        Args:
            key: The key to look up.

        Returns:
            The value associated with the key, or -1 if not found.
        """
        if key not in self.cache:
            return -1
        # Move to end to mark as recently used
        self.cache.move_to_end(key)
        return self.cache[key]

    def put(self, key: int, value: int) -> None:
        """
        Insert or update a key-value pair.

        Args:
            key: The key to insert or update.
            value: The value to associate with the key.
        """
        if key in self.cache:
            # Update value and mark as recently used
            self.cache.move_to_end(key)
        self.cache[key] = value
        if len(self.cache) > self.capacity:
            # Remove least recently used item
            self.cache.popitem(last=False)

# Usage example
if __name__ == "__main__":
    cache = LRUCache(2)
    cache.put(1, 1)
    cache.put(2, 2)
    print(cache.get(1))  # Returns 1
    cache.put(3, 3)      # Evicts key 2
    print(cache.get(2))  # Returns -1 (not found)

复杂度分析

时间复杂度：
- get(): O(1) - OrderedDict lookup and move_to_end are O(1)
- put(): O(1) - OrderedDict insertion and popitem are O(1)
空间复杂度：
- O(capacity) - We store at most capacity items in the OrderedDict

测试

python

import unittest

class TestLRUCache(unittest.TestCase):
    def test_basic_operations(self):
        cache = LRUCache(2)
        cache.put(1, 1)
        cache.put(2, 2)
        self.assertEqual(cache.get(1), 1)
        self.assertEqual(cache.get(2), 2)

    def test_eviction(self):
        cache = LRUCache(2)
        cache.put(1, 1)
        cache.put(2, 2)
        cache.put(3, 3)  # Should evict key 1
        self.assertEqual(cache.get(1), -1)
        self.assertEqual(cache.get(3), 3)

    def test_update_existing_key(self):
        cache = LRUCache(2)
        cache.put(1, 1)
        cache.put(1, 10)  # Update existing key
        self.assertEqual(cache.get(1), 10)

    def test_capacity_one(self):
        cache = LRUCache(1)
        cache.put(1, 1)
        self.assertEqual(cache.get(1), 1)
        cache.put(2, 2)
        self.assertEqual(cache.get(1), -1)
        self.assertEqual(cache.get(2), 2)

if __name__ == "__main__":
    unittest.main()


