在人工智能技术的快速发展中，Prompt Engineering（提示工程）作为一个重要的概念，已经越来越受到关注。

那么，什么是提示工程呢？简单来说，提示工程是指通过向大型语言模型（LLM）提供精确的指令，来获得所需的输出结果。

在我们与OpenAI的模型（如 DeepSeek、ChatGPT）进行对话时，往往我们只是输入简单的问题，系统便给出回答。

乍一看，这似乎是件很简单的事情，但其实背后有着一套科学的原理。掌握这些原理，能帮助我们更好地与AI进行互动，得到更符合需求的输出。

在这篇文章中，我将为大家介绍提示工程的基本原理，并通过实际示例帮助大家掌握如何提升提示效果。

一、明确和具体的提示

清晰与具体的提示是最基础也是最重要的原理之一。很多时候，当我们向LLM发出一个模糊的问题时，得到的回答往往也会含糊不清。为了让模型给出更精确的结果，我们需要尽量在提示中提供更多的细节。

举个例子：如果你想了解“墨西哥总统”，单纯的问“谁是总统”可能会得到不准确或过于泛泛的回答。为了得到更精准的回答，你可以明确指出：“请告诉我墨西哥现在的总统是谁？并简要说明墨西哥总统选举的频率。” 这样，模型能够理解你的需求并给出更详尽和针对性的答案。

另一个例子：假设你想让AI帮助你总结会议记录。如果你仅仅输入“总结会议记录”，AI可能会给你一个笼统的总结。

但如果你能明确要求：“请将会议记录总结成一段话，按以下格式：每位发言者的要点，以及会议中的主要结论。” 那么AI的输出会更加符合你的需求。

1.1 优秀案例

菜谱请求

✅ 优质提示："请提供一份适合糖尿病患者的低糖晚餐食谱，包含食材克数、烹饪步骤和营养分析"

输出结果：详细列出西兰花鸡胸肉沙拉（200g鸡胸肉+300g西兰花）、清蒸鳕鱼配藜麦等具体方案，附带每份碳水含量。

论文写作

✅ 优质提示："请用学术语言撰写关于气候变化对北极熊影响的引言段落，要求包含2018-2023年的最新研究数据，引用3篇权威期刊文献"

输出结果：结构化段落，标注《Nature》2021年研究等具体数据来源。

▶ 1.2 反面案例

❌ 模糊提示："教我做饭"

典型问题：输出大量无关菜谱，无法满足特定需求。

❌ 笼统请求："写个论文开头"

典型问题：生成通用模板，缺乏专业性和数据支撑。

二、给模型时间思考

有时我们给AI模型发出指令后，期望立刻获得结果。但实际上，AI模型并不像人类一样可以快速处理复杂信息。为了获取更准确的结果，给模型一些时间进行“思考”是很有帮助的。

这个原理并非意味着我们需要延迟输入，而是通过调整提示的结构，确保模型能够在生成内容时进行合适的推理。

例如，避免过于简单的指令，并让模型有足够的时间理解任务并生成相应的回答。

2.1 正确案例

数学解题

✅ 分步提示："请分步解答：某商品原价200元，先涨价20%再降价15%，最终价格是多少？要求展示每个计算步骤"

输出结果：

• Step1: 200×1.2=240

• Step2: 240×0.85=204

• 最终价格204元

商业决策

✅ 结构化提示："作为新茶饮品牌CEO，请按以下框架分析是否进军东南亚市场：1) 市场规模 2) 竞品情况 3) 物流挑战 4) 文化差异"

输出结果：系统列出Shopee平台数据、喜茶海外布局情况等结构化分析。

2.2 反面案例

❌ 直接指令："立即告诉我这个数学题答案"

典型问题：直接输出错误答案204元，但缺乏可信度验证。

❌ 综合提问："要不要开拓东南亚市场？"

典型问题：仅得到"存在机遇与挑战"的模糊结论。

三、提示链式化（Prompt Chaining）

“提示链式化”是将复杂任务分解成多个小任务，并通过一系列相关的提示来逐步引导模型完成整个任务。分阶段的任务可以帮助AI更准确地理解每一步的目标，从而逐步提供更好的结果。

例如，如果你要让AI生成一篇文章，你可以首先给出一个简短的指导，要求它列出文章的大纲；接着根据大纲逐一生成各部分内容。每一步都能根据前一步的输出进行调整，从而达到更精确的结果。

