【大模型实战】提示工程（Prompt Engineering）
文章目录
- 前言
- 一、五大核心原则
- 二、基础技巧
- 1. 明确指令与输出
- 2. 赋予角色
- 三、进阶技巧
- 1. 少样本提示
- 2. 思维链提示
- 3. 控制输出长度与格式
- 四、迭代与优化：提升提示效果的关键
- 五、提示⼯程最佳实践总结
- 附言
前言
提示工程是通过优化输入指令（提示词），让 AI 模型更精准、高效地输出符合需求结果的技术方法。
一、五大核心原则
- 清晰明确：避免模糊表述，用具体信息（如“新上市”）替代抽象词汇，精准传递意图。
- 提供上下文：补充背景信息（如任务的市场定位），帮助模型理解场景。
- 指定角色：赋予模型具体身份（如“资深文案”“程序员”），引导输出风格与内容侧重。
- 明确任务：清晰说明操作类型（总结/翻译/生成代码等），避免任务模糊。
- 规范格式：指定输出形式（列表/JSON/Markdown等），确保结果符合预期。
二、基础技巧
1. 明确指令与输出
- 反例：宽泛提问（如“讲一下人工智能”）导致输出分散。
- 正例：用“四要素”组合指令：
动作动词（解释）+ 范围限定（生成式AI）+ 数量（3个案例）+ 细节（含简要描述）。
2. 赋予角色
- 原理：通过角色设定（如“网络故障专家”“星际探险家”），约束输出的风格与领域。
- 技巧：角色描述越细致（含背景、场景），输出越贴合预期，可与其他技巧叠加使用。
三、进阶技巧
1. 少样本提示
- 定义：提供1-5个输入输出示例，引导模型学习格式或模式。
- 适用场景：新颖任务或特定格式要求（如小众领域、定制化输出）。
- 示例：
文本：“食物很美味”→ 情感：正面
文本：“服务差”→ 情感：负面
2. 思维链提示
- 定义：引导模型分步推理后再给答案，适用于数学题、逻辑推理等复杂任务。
- 激活方式：加入指令（如“逐步思考”）或示例展示推理过程。
- 效果：显著提升难题正确率（如小学六年级以上数学应用题）。
3. 控制输出长度与格式
- 长度：指定字数（如“100字摘要”）或段落数（如“不超过3段”）。
- 格式：
- 结构类：列表、表格（Markdown）；
- 数据类：JSON（指定字段）；
- 文档类：Markdown 标题/分点。
四、迭代与优化：提升提示效果的关键
提示⼯程是⼀个持续优化的过程，很少⼀次成功。步骤：
- 尝试 (Try)： 根据初步想法构建提示并运⾏。
- 分析 (Analyze)： 评估模型输出是否符合预期。哪⾥好？哪⾥不好？
- 调整 (Adjust)： 根据分析结果修改提示。
• 是不是太模糊了？——更具体。
• 是不是缺少上下⽂？——补充信息。
• 是不是格式不对？——明确指定格式。
• 是不是可以给个例⼦？——尝试少样本。 - 再尝试 (Retry)： ⽤调整后的提示再次运⾏。
• 关键： 保持耐⼼，从⼩处着⼿修改，记录有效的变化。
五、提示⼯程最佳实践总结
- 从简单开始： 先构建简单提示，逐步增加复杂性。
- 清晰指令： 你的指令越清晰，得到的结果越好。
- 提供上下⽂： 模型不是万能的，必要的背景信息很重要。
- 善⽤⻆⾊扮演： 能有效引导输出⻛格和内容。
- 利⽤示例 (Few-Shot)： 对于复杂或特定格式的任务，示例是强⼤的引导。
- 引导思考过程 (CoT)： 解决复杂问题时，让模型“思考”出来。
- 明确输出要求： 包括⻓度、格式、⻛格等。
- 迭代，迭代，再迭代： 不断测试和优化你的提示。
- 分解复杂任务： 将⼤任务拆解成⼩任务，分别提示。
- 检查模型限制： 了解大模型的能⼒边界和可能的偏好。
附言
有时候也需要学习别人的优秀实践，这里给出一个提示词范例网站如下：
https://smith.langchain.com/hub/
除了向人学习，还可以借助 AI，主动让 AI 优化你的提示词，实现“自我驱动”。