---

## 5. 数据分析提示词

### 5.1 数据解读

#### 示例：销售数据分析

**提示词**：

```python
data = """
日期,销售额,订单数,客单价,活跃用户数,退货率,广告支出
2024-04-01,150000,500,300,1200,5.2%,15000
2024-04-08,165000,550,300,1250,5.0%,18000
2024-04-15,170000,520,327,1300,4.8%,20000
"""

prompt = f"""你是一位数据分析师，擅长从数据中提取业务洞察，并提供可操作的建议。
你的分析严谨、客观，注重数据驱动的决策。

任务：请分析以下电商平台的销售数据，并提取关键洞察。

数据（CSV格式）：


分析要求：
请完成以下分析：

1. **数据概览**
   - 数据时间范围
   - 核心指标的变化趋势

2. **关键指标分析**
   - 销售额增长率（按周）
   - 订单数增长率
   - 客单价变化趋势
   - 活跃用户增长
   - 退货率趋势
   - 广告支出回报率（ROAS）分析

3. **业务洞察**
   - 至少提取3个关键洞察
   - 每个洞察都应该有数据支撑

4. **建议**
   - 提供至少2条可操作的业务建议
   - 建议应该基于数据分析结果

输出格式：
请以Markdown格式输出分析报告，包含：
- 标题和章节结构
- 表格（用于展示数据和对比）
- 要点列表
- 结论和建议

非常重要：请基于数据说话，不要添加数据中没有的信息。"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

6. 推理任务提示词

6.1 逻辑推理

示例：演绎推理

提示词：

python

prompt = """你是一位逻辑推理专家，擅长演绎推理、归纳推理和批判性思维。
你的推理严谨、清晰，能够让读者轻松跟随你的思路。

任务：请解决以下逻辑推理问题，并详细展示推理过程。

问题：
所有的哺乳动物都是脊椎动物。
所有的猫都是哺乳动物。
请问：所有的猫都是脊椎动物吗？

推理步骤：
请按以下步骤推理：

1. **理解问题**：重述问题，确保准确理解。
2. **列出已知前提**：清晰列出所有给定的前提。
3. **分析逻辑关系**：识别前提之间的逻辑关联。
4. **应用推理规则**：使用演绎推理（如三段论）。
5. **检查有效性**：验证推理过程是否符合逻辑规则。
6. **得出结论**：给出明确的最终答案。

输出格式：
请以清晰的Markdown格式输出推理过程，包含：
- 标题和分节
- 逻辑符号（如⊆表示包含于）
- 示范性解释
- 结论的明确表述"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

7. 高级技巧

7.1 使用系统消息和少样本结合

python

messages = [
    {"role": "system", "content": "你是一位资深的数据科学家，擅长用简洁明了的语言解释复杂概念。你的回答应该包含具体例子，并且避免不必要的技术术语。"},
    {"role": "user", "content": "请解释什么是神经网络。"}
]

response = client.chat.completions.create(
    model='glm-5.1',
    messages=messages
)

7.2 思维链（Chain-of-Thought）在智谱AI中的应用

python

prompt = """请解决以下数学问题。让我们逐步思考：

问题：一个游泳池有甲、乙两根水管。单开甲管，2小时注满；单开乙管，3小时注满。如果同时打开两根水管，需要多少小时注满游泳池？

让我们一步步分析：

步骤1：理解问题
- 甲管单独注满需要2小时，意味着甲管每小时注满1/2个游泳池。
- 乙管单独注满需要3小时，意味着乙管每小时注满1/3个游泳池。

步骤2：建立数学模型
- 当两根水管同时打开时，它们的注水速度相加。
- 总速度 = 甲管速度 + 乙管速度 = 1/2 + 1/3

步骤3：计算总速度
- 1/2 + 1/3 = 3/6 + 2/6 = 5/6
- 所以两根水管同时工作，每小时注满5/6个游泳池。

步骤4：计算所需时间
- 时间 = 总工作量 ÷ 速度 = 1 ÷ (5/6) = 6/5 = 1.2小时

步骤5：转换为分钟（可选）
- 1.2小时 = 1小时12分钟

步骤6：验证答案
- 检查：1.2小时内，甲管注入了1.2 × (1/2) = 0.6个游泳池
- 乙管注入了1.2 × (1/3) = 0.4个游泳池
- 总计：0.6 + 0.4 = 1.0个游泳池 ✓

最终答案：需要1.2小时（或1小时12分钟）。

现在，请使用相同的步骤，解决以下新问题：
问题：如果丙管单独注满需要4小时，那么三根水管（甲、乙、丙）同时打开，需要多少小时注满游泳池？"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

8. 配置参数建议

8.1 Temperature（温度）

控制生成文本的随机性。

任务类型	推荐Temperature	说明
事实性任务（翻译、摘要、问答）	0.1 - 0.3	低温度使输出更确定、一致
平衡任务（通用对话、解释）	0.3 - 0.7	适度随机性，保持连贯
创意任务（写作、头脑风暴）	0.7 - 1.0	高温度增加多样性和创意
代码生成	0.2 - 0.5	较低温度确保语法正确

使用智谱AI API的示例：

python

# 事实性任务 - 低温度
response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": "请将以下句子翻译成法语：[句子]"}],
    temperature=0.2  # 确保翻译准确一致
)

# 创意写作 - 高温度
response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": "写一个关于太空探险的短篇故事"}],
