药学科普中提示词工程的应用与展望

樊鑫怡; 钱妍; 朱鸣阳

doi:10.6039/j.issn.1001-0408.2026.11.18

您当前的位置：

首页 >

文章列表页 >

药学科普中提示词工程的应用与展望

智慧药学 | 更新时间：2026-06-10

- 药学科普中提示词工程的应用与展望
- Applications and prospects of prompt engineering in pharmaceutical popularization
- 中国药房 2026年37卷第11期页码：1485-1489
- 作者机构：
  
  重庆医科大学附属第二医院药学部，重庆　400010
- 作者简介：
  
  药师，硕士。研究方向：药事管理、人工智能。 E-mail：1628567985@qq.com
  主管药师。研究方向：信息药学、药事管理、临床药学。E-mail：zmycyfey@163.com
- 基金信息：
  
  信火相承科研专项基金公益项目(XHXC028)
- DOI：10.6039/j.issn.1001-0408.2026.11.18
  中图分类号： R95;TP18
- 收稿：2026-01-21，
  
  修回：2026-05-25，
  
  录用：2026-05-25，
  
  纸质出版：2026-06-15
- 稿件说明：
移动端阅览
樊鑫怡,钱妍,朱鸣阳.药学科普中提示词工程的应用与展望 [J].中国药房,2026,37(11):1485-1489.

FAN Xinyi,QIAN Yan,ZHU Mingyang.Applications and prospects of prompt engineering in pharmaceutical popularization[J].ZHONGGUO YAOFANG,2026,37(11):1485-1489.
樊鑫怡,钱妍,朱鸣阳.药学科普中提示词工程的应用与展望 [J].中国药房,2026,37(11):1485-1489. DOI： 10.6039/j.issn.1001-0408.2026.11.18.

FAN Xinyi,QIAN Yan,ZHU Mingyang.Applications and prospects of prompt engineering in pharmaceutical popularization[J].ZHONGGUO YAOFANG,2026,37(11):1485-1489. DOI： 10.6039/j.issn.1001-0408.2026.11.18.

摘要

目的

为构建药学科普中大语言模型的提示词工程体系，为药师群体开展高效、规范的科普工作提供参考。

方法

系统阐述提示词工程的原理、类别及其对模型的输出“幻觉”、可解释性不足等问题的缓解作用。明确两大核心场景下（“文生文”和“文生图”）提示词工程的设计及优化，结合实例对比应用前后的输出效果，并指出现阶段提示词工程在药学科普领域应用的局限性。

结果

在两大药学科普的应用场景下，合理的提示词工程能提高大语言模型输出的准确性、可读性及效率，生成适配临床应用场景的个性化科普内容。

结论

提示词工程可优化药学科普的输出质量。本文构建的针对药学科普的规范化提示词工程模板，可提升药师开展科普创作的效率和质量。

Abstract

OBJECTIVE

This study aims to establish a prompt engineering system for large language models in pharmaceutical popularization， and provide references for pharmacists to carry out efficient and standardized science popularization work.

METHODS

This study systematically expounded the principles and classifications of prompt engineering， as well as its effect on alleviating problems including model output hallucinations and poor interpretability. The design and optimization strategies of prompt engineering were defined for two core scenarios， namely text-to-text and text-to-image. Typical examples were adopted to compare the output effects before and after application. In addition， the limitations of prompt engineering applied in pharmaceutical popularization at the current stage were summarized.

RESULTS

In the two major scenarios of pharmaceutical popularization， well-designed prompt engineering improved the accuracy， readability and efficiency of outputs generated by large language models， and produced personalized popularization content adapted to clinical practice.

CONCLUSIONS

Prompt engineering can effectively improve the output quality of pharmaceutical popularization. The formulated standardized prompt engineering templates tailored for pharmaceutical popularization， can help pharmacists improve the efficiency and quality of popularization content creation.

关键词

Keywords

references

王冀，邓婷鹤，李英华 . 2024年我国居民健康素养水平分析 [J ] . 中国健康教育， 2025 ， 41 （ 6 ）： 483 - 485，490 .

YANG R X ， WANG X ， WU H Z ， et al . Analysis of factors influencing the awareness of inpatients regarding hospital clinical pharmacy services and willingness to pay：a multicenter survey in Hebei Province，China [J ] . Front Pharmacol ， 2025 ， 15 ： 1520058 .

SHOOL S ， ADIMI S ， SABOORI AMLESHI R ， et al . A systematic review of large language model （LLM） evaluations in clinical medicine [J ] . BMC Med Inform Decis Mak ， 2025 ， 25 （ 1 ）： 117 .

XI Z H ， CHEN W X ， GUO X ， et al . The rise and potential of large language model based agents：a survey [J ] . Sci China Inf Sci ， 2025 ， 68 （ 2 ）： 121101 .

