Prompt Engineering 提示词工程入门

Prompt Engineering 研究的是如何把任务写成模型更容易执行的输入。它不是单纯“写一句提示词”，而是围绕任务目标、上下文、输出格式、约束条件和模型参数进行设计。

大语言模型已经在预训练阶段学习了大量语言模式和知识表达方式。Prompt 的作用，是把这些能力引导到具体任务上。

Prompt 为什么会影响结果

模型生成内容时，会根据输入文本和已生成内容预测下一个 token。Prompt 越清楚，模型越容易沿着正确方向继续生成。

比如：

写一篇关于科技发展的文章。

这个任务太宽。模型可能写历史、趋势、影响，也可能写泛泛而谈的观点。

换成下面这种写法，任务边界会清楚很多：

面向高中生，写一段 300 字左右的科普短文，解释人工智能如何影响日常学习。语言要通俗，避免使用复杂术语。

这里补充了读者、字数、主题、语气和限制，输出就更容易贴合需求。

一个 Prompt 通常包含哪些部分

好的提示词不一定很长，但关键要素要齐。

要素	作用	示例
角色	指定回答视角	你是一名技术编辑
背景	提供任务上下文	读者刚接触大语言模型
任务	说明要做什么	解释什么是 Prompt
约束	限制输出范围	不超过 500 字
格式	指定结果形态	使用 Markdown 表格
示例	对齐风格	给出一条参考输出

图 1：Prompt 设计的基本链路

flowchart TD
  A["明确任务"] --> B["补充上下文"]
  B --> C["设定输出格式"]
  C --> D["加入约束条件"]
  D --> E["测试结果"]
  E --> F["继续迭代"]

角色：给模型一个回答身份

角色可以影响模型的语气、关注点和回答深度。

你是一名有经验的 Python 教程作者，请解释装饰器的作用。

这类写法适合教学、审稿、代码解释、咨询类任务。角色不需要堆得很复杂，关键是与任务相关。

背景：减少模型猜测

上下文越明确，模型越少猜。

我正在给刚入门的运营同学写一份 AI 写作工具使用说明。
请解释 Prompt 的作用，避免使用模型训练、token 等专业术语。

这段信息告诉模型：读者是谁、内容用途是什么、哪些术语要少用。

任务：动作要具体

任务动词决定模型要做什么。常见动作包括：

总结。
润色。
分类。
对比。
提取。
生成。
检查。
推理。

含糊的“帮我看看”不如“找出这段文案里不清楚的地方，并给出修改建议”。

输出要求：让结果能直接使用

输出要求可以控制结构。比如：

请把下面内容整理成表格，字段包括：问题、原因、解决方法、优先级。

如果要接入程序，格式要求更重要。JSON、Markdown 表格、固定字段列表都能减少后处理成本。

常见提示技术

零样本提示

零样本提示不给示例，直接让模型完成任务。

把下面这段话总结成 3 个要点。

它适合常见任务，例如摘要、翻译、分类和简单问答。

少样本提示

少样本提示会提供一组示例，让模型模仿格式和风格。

示例：
输入：手机发热严重
输出：可能原因包括后台应用过多、环境温度高、长时间游戏。

输入：电脑开机很慢
输出：

示例越贴近真实任务，模型越容易生成一致结果。

链式思考提示

链式思考提示会引导模型分步骤处理复杂问题。它适合数学、逻辑分析、方案判断等任务。

使用时要注意，不是所有场景都需要展示推理过程。面向最终用户的内容，通常只需要给出结论和关键依据。

自动思维链

自动思维链的思路是让模型自行拆解问题。它可以降低人工设计步骤的成本，但结果仍需要检查。

链式提示

链式提示把复杂任务拆成多个连续步骤。

比如写故事时，可以分成：

设定背景、时间、地点和人物。
生成故事大纲。
扩写每个情节。
调整语言风格。
检查逻辑一致性。

这种方式适合长文本写作、翻译、报告生成和复杂分析。

思维树

思维树会让模型同时探索多个可能方向，再比较不同路径。它适合方案选择、策略分析和需要多角度判断的任务。

图 2：几种提示技术的适用场景

flowchart TD
  A["提示技术"] --> B["零样本提示"]
  A --> C["少样本提示"]
  A --> D["链式提示"]
  A --> E["思维树"]
  B --> B1["简单摘要与分类"]
  C --> C1["格式和风格对齐"]
  D --> D1["复杂任务拆解"]
  E --> E1["多方案比较"]

常见参数如何影响输出

提示词之外，参数也会影响模型行为。

参数	作用	调整思路
Temperature	控制随机性	低值更稳定，高值更发散
Top-p	控制候选 token 范围	常用于控制生成多样性
Top-k	限制候选 token 数量	值越小输出越保守
Max Length	限制输出长度	防止回答过长
Stop Sequences	指定停止符	适合固定格式输出
Frequency Penalty	减少重复表达	适合长文本生成
Presence Penalty	鼓励引入新内容	适合创意类任务

技术解释、代码修复和格式转换通常适合低随机性；创意写作、选题发散和头脑风暴可以适当提高随机性。

Prompt Engineering 的常见问题

提示词工程并不是万能的。常见问题包括：

任务描述过宽，输出泛泛而谈。
示例质量低，模型学到错误格式。
约束太多，模型难以同时满足。
上下文太长，关键信息被淹没。
输出结果缺少人工审核。

复杂任务不要只靠一条提示词解决。拆成多个步骤，往往比写一条很长的提示词更稳定。

小结

Prompt Engineering 的重点是把任务拆清楚：谁来回答、面对什么背景、要做什么、输出成什么样、有哪些限制。

零样本、少样本、链式提示和思维树适合不同任务。参数调节能进一步影响输出风格，但不能替代清楚的任务设计。