    temperature=0.85  # 增加创意和多样性
)

8.2 Top P（核采样）

控制生成时考虑的token范围。

建议：

一般任务：top_p=0.9（默认）
需要高质量输出：top_p=0.95
需要更多样性：top_p=0.99

python

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": "生成10个创意产品名称"}],
    temperature=0.8,
    top_p=0.95  # 从高概率token中采样
)

8.3 Max Tokens（最大生成长度）

控制模型生成的最大token数。

建议：

简单任务：100-300 tokens
中等任务（摘要、解释）：300-1000 tokens
复杂任务（文章、代码）：1000-4000 tokens

python

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": "写一篇关于气候变化的文章"}],
    max_tokens=2000,  # 限制输出长度约1500字
    temperature=0.7
)

8.4 推荐配置组合

配置1：精准翻译任务

python

{
    "model": "glm-4",
    "temperature": 0.2,
    "top_p": 0.9,
    "max_tokens": 500
}

配置2：创意写作

python

{
    "model": "glm-4",
    "temperature": 0.85,
    "top_p": 0.95,
    "max_tokens": 4096
}

配置3：代码生成

python

{
    "model": "glm-4",
    "temperature": 0.3,
    "top_p": 0.95,
    "max_tokens": 3000
}

9. 常见错误与解决方案

9.1 输出格式不符合要求

问题描述：期望JSON输出，但智谱AI输出纯文本。

解决方案：

方法1：在提示词中强制格式

python

prompt = """请分析以下句子的情感，并以JSON格式输出结果。

句子："这个产品真的很棒，超出我的预期！"

输出格式（严格遵守）：
{
  "sentiment": "[Positive/Neutral/Negative]",
  "confidence": [0-1之间的数值],
  "reason": "[简要说明]"
}

非常重要：只输出JSON，不要添加任何JSON以外的内容。"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

方法2：使用少样本示例

python

prompt = """请学习以下情感分析的输出格式，然后分析新句子。

示例1：
输入：这个产品真的太棒了，超出我的预期！
输出：{"sentiment": "Positive", "confidence": 0.95, "reason": "用户使用了'太棒了'、'超出预期'等正面词汇。"}

示例2：
输入：质量一般，性价比不高，不推荐购买。
输出：{"sentiment": "Negative", "confidence": 0.88, "reason": "用户明确指出'不推荐购买'，且提到性价比不高。"}

现在请分析：
输入：还算可以吧，没什么特别的。
输出："""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

9.2 输出过于冗长

问题描述：智谱AI输出过长，超出预期长度。

解决方案：

方法1：明确指定字数要求

python

prompt = """请写一篇关于人工智能的短文。

要求：
1. 字数：500-600字（严格遵守）
2. 包含3个主要观点
3. 每个观点用一段话阐述

非常重要：请确保字数在500-600字之间，不要超出。"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}],
    max_tokens=800  # 约500-600字
)

10. 实用提示词模板

模板1：技术文章写作

python

prompt = """你是一位[角色，如：资深技术博客作者/学术写作助手]，擅长[写作风格描述]。

任务：请写一篇关于「[文章主题]」的[文体，如：教程/评论/分析报告]。

## 目标读者
[描述目标读者，如：中级开发者/学术研究/普通消费者]

## 文章要求
1. 字数：[X-Y字]
2. 结构：
   - 引言：[要求]
   - 主体：[章节安排]
   - 结论：[要求]
3. 风格：[专业/亲和/学术/营销]
4. 包含：[代码示例/数据图表/案例分析]
5. 语调：[客观/热情/严谨/ persuasive]

## 补充信息
[提供任何相关的背景信息、关键词、参考资料等]

输出格式：Markdown"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

模板2：代码生成（Python）

python

prompt = """你是一个[语言]高级开发工程师，
擅长[领域，如：Web开发/数据科学/算法实现]。

## 任务描述
[详细描述需要实现的的功能或解决的问题]

## 具体需求
1. [需求1]
2. [需求2]
3. [需求3]
...

## 技术要求
- 编程语言：[语言及版本]
- 框架/库：[列出需要的框架]
- 代码规范：[如：PEP 8/Airbnb Style]
- 性能要求：[如：时间复杂度O(n log n)]

## 输出要求
1. 完整的可运行代码
2. 详细注释
3. 文档字符串（docstring）
4. 使用示例
5. 单元测试
6. 复杂度分析"""

response = client.chat.completions.create(
