千问(Qwen) 提示词最佳实践指南

掌握 Qwen3.6-35B-A3B、Qwen3-235B 的提示词技巧，充分发挥阿里通义千问 MoE 系列模型的强大能力

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
Qwen3.6-35B-A3B	2026年4月	MoE	350B	30B	128K tokens	轻量高效、编程视觉强	本地部署、智能体编程
Qwen3-235B	2026年	MoE	235B	22B	128K tokens	开源性能天花板	企业自部署、高精度场景
Qwen3.5-397B	2026年	MoE	397B	—	128K tokens	最高质量	高质量推理、复杂任务
Qwen-Max	2024年	Dense	—	—	32K tokens	旧版旗舰（API）	旧兼容场景
Qwen-Plus/Turbo	2024年	Dense	—	—	128K tokens	旧版均衡（API）	旧兼容场景

1.2 核心优势

✅ 开源生态标杆：Apache 2.0 协议，从 8B 到 397B 全系列覆盖
✅ MoE 架构效率高：Qwen3.6-35B-A3B 仅 30B 激活参数，21GB 量化即可本地运行
✅ 编程能力突出：Qwen3.6 编程能力与 DeepSeek V4-Pro 比肩
✅ 多模态支持：Qwen-VL 系列支持图像理解
✅ 端云一体：8B~14B 小模型可在边缘设备运行

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
⚠️ 上下文限制：最高 128K tokens，暂无百万级上下文版本
⚠️ API速率限制：有每分钟/每天的调用次数限制
⚠️ 旧版已停止主要更新：建议新项目直接使用 Qwen3.6 MoE 系列

2. 提示词基础

2.1 千问(Qwen)提示词的基本结构

千问使用标准的OpenAI格式（如果通过阿里云API调用）。

使用阿里云Dashscope SDK（推荐）

python

import dashscope
from dashscope import Generation

dashscope.api_key = "YOUR_API_KEY"

# 单次对话
response = Generation.call(
    model='qwen3-235b',
    prompt='请解释什么是机器学习。'
)

print(response.output.text)

使用OpenAI兼容格式（更通用）

python

import openai

client = openai.OpenAI(
    api_key="YOUR_DASHSCOPE_API_KEY",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 单次对话
response = client.chat.completions.create(
    model="qwen3-235b",
    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（本地运行开源版本）

Qwen开源版本可以在Ollama上运行。

bash

# 安装Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 运行Qwen2.5（需要较大内存）
ollama run qwen2.5:72b

# 运行Qwen2.5-Coder（代码专用）
ollama run qwen2.5-coder:32b

Python代码示例

python

import ollama

# 单次对话
response = ollama.chat(
    model='qwen2.5:72b',
    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="qwen3-235b",
    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

千问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="qwen3-235b",
    messages=[{"role": "user", "content": prompt}]
)

✅ 技巧3：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="qwen3-235b",
    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="qwen3-235b",
    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、腾讯等）
- 如果有相关的开源框架（如Seata），可以提及"""

response = client.chat.completions.create(
    model="qwen3-235b",
    messages=[{"role": "user", "content": prompt}]
)

4. 代码开发提示词

4.1 代码生成（千问的强项）

千问在代码生成上表现出色，特别是Qwen2.5-Coder系列。

示例：Python Web API开发

提示词：

python

prompt = """你是一位资深的后端开发工程师，擅长Python和FastAPI框架。
你编写的代码遵循PEP 8规范，包含详细注释，注重安全性和性能。

任务：请使用FastAPI框架开发一个「用户认证和授权」的RESTful API。

功能需求：
1. 用户注册（邮箱+密码）
2. 用户登录（返回JWT token）
3. 刷新token
4. 获取当前用户信息
5. 更新用户信息
6. 基于角色的访问控制（RBAC）

技术要求：
- Python 3.9+
- FastAPI框架
- SQLAlchemy ORM（SQLite数据库，可配置为其他数据库）
- Pydantic进行数据验证
- JWT认证（使用PyJWT）
- 密码哈希（使用bcrypt）
- 包含单元测试

输出要求：
1. 所有文件的完整代码
2. 详细的中文注释
3. 文档字符串（docstring）
4. 错误处理
5. 输入验证
6. 安全性考虑（SQL注入、XSS、CSRF等）
7. 单元测试代码
8. README.md（包含安装、运行、API文档说明）

