摘要：最近，Google 发布了一份67 页提示工程技巧（Prompt Engineering）PDF 文档。
大家好，我是运营黑客。
最近，Google 发布了一份 67 页提示工程技巧（Prompt Engineering）PDF 文档。
这是一份非常值得一看的报告：
✅ 它总结了，针对最新 LLM（如 Gemini、ChatGPT），行之有效的提问技巧；
✅ 这份报告的内容非常系统化，适合新手、小白学习入门。
不过，原版 PDF 全部是英文，而且有 67 页之多。
对于国内的小伙伴不太友好。
今天肝了 6 个小时，将这份报告中涉及「提示技巧」的部分全部扒下来，整理成了 3000 余字的内容。
希望能帮你，更高效的运用好现在的 AI 大模型。
话不多说，我们开始正文。
每次看到提示工程（Prompt Engineering），不少朋友会被「工程」两个字吓到，接下来我会用最简单的方式，带你一步步了解如何更好地与 AI「沟通」。
简单来说，提示工程就是：
研究怎么“问对问题”或者“给对指令”，让 AI（尤其是像 Gemini、ChatGPT 这样的大语言模型）能更准确、更有效地理解你的意思，并给出你想要的答案或内容。
核心概念：
提示 (Prompt): 你输入给 AI 的任何文本。可以是一个问题、一个命令、一段开头，甚至是一张图片（多模态）。生活化比喻： 就像你给导航 App 输入目的地地址。地址越精确（提示越好），导航路线越靠谱（AI 回答越好）。
提示工程 (Prompt Engineering): 设计、优化和测试这些“提示”的过程。目标是让 AI“秒懂”你的需求。生活化比喻： 不只是告诉厨师“做个菜”，而是详细说明“做一道少油少盐的番茄炒蛋，鸡蛋要嫩，番茄去皮切小块”。这个详细说明的过程，就是提示工程。
大语言模型 (LLM): 指那些“读万卷书”（海量数据）训练出来的 AI 模型，比如 Google 的 Gemini。它们擅长理解和生成文本。因为 AI 并不是真正“思考”，它们是基于概率工作的。
一个模糊或有歧义的提示，很可能让 AI“跑偏”，给出驴唇不对马嘴的答案。
提示工程就是那座桥梁，连接你的意图和 AI 的“理解”，让你能真正驾驭 AI 的力量。
除了写好提示，我们还可以调整一些参数，像控制音响的按钮一样，微调AI输出的风格和内容。
输出长度 (Output Length / Max Tokens): 控制 AI 回答的字数（准确地说是 token 数，可以粗略理解为单词或汉字）。比如： 规定作文的字数上限。
温度 (Temperature): 控制 AI 回答的“创造性”或“随机性”。值越低（比如0.1），回答越稳定、越“一本正经”；值越高（比如 0.9），回答越有创意、越“天马行空”，但也可能越不着边际。温度为 0 时，AI 会选择最最可能的那个词，回答最确定。比如： 调节“创意”按钮。低 = 新闻播报员，高 = 即兴诗人。
Top-K: AI 在生成下一个词时，只从概率最高的 K 个词里选。K 越小，选择范围越窄，回答越“聚焦”。比如： 点菜时只看菜单上最受欢迎的前3道菜。
Top-P: AI 选择词的范围，直到这些词的累计概率达到 P（比如 0.95）。这比 Top-K 更灵活，有时选的词多，有时少。比如： 点菜时一直看菜单，直到看过的菜加起来覆盖了 95% 大家常点的菜为止。
注意： 这些参数会相互影响，需要不断尝试找到最适合你任务的组合。
这部分是精髓！掌握这些技巧，你的“提问”水平将大大提升。
基础招式
比如： 直接问朋友：“法国首都是哪里？”
单样本/少样本 (One-shot / Few-shot): 在提示里给 AI 一个或几个例子，告诉它你想要的格式或答案类型。比如： 教小孩认字，指着“猫”的图片说“这是猫”，然后指着另一张猫问“这是什么？”（单样本）。或者先教认“猫”、“狗”、“鸟”，再问（少样本）。这对需要特定格式输出的任务特别有用。
设定场景与角色