3.1 优秀案例

市场报告撰写

✅ 链式流程：

• Step1："列出2023年中国新能源汽车市场分析的5个核心维度"

• Step2："针对'电池技术突破'维度，整理3家头部企业的研发投入对比"

• Step3："将上述内容整合为PPT大纲，每页用论点+数据形式呈现"

小说创作

✅ 分步引导：

• Step1："生成武侠小说大纲：朝代背景→主要人物→核心冲突"

• Step2："详细描写主角夜探王府的场景，包含环境描写和打斗动作"

• Step3："为上述场景添加符合人物性格的对话"

3.2 反面案例

❌ 单次指令："写份完整的新能源汽车行业报告"

典型问题：生成泛泛而谈的概述，缺乏深度数据。

❌ 笼统请求："帮我写本武侠小说"

典型问题：输出老套的"少侠掉崖遇高人"模板化内容。

四、迭代优化（Iterative Prompting）

通过迭代优化提示，你可以不断地改进AI的输出。在第一次得到答案后，根据需要对提示进行调整，再次输入给模型。这种反复调整和优化的过程能够帮助你逐渐获得更精确、详细的结果。

例如：假设你让AI生成一篇文章，第一次它可能偏离了主题。

你可以对生成的内容进行分析，找出不准确的部分，然后调整提示，要求它在第二次生成时关注特定的内容或格式。经过几轮优化后，你就能得到一个满意的输出。

4.1 优秀案例

文案优化

• v1："写空调广告语" → 输出"清凉一夏"

• v2："突出节能特性，使用对仗句式，包含数字对比" → "日省1度电，凉爽24小时"

代码调试

• v1："Python实现快速排序" → 基础代码但无注释

• v2："添加中文注释，处理重复元素情况，输出时间复杂度分析" → 优化版工业级代码

4.2 反面案例

❌ 单次提交："生成产品介绍"

典型问题：输出包含"优质材料""匠心工艺"等空洞词汇的模板文案。

❌ 不修正指令："这段代码不对，重写"

典型问题：持续输出相同错误模式的代码。

五、总结与提升技巧

为了帮助大家更好地理解如何提升与AI互动的效果，我总结出以下几个关键要点：

1.明确与具体的提示：给出尽可能多的细节信息，明确你的需求。

2.给模型时间思考：允许模型逐步生成输出，而不是立即要求结果。

3.提示链式化：将复杂任务分解成多个小任务，逐步推进。

4.迭代优化：通过反复调整和优化提示，逐渐得到更精准的答案。

对比实验示例：

❌ 低效提示："介绍神经网络" → 输出教科书定义

✅ 高效提示："用汽车零件类比解释神经网络工作原理，要求包含输入层/隐藏层/输出层的对应关系" → 生成生动易懂的比喻说明

进阶技巧：

• 角色扮演："你是有10年经验的米其林主厨，为健身人群设计三道高蛋白菜品"

• 格式限定："用SWOT分析格式呈现跨境电商的现状，每个象限不超过3个要点"

• 错误示范："不要使用专业术语" → 避免生成"卷积神经网络"等复杂概念

通过正反案例的对比可以看出，优质的提示工程需要：具体需求量化（如"包含3个数据指标"）、过程结构化（分步骤/分模块）、结果可验证（如要求引用来源）。

而模糊的提示往往导致输出信息过载或信息不足，实际应用时建议采用"需求描述+格式限定+质量要求"的三段式提示结构，可提升输出准确率68%以上（DeepSeek实验室2023年研究数据）。

六、结语

虽然提示工程看似简单，但背后确实蕴藏着很多技巧和科学原理。

通过掌握这些原则，我们能够更加高效地与 AI 进行互动，获得更精准的结果。

希望本文能够帮助你深入理解提示工程的基本概念，并能够在实际应用中提升AI的输出效果。

---

如何站在 2035 年看待今天如日中天的 DeepSeek？

OpenAI 发布 ChatGPT 4o：更智能、更快速、更实惠的 AI 体验

吴恩达 x Open AI ChatGPT ——如何写出好的提示词视频核心笔记

ChatGPT-4: 半年的深度使用思考

【提升认知】AI 大模型一网打尽，不必东奔西走！！

大模型时代：一群人的狂欢，一个人的孤单！

更短时间更快习得更多干货！

和全球超2000+ Elastic 爱好者一起精进！

elastic6.cn——ElasticStack进阶助手

抢先一步学习进阶干货！