补充要求：
- 使用async/await异步编程
- 添加请求日志
- 包含API速率限制
- 添加Swagger文档（FastAPI自动生成）"""

response = client.chat.completions.create(
    model="qwen2.5-coder:32b",  # 使用代码专用模型
    messages=[{"role": "user", "content": prompt}]
)

预期输出：完整的项目代码，包含：

main.py：FastAPI应用入口
models.py：User、Role等SQLAlchemy模型
schemas.py：Pydantic schemas（UserCreate、UserResponse等）
auth/routes.py：注册、登录、刷新token等端点
auth/jwt_handler.py：JWT生成和验证
tests/test_auth.py：单元测试
README.md：项目文档

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="qwen3-235b",
    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="qwen3-235b",
    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="qwen3-235b",
    messages=messages
)

7.2 思维链（Chain-of-Thought）在千问中的应用

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="qwen3-235b",
    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

使用阿里云Dashscope SDK的示例：

python

from dashscope import Generation

# 事实性任务 - 低温度
response = Generation.call(
    model='qwen3-235b',
    prompt='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 = Generation.call(
    model='qwen3-235b',
    prompt='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 = Generation.call(
    model='qwen3-235b',
    prompt='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 = Generation.call(
    model='qwen3-235b',
    prompt='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": "qwen-max",
    "temperature": 0.2,
    "top_p": 0.9,
    "max_tokens": 500
}

配置2：创意写作

python

{
    "model": "qwen-max",
    "temperature": 0.85,
    "top_p": 0.95,
    "max_tokens": 4096
}

配置3：代码生成（使用Qwen2.5-Coder）

python

{
    "model": "qwen2.5-coder:32b",
    "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，但千问输出纯文本。

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="qwen3-235b",
    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="qwen3-235b",
    messages=[{"role": "user", "content": prompt}]
)

9.2 输出过于冗长

问题描述：千问输出过长，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="qwen3-235b",
    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="qwen3-235b",
    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功acent]

## 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="qwen2.5-coder:32b",  # 使用代码专用模型
    messages=[{"role": "user", "content": prompt}]
)

11. 参考资料

官方文档

阿里云通义千问API文档
https://help.aliyun.com/zh/model-studio/developer-reference/api-reference
千问的官方API文档，包含模型介绍、API参考、快速入门。
Qwen2.5官方发布
https://qwen.readthedocs.io/en/latest/news/qwen2.5.html
Qwen2.5的官方发布公告和技术细节。
Hugging Face Qwen Models
https://huggingface.co/Qwen
千问的官方模型仓库，可以下载模型权重。

社区资源

Qwen官方GitHub
https://github.com/QwenLM/Qwen
千问的官方GitHub仓库，包含模型代码、微调教程等。
Ollama - Qwen
https://ollama.com/library/qwen2.5
使用Ollama运行千问的最简单方式。
Qwen Cookbook
https://github.com/QwenLM/Qwen-Agent
千问Agent开发框架和使用示例。

教程

Running Qwen2.5 Locally with Ollama
https://ollama.com/library/qwen2.5
Ollama的千问使用指南。
Fine-tuning Qwen2.5 with LoRA
https://qwen.readthedocs.io/en/latest/fine-tune/fine-tune.html
千问官方提供的微调教程。

📝 更新日志

2026-05-31：更新至Qwen3.6 MoE系列（Qwen3.6-35B-A3B / Qwen3-235B）
2026-05-18：初始版本发布，包含Qwen-Max/Plus/Turbo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Qwen3.6 MoE系列）

千问(Qwen) 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 千问(Qwen)提示词的基本结构 ​

使用阿里云Dashscope SDK（推荐） ​

使用OpenAI兼容格式（更通用） ​

2.2 使用Ollama（本地运行开源版本） ​

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：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（千问的强项） ​

示例：Python Web API开发 ​

5. 数据分析提示词 ​

5.1 数据解读 ​

示例：销售数据分析 ​

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）在千问中的应用 ​

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（使用Qwen2.5-Coder） ​

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 ​

千问(Qwen) 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 千问(Qwen)提示词的基本结构

使用阿里云Dashscope SDK（推荐）

使用OpenAI兼容格式（更通用）

2.2 使用Ollama（本地运行开源版本）

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：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（千问的强项）

示例：Python Web API开发

5. 数据分析提示词

5.1 数据解读

示例：销售数据分析

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）在千问中的应用

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（使用Qwen2.5-Coder）

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