高级提示工程

#2025/12/31 #ai

看完 2. 提示工程简介，你可能觉得：“这不就是把问题说清楚吗？”

但实际上，提示工程远比表面看起来复杂得多。这一节我们来看看专业高手们是怎么玩的。

目录

• 一、提示词可以有多复杂？
  • 核心观点
  • 常见的高级组件
• 二、实战案例：论文摘要生成器
  • ❌ 简单版
  • ✅ 专业版（包含所有高级组件）
• 三、迭代实验：找到最佳提示词
  • 核心理念
  • 实验流程
  • 关键技巧
• 四、上下文学习（In-Context Learning）
  • 核心思想
  • 三种形式
    • 1. 零样本（Zero-Shot）- 不给示例
    • 2. 单样本（One-Shot）- 给1个示例
    • 3. 少样本（Few-Shot）- 给多个示例
  • 效果对比
• 五、链式提示（Prompt Chaining） → 分解问题
  • 问题场景
  • 解决方案：分步骤执行
  • 代码示例
  • 优势
  • 应用场景
• 六、常见误区与注意事项
  • 误区1：组件越多越好
  • 误区2：忽略组件顺序
  • 误区3：期望一次成功
  • 注意事项
• 七、实战建议流程
  • 第一步：从基础开始
  • 第二步：添加核心组件
  • 第三步：迭代优化
  • 第四步：复杂场景使用链式提示
• 核心要点总结
• 最后

一、提示词可以有多复杂？

核心观点

提示词不只是三个组件（指令+数据+输出指示器），你可以根据需要构建任意复杂的提示词。

常见的高级组件

图：一个包含多个组件的复杂提示词示例

二、实战案例：论文摘要生成器

❌ 简单版

"Summarize this paper: [论文内容]"  

✅ 专业版（包含所有高级组件）

# 角色定位
persona = "你是大语言模型领域的专家。你擅长将复杂的论文拆解为易于理解的摘要。\n"

# 指令（核心任务）
instruction = "总结所提供论文的关键发现。\n"

# 上下文（为什么要做这个）
context = "你的摘要应当提取最关键的要点，帮助研究人员快速理解最重要的信息。\n"

# 格式要求
data_format = "创建一个要点式摘要来概述方法。随后用简洁的段落来概括主要结果。\n"

# 目标受众
audience = "该摘要是为需要快速掌握最新趋势的忙碌研究人员设计的。\n"

# 语气
tone = "语气应当专业且清晰。\n"

# 待处理数据
data = f"待总结的文本：{text}"

# 完整提示词
query = persona + instruction + context + data_format + audience + tone + data

三、迭代实验：找到最佳提示词

核心理念

提示工程本质上是一个迭代的实验循环，没有完美的提示词，只有更适合的。

实验流程

迭代1: 指令 + 数据  
        ↓  
迭代2: + 角色定位 + 上下文  
        ↓  
迭代3: + 语气 + 受众  
        ↓  
迭代N: 调整组件顺序  

图 6：对模块化组件进行迭代是提示工程的重要步骤

关键技巧

• 添加/删除组件：
  • 看哪些真正有效
• 调整顺序：
  • 记住首位效应和近因效应（开头和结尾最重要）
• 观察影响：
  • 每次改动后都要测试输出质量

在提示工程中，我们本质上是在进行一个迭代的实验循环

四、上下文学习（In-Context Learning）

核心思想

与其描述任务，不如直接展示任务！

我们相信 “一例胜千言”，直接展示 LLM 应该实现什么以及如何实现

图 ：上下文学习中使用示例的不同形式

三种形式

1. 零样本（Zero-Shot）- 不给示例

Classify the text into neutral, negative, or positive.  
Text: I think the food was okay.  
Sentiment:   

2. 单样本（One-Shot）- 给1个示例

Classify the text into neutral, negative, or positive.  

Text: I think the food was alright.  
Sentiment: Neutral  

Text: I think the food was okay.  
Sentiment:   

3. 少样本（Few-Shot）- 给多个示例

Classify the text into neutral, negative, or positive.  

Text: I think the food was alright.  
Sentiment: Neutral  

Text: I think the food was great!  
Sentiment: Positive  

Text: I think the food was horrible...  
Sentiment: Negative  

Text: I think the food was okay.  
Sentiment:   

效果对比

示例越多 → 模型理解越准确 → 输出越符合预期

五、链式提示（Prompt Chaining） → 分解问题

问题场景

假设你要用AI创建一个完整的产品宣传方案，包含：

1. 产品名称
2. 产品口号
3. 销售话术

如果一次性要求，提示词会变得非常复杂且难以控制。

解决方案：分步骤执行

第1步: [产品特征] → LLM → [产品名称]  
                              ↓  
第2步: [产品特征 + 产品名称] → LLM → [产品口号]  
                                      ↓  
第3步: [产品特征 + 产品名称 + 口号] → LLM → [销售话术]  

图 ：使用产品特征描述，通过链式提示创建合适的产品名称、口号和销售宣传语

代码示例

# 步骤1：生成产品名称  
product_prompt = "Create a name for a chatbot that helps with homework"  
name = llm.generate(product_prompt)  

# 步骤2：基于名称生成口号  
slogan_prompt = f"Create a slogan for {name}"  
slogan = llm.generate(slogan_prompt)  

# 步骤3：基于前两步生成销售话术  
pitch_prompt = f"Create a sales pitch for {name} with slogan: {slogan}"  
pitch = llm.generate(pitch_prompt)  

优势

✅ 每个子任务提示词更简单
✅ 可以单独调试每个步骤
✅ 模型在每个问题上投入更多 “注意力”
✅ 降低整体复杂度

应用场景

• 📖 写书：
  • 概要 → 人物 → 情节 → 对话
• 🛒 购物助手：
  • 理解需求 → 搜索商品 → 比较价格 → 生成清单

六、常见误区与注意事项

误区1：组件越多越好

错误思维：

• 把所有组件都加上就是最好的
  正确做法：
• 通过实验找到最优组合，有时候简单反而更有效

误区2：忽略组件顺序

问题：

• 中间的信息容易被“遗忘“
  建议：
• 重要信息放在开头或结尾

误区3：期望一次成功

现实：

• 提示工程需要反复迭代测试
  心态：
• 把它当作实验过程，而不是一次性任务

注意事项

1. 不同模型效果不同：
   • 同样的提示词在不同模型上表现差异很大
2. 创意无限：
   • 甚至可以加入“情感刺激“（如”这对我的职业生涯非常重要“）
3. 逆向工程：
   • 本质是在探索模型的学习内容和响应模式

七、实战建议流程

第一步：从基础开始

prompt = "为产品写描述"  

第二步：添加核心组件

prompt = """  
角色：你是一位专业的营销文案  
任务：为以下产品写描述  
格式：不超过两句话，正式风格  
产品：[产品信息]  
"""  

第三步：迭代优化

• 测试不同组件组合
• 记录哪些改动有效
• 调整顺序看效果变化

第四步：复杂场景使用链式提示

# 将大任务拆解  
任务1 → 输出1  
         ↓  
任务2 (使用输出1) → 输出2  
                    ↓  
任务3 (使用输出1+2) → 最终结果  

核心要点总结

最后

记住：提示工程是艺术+科学，需要创造力+系统实验！