    model='glm-5.1',
    messages=[{"role": "user", "content": prompt}]
)

11. 参考资料

官方文档

智谱AI开放平台文档
https://open.bigmodel.cn/dev/api
智谱AI的官方API文档，包含模型介绍、API参考、快速入门。
GLM-5.1 技术报告
智谱AI官方发布的GLM-5.1技术细节。
Hugging Face ChatGLM Models
https://huggingface.co/THUDM
智谱AI的官方模型仓库，可以下载模型权重。

社区资源

ChatGLM GitHub
https://github.com/THUDM/ChatGLM-6B
ChatGLM的官方GitHub仓库，包含模型代码、微调教程等。
Ollama - ChatGLM
https://ollama.com/library/chatglm3
使用Ollama运行ChatGLM的最简单方式。
Awesome ChatGLM
https://github.com/awesome-chatglm/awesome-chatglm
ChatGLM相关的资源、项目、教程集合。

教程

Running ChatGLM3 Locally with Ollama
https://ollama.com/library/chatglm3
Ollama的ChatGLM使用指南。
Fine-tuning ChatGLM3 with LoRA
https://github.com/THUDM/ChatGLM-6B/blob/main/ptuning/README.md
智谱AI官方提供的ChatGLM微调教程。

📝 更新日志

2026-05-31：更新至GLM-5.1系列（GLM-5.1 MoE / GLM-5v-Turbo）
2026-05-18：初始版本发布，包含GLM-4/ChatGLM提示词

🤝 贡献与反馈

如果你发现任何错误或有改进建议，欢迎：

提交Issue进行讨论
提交Pull Request贡献内容
分享你的提示词使用技巧

📄 许可证

本文档采用 MIT 许可证。可自由使用、修改和分发。

最后更新时间：2026年5月31日
作者：AI Engineering Team
版本：v2.0（更新至GLM-5.1系列）

智谱AI GLM 提示词最佳实践指南 ​

1. 模型概述 ​

1.1 模型版本与特点 ​

1.2 核心优势 ​

1.3 限制与注意事项 ​

2. 提示词基础 ​

2.1 智谱AI GLM提示词的基本结构 ​

使用智谱AI API（推荐） ​

使用OpenAI兼容格式 ​

2.2 使用Ollama（本地运行ChatGLM开源版本） ​

安装和使用 ​

Python代码示例 ​

2.3 核心提示词技巧 ​

✅ 技巧1：使用系统消息（System Message） ​

✅ 技巧2：提供详细指令 ​

✅ 技巧3：使用少样本提示（Few-Shot） ​

✅ 技巧4：要求逐步思考（Chain-of-Thought） ​

3. 写作任务提示词 ​

3.1 文章写作 ​

示例：技术博客文章 ​

4. 代码开发提示词 ​

4.1 代码生成（智谱AI的强项） ​

示例：Python函数编写 ​

复杂度分析 ​

测试 ​

6. 推理任务提示词 ​

6.1 逻辑推理 ​

示例：演绎推理 ​

7. 高级技巧 ​

7.1 使用系统消息和少样本结合 ​

7.2 思维链（Chain-of-Thought）在智谱AI中的应用 ​

8. 配置参数建议 ​

8.1 Temperature（温度） ​

8.2 Top P（核采样） ​

8.3 Max Tokens（最大生成长度） ​

8.4 推荐配置组合 ​

配置1：精准翻译任务 ​

配置2：创意写作 ​

配置3：代码生成 ​

9. 常见错误与解决方案 ​

9.1 输出格式不符合要求 ​

方法1：在提示词中强制格式 ​

方法2：使用少样本示例 ​

9.2 输出过于冗长 ​

方法1：明确指定字数要求 ​

10. 实用提示词模板 ​

模板1：技术文章写作 ​

模板2：代码生成（Python） ​

11. 参考资料 ​

官方文档 ​

社区资源 ​

教程 ​

📝 更新日志 ​

🤝 贡献与反馈 ​

📄 许可证 ​

智谱AI GLM 提示词最佳实践指南

1. 模型概述

1.1 模型版本与特点

1.2 核心优势

1.3 限制与注意事项

2. 提示词基础

2.1 智谱AI GLM提示词的基本结构

使用智谱AI API（推荐）

使用OpenAI兼容格式

2.2 使用Ollama（本地运行ChatGLM开源版本）

安装和使用

Python代码示例

2.3 核心提示词技巧

✅ 技巧1：使用系统消息（System Message）

✅ 技巧2：提供详细指令

✅ 技巧3：使用少样本提示（Few-Shot）

✅ 技巧4：要求逐步思考（Chain-of-Thought）

3. 写作任务提示词

3.1 文章写作

示例：技术博客文章

4. 代码开发提示词

4.1 代码生成（智谱AI的强项）

示例：Python函数编写

复杂度分析

测试

6. 推理任务提示词

6.1 逻辑推理

示例：演绎推理

7. 高级技巧

7.1 使用系统消息和少样本结合

7.2 思维链（Chain-of-Thought）在智谱AI中的应用

8. 配置参数建议

8.1 Temperature（温度）

8.2 Top P（核采样）

8.3 Max Tokens（最大生成长度）

8.4 推荐配置组合

配置1：精准翻译任务

配置2：创意写作

配置3：代码生成

9. 常见错误与解决方案

9.1 输出格式不符合要求

方法1：在提示词中强制格式

方法2：使用少样本示例

9.2 输出过于冗长

方法1：明确指定字数要求

10. 实用提示词模板

模板1：技术文章写作

模板2：代码生成（Python）

11. 参考资料

官方文档

社区资源

教程

📝 更新日志

🤝 贡献与反馈

📄 许可证