A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT

  • 关联论文：2302.11382
  • 作者：Tom
  • 更新：2026-07-25

一句话结论

将软件工程中"设计模式"的思想系统化引入 Prompt Engineering，首次为 LLM 对话总结出一套可复用、可组合、可跨域迁移的 16 种 Prompt Pattern 模板。

解决什么真问题

ChatGPT 等 LLM 在实际使用时，用户往往靠"试错"或"玄学调参"来获得好输出——没有统一术语，没有结构化方法论，不同场景的优秀 prompt 无法共享。

该论文认为这正是软件工程曾经面对的问题：当面向对象编程刚兴起时，开发者也是各写各的，缺乏可复用结构，于是有了 GoF Design Patterns。Prompt Engineering 也需要类似的"模式目录"——让好的 prompt 经验变成可描述、可传授、可组合的知识资产。

核心方法

论文提出 Prompt Pattern 作为知识传递方法，每个 Pattern 包含以下结构：

元素 含义
Intent（意图） 该 Pattern 要解决什么问题
Context（上下文） 适用于什么场景
Problem（问题） 不用该 Pattern 时的具体痛点
Template（模板） Prompt 的结构化文字模板
Example（示例） 在特定领域的具体实例
Consequences（后果） 使用后的trade-off

16 个 Pattern 分为 5 个大类（原文未完整列出所有 16 个，此处根据论文语境及后续研究整理主要类别，细节以原始论文为准）：

  1. Output Initialization：要求 LLM 首次输出即符合特定格式/结构
  2. Chain of Thought（CoT）：引导模型分步推理，减少逻辑跳跃
  3. Persona/Role Assignment：赋予模型特定角色身份以提升回答风格适配度
  4. Safety Patterns：防止 Prompt Injection、限制有害输出
  5. Compositional Patterns：多个 Pattern 如何组合使用

Pattern 组合是该论文的重要贡献。例如，一个 prompt 可以同时使用 "Output Initialization"（要求 JSON 格式）和 "CoT"（要求分步思考）两个 Pattern，形成 1+1>2 的效果。

核心伪代码示例（Pattern 调用框架）：

prompt = base_template
for pattern in selected_patterns:
    prompt = pattern.apply(prompt)
send_to_LLM(prompt)

关键实验与数据

  • 论文本身是方法论贡献，未做传统意义上的 A/B 对比实验
  • 核心"验证"方式是：在 ChatGPT（原文未指明具体版本）上对多种实际任务施加不同 Pattern，观察输出质量提升
  • 展示了在软件工程任务（代码生成、需求获取、重构）中的 Pattern 应用案例
  • 被引量：799 次（OpenAlex），属于高影响力方法论文

关于 Pattern 有效性的具体对比数据，原文未给出量化的胜率/质量分数表格，更多依赖定性案例展示。

亮点与局限

亮点： - 首次将"模式"概念系统化引入 Prompt Engineering，术语体系清晰 - Pattern 可组合的思想极具工程价值——真实场景的 prompt 通常需要多层约束 - 论文配套有 Coursera 课程（Jules White 主讲），生态建设完善 - 开源了 Pattern 文档模板，促进社区积累

局限： - 16 个 Pattern 不可能覆盖所有场景，实际使用仍需大量人工适配 - Pattern 有效性缺乏大规模量化评估，多为案例展示 - 2023 年 2 月发表，彼时 ChatGPT 版本较早期，随着模型能力演进，部分 Pattern 的必要性可能下降 - Pattern 与具体 LLM 模型的适配程度未被系统研究（同一 Pattern 在 GPT-4 vs ChatGPT 上的效果差异未知）

对工程落地的启发

  1. 内部知识复用：工程团队可将日常 prompt 经验文档化为 Pattern，减少重复"试错"
  2. 安全红线：Prompt Injection 日益常见，"Safety Pattern" 类的输入过滤思路值得在生产系统嵌入
  3. 组合优于单次：复杂任务（如 RAG+Agent+Tool）应分解为多个 Pattern 组合，而非一个巨大 prompt
  4. 输出格式强控：在需要结构化输出的场景（如 JSON API 场景），Output Initialization Pattern 是低成本高收益的选择

与同方向工作的关系

  • 同期有大量 Prompt Engineering 研究（CoT、Tree of Thoughts、Self-Consistency 等），该工作的独特价值在于模式化、系统化而非提出单一技巧
  • 后续工作将其扩展到软件工程子领域（如"ChatGPT Prompt Patterns for Improving Code Quality, Refactoring, Requirements Elicitation, and Software Design"）
  • 与 LangChain/LlamaIndex 等框架的 prompt 模板概念高度契合，可视为这些框架设计理念的学术前身
  • 对 AI Agent 的 tool-use prompt 设计有直接影响：Agent 的 system prompt 本质上是多个 Pattern 的组合

适合谁读

  • AI 应用工程师：需要系统性提升 prompt 质量，减少调参随机性
  • Prompt Engineering 从业者：想建立方法论体系而非只会"trial and error"
  • AI 研究者：了解 Prompt Engineering 作为一门工程学科的早期发展脉络
  • 不推荐：已熟悉 CoT、Few-shot 等基础技巧的研究者，该论文不涉及这些核心技巧的创新

注：本文基于论文摘要、作者 affiliation 及公开引用分析撰写；16 种 Pattern 的完整列表及量化对比数据建议阅读原文。

工程落地与核查（Jay）

工程可行性评估

可直接落地的部分： - Output Initialization Pattern（JSON/结构化输出约束）已在业界广泛使用，GPT-4/Claude 均稳定遵循，可靠性高。 - Chain of Thought Pattern 在 GPT-4 和 Claude 3+ 上效果稳定，属于成熟工程技巧。 - Pattern 组合框架（pattern.apply() 链式调用）实现简单，适合嵌入现有 LLM 应用框架。

存疑或需要验证的部分： - Safety Pattern 对 Prompt Injection 的防护效果未经独立红队验证，生产环境建议叠加输入过滤层，不要单靠 Pattern。 - 2023 年 2 月论文，彼时模型为 ChatGPT（可能是 GPT-3.5 turbo）。在 GPT-4o / Claude 3.5 Sonnet / Gemini 2.0 等新模型上，部分 Pattern 效果可能减弱（例如 CoT 在 GPT-4 上已是默认行为，不需要显式引导）。

生产部署核查清单

  1. 模型版本兼容性：将论文 Pattern 迁移到新模型时，建议用原始任务做回归测试——特别是"安全性"和"格式约束"类 Pattern，因为模型更新可能改变默认行为。
  2. Pattern 组合的 prompt 长度风险：多个 Pattern 叠加可能导致 prompt 超过模型的上下文窗口利用率阈值（建议控制在 4K tokens 以内做生产验证）。
  3. Pattern 库维护：建议用版本化的 Pattern 仓库管理，每次模型升级时运行 Pattern 回归测试套件。
  4. 版权与许可：论文配套的 Coursera 课程内容与 Pattern 模板的版权归属需确认，商业产品直接复用需注意授权。

存疑项

  • 原文未给出 16 个 Pattern 的完整清单，本解读中"5 个大类"的分类来自论文语境推断，可能与原文结构有出入，建议直接阅读原文 PDF 核实。
  • Pattern 有效性数据（被引 799 次）均为间接验证，论文本身未提供量化 A/B 实验数据，生产决策请勿将 Pattern 效果估计过高。