“昨天让AI帮我写周报，输入‘写份工作总结’，结果收到2000字流水账，从‘阳光明媚的早晨’开始抒情；
让改个简历，它把我的‘项目管理经验’翻译成‘在办公室做了很多大事’；
最离谱的是，让推荐周末菜谱，它居然让我用3D打印机做糖醋排骨…

不是AI太智障，而是我们​ ‘话’​ ​没说好——​
在这个和人工智能谈恋爱都要讲究沟通技巧的时代，
你可能需要掌握一门新方言：​提示词工程（Prompt Engineering）​。

一、 什么是提示词工程（Prompt Engineering）?

1.1 概述

• 提示词工程（Prompt Engineering） 是一门较新的学科，通过优化提示词和生成策略，从而获得更好的模型返回结果的工程技术。它可以通过设计和编写合适的提示文本，引导大语言模型生成符合特定要求的语言输出。

1.2 提示词要素

• ​指令（Instruction） ​：想要模型执行的特定任务或指令。
• ​​上下文（Context） ​：包含外部信息或额外的上下文信息，引导语言模型更好地响应。
• ​​​ 输入数据（Input Data） ​：用户提供的具体信息或问题，需要清晰明确，可能包括数据、文本片段、具体要求等。
• ​​​​输出指示（Output Format） ​：指定输出的格式，如表格、代码块、Markdown等，确保结果可直接使用。
• 【示例】

【指令】：
写一封工作请假申请邮件，说明请假原因和时间
【上下文】：
请假原因：孩子突发高烧需送医  
请假时间：本周五（9月15日）
工作安排：已提前完成本周任务，紧急事务可联系同事张伟  
【输入数据】 
收件人：直属领导王经理 
请假天数：1天
附件：医生诊断证明（由AI提醒添加）  
【输出格式】  
邮件需包含：
1. 明确主题（如「请假申请-李XX-9月15日」）  
2.正文分三段：（1）礼貌问候；（2）请假事由和时间；（3）工作交接说明  
3.正式结尾（署名+联系方式）

二、 提示技术

2.1 零样本提示（Zero-Shot Prompting）

定义：

• 零样本提示指在不提供任何示例的情况下，仅通过自然语言描述任务要求，直接引导模型生成预期输出的技术。

示例：

2.2 少样本提示

定义：

• 通过提供少量输入-输出示例，引导模型理解任务模式并生成符合要求的答案

示例：

2.3 链式思考（Chain-of-Thought Prompting，CoT）提示

定义：

• 通过显式要求模型分步骤展示推理过程，模拟人类解决复杂问题的思维链条，提升大模型在数学、逻辑、编程等领域的表现。

示例：

2.4 自我一致性（Self-Consistency）

定义：

• 一种通过多次生成不同推理路径并选择多数一致答案的增强技术，用于提升复杂任务（数学推理、逻辑分析等）的准确性和可靠性。其核心思想是：​正确的答案往往存在于多条合理路径的交集中。

示例：

2.5 生成知识提示（Generated Knowledge Prompting）

定义：

• 一种让大语言模型先自主生成相关知识，再基于这些知识进行推理或回答问题的技术。其核心在于解耦知识提取与任务执行，通过显式构建知识库提升结果的可信度与可解释性

示例：
下面的这个回答是错误的

这种错误揭示了 LLM 在执行需要更多关于世界的知识的任务时的局限性。我们如何通过生成知识来改进呢？首先，我们生成一些“知识”：

下一步是将知识整合并得出预测。我将问题重新格式化为 QA 格式，以指导答案格式。

​2.6 链式提示（Prompt Chaining）

• 定义：将复杂任务拆解为多个顺序执行的子任务，通过前序输出驱动后续提示的技术。每个环节的提示设计如同流水线，形成模块化处理链条，适合需要多阶段决策或信息迭代的任务。
  示例：
  

​2.7 检索增强生成（RAG, Retrieval-Augmented Generation）详解与示例

• 定义：结合检索系统与生成模型的技术，通过检索外部知识库增强生成内容的准确性和相关性。RAG在回答复杂问题或生成专业内容时，能够动态引入外部信息，避免生成模型的“幻觉”问题。
• 简而言之：RAG 会接受输入并检索出一组相关/支撑的文档，并给出文档的来源（例如百度百科）。这些文档作为上下文和输入的原始提示词组合，送给文本生成器得到最终的输出。这样 RAG 更加适应事实会随时间变化的情况。这非常有用，因为 LLM 的参数化知识是静态的。RAG 让语言模型不用重新训练就能够获取最新的信息，基于检索生成产生可靠的输出。
  示例：
  

三、写在文后

关于提示词工程，本文只写了一些我在实际应用过程中常用的，其实还有很多相关知识，大家可以去** Prompt Engineering Guide**自行查看。