大家好，我是小肥肠，专注AI干活知识分享。今天不分享干货，跟大家聊聊我的一段经历。上周我从昆明飞往北京，参加了PromptPilot 的产品发布会，这个会议之后我对提示词工程有了新的认知。
9月初我收到了火山引擎社群的线下活动邀请，13号中午我到达了活动现场，当时活动方还贴心准备了签到合影的区域，但由于我连续熬夜状态巨差，加上那个很久没有找托尼帮我打理的，像金毛狮王一样的头发，我当时就拒绝了打卡直接进去了(跑题了哈哈)。参加完会议以后让我觉得不虚此行。
1. PromptPilot+知识库：让大模型落地变得如此简单
整场发布会分为理论演讲和实操体验两个环节。在理论演讲环节由三位老师分别进行了PromptPilot相关产品知识的分享。让我印象最深刻的是一位老师分享的结合知识库生成医疗分诊提示词的案例。
这个案例的巧妙之处在于将提示词的生成与精准的外部知识（医院科室介绍）进行了无缝结合。当用户输入病情描述时，PromptPilot不仅能生成一个高质量的问询Prompt，还能自动关联知识库，为用户推荐最匹配的科室。
更强大的是，它支持创建单个或多个用户变量进行批量测试，还可以直接导入Excel表格中的真实病例数据，进行大规模的问询和效果验证。
这让我瞬间想到了前阵子自己接的一个商单，基于医疗领域资料做一个健康膳食小助手智能体，场景跟这个很类似，整套流程最难的点就是知识库数据清洗和相关提示词编写这块：
- 数据清洗：首先要把客户的数据进行数据清洗和结构化打标签的操作，耗时1天起步。入库与调试：处理好的数据还需要导入到知识库，进行召回率测试，召回率低又要不停调整数据结构标签，耗时2天起步。提示词精调：在工作流节点中需要对引用知识库相关节点的提示词进行精调，反复运行测试它的效果，耗时1天起步，也耗费token。
这一整套流程下来，没有四天时间几乎无法完成。而现在，我亲眼看到PromptPilot将这个过程压缩到了短短几分钟。这种效率的指数级提升，对任何一个AI应用开发者来说，都是巨大的冲击和震撼。
2. 上手实操：我的“提示词优化”不再凭感觉
理论的震撼终究要靠实践来消化。在实操环节，我选择了一个工业领域的经典场景： “质检巡检——图片理解” ，目标是让AI模型能够根据生产车间的图片，判断是否存在违规操作。 提示词我是基于Prompt生成模块来语义生成的，纯大白话输入了。
为了安全生产，你需要根据生产车间的图片，判断生产车间是否存在违规操作设备和未佩戴安全防护用具的情况，需要输出思考过程，判断，以及违规类别。点击发送后，PromptPilot立刻为我生成了一段结构清晰、逻辑严谨的专业提示词，远比我自己的初版想法要周全。以往我要生成这样一段提示词，正确的步骤是找到任意大模型（豆包orDeepSeek），给大模型定义一个提示词专家的身份，让他基于我的白话生成一段针对生产车间质检巡检场景生成一个提示词，还需要精准描述我想要实现的效果。
点击【验证prompt】后就可以验证这个提示词的效果了，下图可以看到跳转到了新的页面，上传任意一张车间工人照片，点击【生成模型回答】就能开启图片质检提示词效果的校验工作。
在下图的右边可以看到已经生成了相应的答案。
如果对答案满意可以保存到测评集当中，在下图中我就把它刚刚生成的答案添加到测评集了。
在测评及中可以自定义评分规则，也可以采用默认的规则对模型回答进行评分：
评分结束后进入只能优化就能得到我们最终的提示词，同时他还会把优化项列出来：
这个案例给我最深的一点感触是，它把提示词优化这个工作做成了规则，模板化的东西。之前提示词的优化我总有一种盲人摸象的感觉，因为我主要做Coze智能体的，在优化大模型节点提示词的时候我总是凭感觉优化，优化一轮跑一次工作流，然后根据结果再优化，这种做法一天下来会浪费很多token，有了PromptPilot， 可以大大提升工作流优化效率，也能大大节省token，可以多百益无一害。
3. 结语
总的来说，这次北京之行让我收获颇丰。PromptPilot不仅仅是一个优秀的提示词提效工具，更是一种先进的工作范式。它通过系统化的流程，将复杂的Prompt Engineering工作变得简单、直观且高效，尤其是在处理垂直、小众领域的知识库结合场景时，它的优势被发挥得淋漓尽致。
值得一提的是，PromptPilot 目前还为新用户准备了零元购入门福利：即日起至 2025 年 10 月 31 日，首次买 39.9 元个人标准版，就送等额 39.9 元代金券；企业用户首购 239 元团队版，也能领 239 元代金券。更实用的是，代金券不仅能抵 PromptPilot 订单，还能付火山方舟里豆包大模型、开源模型的调用费，一份投入能覆盖工具 + 模型，性价比很可。感兴趣的朋友可以戳链接看详情：www.volcengine.com/activity/ar… 。
