Prompt Engineering

大模型基础理论

1. 什么是 Prompt Engineering？

提示工程 是设计和优化输入指令（Prompt），以引导大语言模型（如 GPT-4、Claude 等）生成准确、相关、高质量输出的实践科学。

通俗理解：AI 像一个极度“字面”但知识渊博的助手。Prompt Engineering 就是教会你如何写一份清晰、完整、包含约束和示例的任务说明书，让助手一次就懂。

2. 核心原则与基础技巧（含示例）

原则说明❌ 不好的提示✅ 更好的提示
清晰具体避免模糊，明确格式与范围“写首诗”“写一首关于秋天落叶的、带有忧伤情绪的七言绝句”
赋予角色设定 AI 的身份或视角“解释机器学习”“你是一位高中计算机老师，请用比喻向学生解释什么是机器学习”
提供示例给出输入-输出样例（Few-shot）“把‘你好’翻成英文”“示例：苹果→apple；猫→cat；你好→”
分解步骤拆分复杂任务为顺序指令“写篇市场分析报告”“1. 列出3个关键数据 2. 基于数据写2个发现 3. 给出结论建议”
定义格式指定输出的具体结构“总结文档”“请用三个要点总结，每个要点后用🔍，最后一句概括核心观点”
设定约束限制长度、风格或排除内容“写产品描述”“50字以内，语气活泼，禁用‘最好’‘第一’等词”

3. 进阶方法与模式示例

3.1 链式思考 (Chain-of-Thought, CoT)

要求模型展示推理步骤，适用于数学、逻辑题。

  • 提示：“小明有5个苹果，给了小红2个，又买了3个，然后吃了1个。请一步步计算他现在有几个。”

  • AI 输出：

      `5 - 2 = 3`  
  `3 + 3 = 6`  
  `6 - 1 = 5`  
  答案：5个。

3.2 自我一致性 (Self-Consistency)

多次运行 CoT 提示，取多数答案，提高准确率。

  • 适用场景：对同一逻辑题生成3次推理解答，投票决定最终答案。

3.3 思维树 (Tree-of-Thoughts)

探索多个推理路径，回溯评估分支，适合开放规划问题。

  • 示例：“规划一次周末露营。请考虑天气、装备、交通三个维度，分别列出优缺点，再选择最佳路径。”

3.4 反思与修订 (ReAct / Reflexion)

让 AI 自批评并修正答案。

  • 提示：“写一段代码计算斐波那契数列。然后检查代码是否有性能问题，并提供优化版本。”

3.5 元提示 (Meta-Prompting)

让 AI 帮你生成或优化提示。

  • 示例：“请帮我设计一个提示，用于让 AI 总结新闻文章，要求输出三个要点，每点不超过30字。”

4. 实际应用案例

🖥️ 编程助手

提示：
“用 Python 写一个函数，输入整数列表，输出偶数的平方和。要求包含类型注解和 docstring。”

🧑‍🏫 教育辅导

提示：
“你是一名数学导师。用户说‘我不懂负数乘法’。用债务或温度的例子解释，然后出两道练习题，不直接给答案。”

✍️ 创意写作

提示：
“写一段300字的悬疑小说开头：雨夜，老书店，一本会自动翻到第47页的书。第一人称，心理描写为主。”

📊 数据分析

提示：
“你是数据分析师。表格数据：[CSV]。请：1) 最高销售额月份 2) 季度增长率 3) 用 markdown 表格输出。”

5. 常见误区与调试技巧

误区调试方法
提示过于简短添加：角色、步骤、格式、示例
假设 AI 知道上下文显式重复重点：“基于上文第三段......”
输出跑题或啰嗦加约束：“只答 Yes/No” / “每点不超过20字”
逻辑错误要求“逐步推理”或“检查你的答案是否有矛盾”
格式混乱指定“输出 JSON” / “用分号分隔” / “每点前加 ➡️”
标签：
大模型基础理论