LV030-提示词工程
我们来看看什么叫提示词工程（Prompt Engineering）
一、概述
1. 为什么我们的 AI 输出不尽人意？
- 让 AI 写一篇文章，结果内容泛泛而谈，毫无重点？甚至编造一些不存在的内容？
- 提问技术问题，得到的回答却充满错误或过于简单？
2. 尝试一下
我们来到 Deepseek 官网：DeepSeek - 探索未至之境，打开一个对话框，输入以下内容：
写一个hello world程序然后就会看到大模型开始思考，然后开始给我们结果，然后就得到了一堆的内容，可能有好几百字。那我们只是想简单了解一下呢？我们换种问法：
用户：写一篇关于AI的介绍,不要超过100字
Deepseek：人工智能是让机器模拟人类智能的科学。其核心是机器学习，能从数据中学习规律，实现图像识别、语音交互、智能推荐等功能。AI正重塑各行各业，在提升效率的同时，也带来了就业、伦理等挑战，未来将更强调人机协作与负责任的发展。这个时候，我们就会得到一个简短的回答，不会像上面一样好几百字蹦出来。
二、提示词(Prompt)
1. 什么是提示词？
提示词是传递给大语言模型（LLM, Large Language Model）的输入规范，用于约束模型行为、限定任务范围、控制输出格式。一个 Prompt 本质上是 任务描述 + 行为规约 + 输出约束 的组合。
优秀的提示词通常具备以下特征：
- 指令明确（Directive）
- 上下文充足（Context）
- 示例有效（Exemplars）
- 格式固定（Format）
- 风格一致（Style）
- 无歧义（Disambiguation）
2. 工作原理
提示词在大语言模型中的作用可以分为以下几个阶段：
（1）Token 化与编码：Prompt 转换为 Token 序列，作为模型输入。
（2）上下文建模：模型根据已有知识理解意图，建立语境。
（3）概率预测：逐 token 预测最可能输出，生成响应内容。
（4）策略约束：通过 Temperature、Top-p 等采样策略控制生成过程。
（5）输出整形（Answer Engineering, Answer Engineering）：结构化、解析、验证输出结果。
提示词质量直接影响模型在上下文建模与概率预测阶段的推理行为，因此 Prompt 的结构与顺序设计会显著改变输出质量。
3. 核心组成（结构视图）
提示词可以拆解为 6 个结构单元。下表展示了提示词的核心组成及其功能。
| 组成部分 | 作用 |
|---|---|
| Role | 设定模型的专业角色（审计员、工程师等） |
| Directive | 告诉模型“要做什么” |
| Additional Info | 背景知识、限制条件 |
| Exemplars | Few-shot 示例 |
| Format | 输出格式规范（JSON/Markdown/表格） |
| Style | 语气、风格（正式、简洁） |
这些元素共同形成“Prompt Schema”，是所有工程化 Prompt 的基础。
二、提示词工程
1. 什么是提示词工程
那么 Prompt Engineering（提示词工程）是什么？顾名思义，是围绕 "提示词"（Prompt）进行设计、构建和优化的过程，提示词工程通过设计优化输入提示词，引导大模型生成更精准的答案，类似于给大模型装上“人类语言翻译器”。
简单来说，提示词工程是指如何设计、优化、调整输入给 AI 模型的提示词（Prompt），从而获得最有效、最准确的输出。
2. 提示词的要素
如果我们接触过大量提示工程相关的示例和应用，会注意到提示词是由一些要素组成的。提示词可以包含以下任意要素：
指令：想要模型执行的特定任务或指令。
上下文：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：用户输入的内容或问题。
输出指示：指定输出的类型或格式，例如 json、markdown。
3. 提示词工程：从技巧到体系化技术栈
提示词工程不仅仅依赖“经验”，而是一个系统化的技术体系。下图总结了 Prompt Engineering 的六大技术域及其代表方法：
4. 提示词工程的扩展领域
随着模型能力增强，Prompt Engineering 已从“文本提示”扩展至多语、多模态、智能体、评估、安全等方向。下图展示了提示词工程的主要扩展领域：
三、 提示技术
1. Zero-shot
Zero-shot 提示 指的是模型在没有见过任何与特定任务相关的示例数据的情况下，直接执行该任务。简单来说，就是 零样本提示。在 Zero-shot 学习中，模型依赖其在预训练阶段获得的知识，能够根据输入的指令或描述，完成没有直接训练过的任务。
2. Few-Shot
Few-shot 提示 指的是模型通过少量的训练示例来完成任务。通常，few-shot 提示会提供一些示例（通常在 3 到 10 个之间），使得模型能够更好地理解任务的规律和要求，就是 少样本提示。就好像是在一场密室逃脱游戏中，AI 大语言模型拿到了一些关于任务的提示卡片，让它知道应该朝着什么方向前进。
3. 思维链提示
思维链的解释很简单，意思就是给 AI 大语言模型（ChatGPT）给出一些需要思考的过程，可以是我们直接给它提供，也可以让它自己来思考。
少样本思维链：就好像在给 AI 大语言模型给出一些提示或者解题步骤，比如下面例子，第一次直接让 AI 大模型回到问题时，它直接给答案，但是是错误的。第二次通过在提示词中给出模型解题步骤，给出的答案就是正确的。
【大模型的直接思考回答】
问：小明现在有5个羽毛球。他买了2管羽毛球。
每管有3个羽毛球。现在他有多少个羽毛球？
答：答案是11。
问：自助餐厅有23个苹果。如果他们用了20个来做午餐，
并买了6个，他们现在有多少个苹果？
模型输出
答：答案是27 【错误的❎】【提示词中告诉模型解答步骤】
问：小明现在有5个羽毛球。他买了2管羽毛球。
每管有3个羽毛球。现在他有多少个羽毛球？
答：小明起初有5个羽毛球。2管每管3个羽毛球，总共6个羽毛球。
5+6=11。答案是11。
问：自助餐厅有23个苹果。如果他们用了20个来做午餐，
并买了6个，他们现在有多少个苹果？
模型输出
答：自助餐厅最初有23个苹果。他们用了20个来做午餐。
所以他们还剩下23-20=3个。他们买了6个苹果，
所以现在他们有3+6=9个。答案是9 [正确的✅]参考资料：
大模型应用之提示词工程详解，提示词工程保姆级教程，收藏这篇就够了！_大模型 提示词工程-CSDN 博客
ASystematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications
The Prompt Report: A Systematic Survey of Prompt Engineering Techniques