邹海，陈臻瑶，贺西淦，等 . 社区开展重症医学知识科普创新模式的探讨与实践 [J ] . 中国全科医学， 2024 ， 27 （ 24 ）： 3051 - 3056 .

王聪，丁苏雅，詹琰 . 线上评论背景下传统科普形式的科学传播模式研究 [J ] . 自然辩证法研究， 2024 ， 40 （ 6 ）： 93 - 99 .

IQBAL U ， TANWEER A ， RAHMANTI A R ， et al . Impact of large language model （ChatGPT） in healthcare：an umbrella review and evidence synthesis [J ] . J Biomed Sci ， 2025 ， 32 （ 1 ）： 45 .

AL-KFAIRY M ， MUSTAFA D ， KSHETRI N ， et al . Ethical challenges and solutions of generative AI：an interdisciplinary perspective [J ] . Informatics ， 2024 ， 11 （ 3 ）： 58 .

QI H ， LI X Q ， ZHANG C C ， et al . Improving drug-drug interaction prediction via in-context learning and judging with large language models [J ] . Front Pharmacol ， 2025 ， 16 ： 1589788 .

HASANZADEH F ， JOSEPHSON C B ， WATERS G ， et al . Bias recognition and mitigation strategies in artificial intelligence healthcare applications [J ] . NPJ Digit Med ， 2025 ， 8 ： 154 .

AFROOGH S ， AKBARI A ， MALONE E ， et al . Trust in AI：progress，challenges，and future directions [J ] . Humanit Soc Sci Commun ， 2024 ， 11 ： 1568 .

徐凤 . 人工智能算法黑箱的法律规制：以智能投顾为例展开 [J ] . 东方法学， 2019 （ 6 ）： 78 - 86 .

MAREY A ， ARJMAND P ， ALERAB A D S ， et al . Explainability，transparency and black box challenges of AI in radiology：impact on patient care in cardiovascular radiology [J ] . Egypt J Radiol Nucl Med ， 2024 ， 55 （ 1 ）： 183 .

CHEN B H ， ZHANG Z F ， LANGRENÉ N ， et al . Unleashing the potential of prompt engineering for large language models [J ] . Patterns ， 2025 ， 6 （ 6 ）： 101260 .

MESKÓ B . Prompt engineering as an important emerging skill for medical professionals：tutorial [J ] . J Med Internet Res ， 2023 ， 25 ： e50638 .

HU Y ， CHEN Q Y ， DU J C ， et al . Improving large language models for clinical named entity recognition via prompt engineering [J ] . J Am Med Inform Assoc ， 2024 ， 31 （ 9 ）： 1812 - 1820 .

LIU P F ， YUAN W Z ， FU J L ， et al . Pre-train，prompt，and predict：a systematic survey of prompting methods in natural language processing [J ] . ACM Comput Surv ， 2023 ， 55 （ 9 ）： 1 - 35 .

OPPENLAENDER J ， LINDER R ， SILVENNOINEN J . Prompting AI art：an investigation into the creative skill of prompt engineering [J ] . Int J Hum ， 2025 ， 41 （ 16 ）： 10207 - 10229 .

FATAWI I ， ASY’ARI M ， HUNAEPI H ， et al . Empowering language models through advanced prompt engineering：a comprehensive bibliometric review [J ] . Indonesian J Sci Technol ， 2024 ， 9 （ 2 ）： 441 - 462 .

宋筱璇，徐丹，张紫蕴，等 . 提示词重构类型对AI生成内容效果的影响 [J ] . 图书馆论坛， 2025 ， 45 （ 4 ）： 129 - 138 .

XU L L ， ZHANG J J ， LI B Q ， et al . Tapping the potential of large language models as recommender systems：a comprehensive framework and empirical analysis [J ] . ACM Trans Knowl Discov Data ， 2025 ， 19 （ 5 ）： 1 - 51 .

RAJPURKAR P ， LUNGREN M P . The current and future state of AI interpretation of medical images [J ] . N Engl J Med ， 2023 ， 388 （ 21 ）： 1981 - 1990 .

WALTER Y . Embracing the future of artificial intelligence in the classroom：the relevance of AI literacy，prompt engineering，and critical thinking in modern education [J ] . Int J Educ Technol High Educ ， 2024 ， 21 （ 1 ）： 15 .

张凌寒，于琳 . 从传统治理到敏捷治理：生成式人工智能的治理范式革新 [J ] . 电子政务， 2023 （ 9 ）： 1 - 13 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于TAM-TOE-DOI整合框架的人工智能在药学领域应用的激励和约束因素及优化策略研究

本地化大语言模型在胃癌术前药物重整中的应用模式构建与实践

基于AI幻觉抑制的药学智能问答平台的构建与效能验证

人工智能对医院药学的影响分析

人工智能技术在药学领域的应用——基于Web of Science的文献可视化分析