提示工程简介
#2025/12/31 #ai
目录
核心概念
提示工程（Prompt Engineering） 就像是你跟AI模型“说话的艺术“。你怎么问问题，很大程度上决定了AI会怎么回答。
提示工程的主要目标都是引导模型生成有用的回
一、为什么需要提示工程？
想象一下，你问朋友：“帮我个忙。”
- 朋友会一脸懵：什么忙？怎么帮？
- 如果你说：
- “帮我把这段话翻译成英文，要正式风格，两句话以内。”
- 朋友就知道该怎么做了！
AI模型也一样：
- 越具体的指令 → 越准确的回答
- 越模糊的问题 → 越随机的输出
二、提示词的基本组成
根据文档内容，一个好的提示词通常包含以下部分：
图：基本指令提示词的两个组件：
指令本身及其相关的数据
1. 指令本身（Instruction） - 核心任务
告诉模型“要做什么“
例如：将以下文本分类为正面或负面情感
2. 指令相关的 数据（Data） - 待处理内容
提供具体要处理的数据
例如："This is a great movie!"（这是一部很棒的电影！）
3. 输出指示器（Output Indicator） - 格式引导
告诉模型用什么格式回答
例如：
Text: "This is a great movie!"
Sentiment: _____（让模型填空）
图：扩展提示词，添加输出指示器以获得
特定输出
三、实际例子对比
❌ 基础版（效果一般）
提示词：The sky is
模型输出：blue.（只是简单补全句子）
图 ：一个基本的提示词示例。由于没有给出指令，LLM 将简单地尝试补全这个句子
✅ 改进版（有明确指令）
提示词：
Classify the text into negative or positive.
Text: "This is a great movie!"
Sentiment:
模型输出：Positive（正面）
四、提示工程的实用技巧
文档提到了几个关键原则：
1. 具体性（Specificity） ⭐最重要
不好的例子："给产品写描述"
好的例子："用不超过两句话，以正式风格撰写产品描述"
2. 防止幻觉（Hallucination）
让模型承认“不知道“：
"如果你不知道答案，请回答'我不知道'，不要编造信息。"
3. 顺序很重要
- 模型更关注开头（首位效应）和结尾（近因效应）
- 长提示词中，中间内容容易被“遗忘“
五、不同任务的提示词示例
文档展示了多种应用场景：
| 任务类型 | 提示词示例 |
|---|---|
| 摘要 | “Summarize the following text: …” |
| 分类 | “Classify the text into neutral, negative, or positive” |
| 实体识别 | “Extract entities from the following text: …” |
六、初学者常见误区
- 指令太模糊
- ❌ “分析这段文本”
- ✅ “
用三句话总结这段文本的核心观点”
- 忽略输出格式
- 不指定格式，模型可能输出完整段落、列表、JSON等各种形式
- 明确说明：
- “用JSON格式输出” 或 “用项目符号列表”
- 期望一次完美
- 提示工程是迭代过程
- 需要不断测试调整
七、实战建议
第一步：从简单开始
# 最基础版本
prompt = "将这段话翻译成英文：今天天气不错"
第二步：添加约束条件
# 改进版本
prompt = """
任务：将以下中文翻译成英文
要求：使用口语化风格，不超过15个单词
输入：今天天气不错
输出：
"""
第三步：测试和优化
运行多次，观察输出是否符合预期，然后调整提示词的具体性、格式等。
核心要点总结
- 提示工程 = 精准沟通：把你的需求说清楚
- 三要素：指令 + 数据 + 输出格式
- 越具体越好：减少模型“自由发挥“的空间
- 需要实验：没有完美提示词，只有更适合的提示词
记住：提示工程不只是“写个问题“，而是系统化地设计输入，让模型理解你的真实意图！