比如： 玩游戏前先告诉大家：“我们现在都在扮演侦探，目标是找出凶手。”
上下文提示 (Contextual Prompting): 提供与当前任务相关的具体背景信息。比如： 点菜时告诉厨师：“我今天有点过敏，不能吃海鲜。”（这是针对这顿饭的特定信息）。
角色提示 (Role Prompting): 让 AI 扮演一个特定的角色来回答问题。比如： “请你扮演一位经验丰富的旅行规划师，给我推荐适合带小孩去的东京景点。”
高级思维技巧
退一步思考 (Step-back Prompting): 在解决具体问题前，先引导 AI 思考更宏观、更普遍的原理。比如： 在设计一把特别的椅子前，先思考“什么样的结构才能让任何椅子都稳固？”
思维链 (Chain of Thought - CoT): 让 AI 在给出最终答案前，先一步步展示它的思考或推理过程。这对非推理模型，解决复杂问题时特别有效！比如： 做数学题时，不只写答案，还要把解题步骤写出来。这样更容易发现错误，答案也更可靠。
自洽性 (Self-consistency): 让 AI 用 CoT 的方式多次思考同一个问题（因为温度等设置，路径可能不同），然后选择出现次数最多的那个答案。比如： 同一道难题，请 5 位学霸独立写出解题步骤和答案，最后选那个最多人得出的答案。
比如： 侦探破案，同时考虑多种可能性（嫌疑人 A 作案、嫌疑人 B 作案、意外事故），并对每种可能性进行深入调查。
ReAct (Reason & Act): 让 AI 不仅能思考，还能“行动”——比如调用外部工具（像搜索引擎搜索最新信息、运行代码计算等），然后根据行动结果继续思考。这是实现 AI 智能体（Agent）的关键一步。比如： 你问 AI“现在北京天气怎么样？”，它不仅思考你的问题，还会去调用天气查询工具（行动），然后把查到的结果告诉你。
自动提示工程 (Automatic Prompt Engineering - APE): 让 AI 帮你生成和优化提示。比如： 想学做菜，但不知怎么写菜谱？请一位大厨帮你写几份不同风味的“番茄炒蛋”菜谱出来。
✅ 提供示例 (Provide examples): 少样本通常比零样本效果好。
✅ 保持简洁清晰 (Design with simplicity): 人都看不懂的提示，AI更难懂。
✅ 具体说明输出要求 (Be specific about the output): 想要什么格式、什么风格、包含哪些信息，说清楚。
✅ 用指令而非限制 (Use Instructions over Constraints): 多说“要做什么”，少说“不要做什么”。（例如，“只包含 A、B、C”比“不要包含 D、E、F”更好）。
✅ 控制输出长度 (Control the max token length): 避免回答太长或被截断。
✅ 善用变量 (Use variables in prompts): 让提示更灵活，方便复用。
✅ 尝试不同风格和格式 (Experiment): 多试试不同的问法。
✅ 对于分类任务，打乱示例顺序 (Mix up classes for few-shot): 防止 AI“死记硬背”顺序。
✅ 适应模型更新 (Adapt to model updates): 新模型可能有新特性或行为变化。
✅ 尝试结构化输出 (Experiment with output formats): 比如要求返回 JSON 格式，便于程序处理，也能减少 AI“自由发挥”的错误。
✅ 记录你的尝试 (Document the various prompt attempts): 好记性不如烂笔头！记录下哪些提示有效，哪些无效，以及为什么。
虽然，LLM（大语言模型）正在不断进化，但从目前阶段看了，掌握提示技巧的人，往往能更快的获取「优质答案」。
AI 时代，一步快、步步快。
最后，如果觉得这篇内容对你有一些帮助，记得帮忙点赞、转发。
各位兄弟姐妹的支持，是我们持续输出干货内容最大的动力。
来源：海武说科技