摘要：今年 2 月谷歌发布了《Prompt Engineering》。该文档围绕大语言模型的提示工程展开，介绍相关技术、应用场景、最佳实践等内容，帮助用户掌握提示工程方法，提升大语言模型应用效果。

今年 2 月谷歌发布了《Prompt Engineering》。该文档围绕大语言模型的提示工程展开，介绍相关技术、应用场景、最佳实践等内容，帮助用户掌握提示工程方法，提升大语言模型应用效果。

如何大模型交流，用提示词。其实我们输入的内容就是提示词。提示词影响着我们AI执行和问题的答案。

复杂的内容，不是一句简单提示词搞定，就需要提示工程。

提示工程基础：提示工程旨在设计优质提示，引导大语言模型（LLM）产生准确输出。

提示词在大语言模型（LLM）中至关重要，它是用户与模型交互、引导模型输出期望内容的关键工具，主要作用体现在引导预测、适配任务、提升效果等方面。

如何设置呢？这就是提示词技术。

提示技术，包含多种提示技术，主要分为以下几类：

它们各有独特作用，能解决不同类型问题。

以下基于这些技术，分别给出例子。

1、零样本提示

这种适合简单的场景，例如日常生活中，直接向AI提问。比如问道珠穆朗玛峰的海拔高度是多少？

这样简单问，AI会回答:珠穆朗玛峰的海拔高度是8848.86米.

2、一样本

比如辅助学生写作文，提供写作思路。可以这样写：以 “秋天的公园” 为主题写一段描述性文字。

示例：“主题：夏天的海滩。内容：夏天的海滩是热闹的，金色的沙子在阳光下闪闪发光，海浪有节奏地拍打着海岸，人们在沙滩上嬉戏、晒太阳，享受着夏日的悠闲时光。”
现在，请以 “秋天的公园” 为主题写一段描述性文字。
模型输出：秋天的公园是一幅五彩斑斓的画卷，金黄的树叶纷纷飘落，像一只只蝴蝶在空中翩翩起舞。公园里的菊花争奇斗艳，红的似火，白的像雪，美不胜收。人们漫步在公园的小径上，感受着秋天的凉爽与宁静 。

3、少样本提示

例如电商客服场景，你要对商品评价进行分类。你需要对用户的商品评价进行分类，分为好评、中评、差评，并分别举一些例子，让大模型理解你分类方式，好评、中评、差评的标准。

示例 1：评价：“这个手机太棒了，拍照清晰，运行速度快，电池续航也不错，非常满意！” 分类：好评。
示例 2：评价：“衣服质量还行，就是颜色和图片有点色差，不太满意。” 分类：中评。
现在，评价：“这双鞋尺码偏大，穿着不舒服，而且做工也很粗糙，不推荐购买。” 请进行分类。
模型输出：差评。

4、系统提示

例如你需要开发智能写作助手，生成特定格式文案。比如“生成符合小红书风格的美食推荐文案，要求包含表情符号和简短标签。”

这些事系统提示词，就是用户要生成内容主题。使用时，用户直接输入“轻奢耳机”，然后大模型结合“系统提示词”和“用户提示词”，然后生成内容。

5、角色提示

主要场景，在线角色扮演游戏中，与虚拟角色互动。

例如，你设置扮演古代书生的虚拟角色对话，询问诗词相关知识。

提示词这样写：

你现在扮演一位古代书生，我来向你请教诗词知识。我问：“请问，李白有哪些经典的思乡诗？”
模型输出（以古代书生的口吻）：客官，李白之思乡诗，《静夜思》最为经典。“床前明月光，疑是地上霜。举头望明月，低头思故乡。” 短短二十字，将思乡之情展现得淋漓尽致啊！

6、上下文提示

比如你要为为历史爱好者推荐历史纪录片。

上下文：你正在为对唐朝历史感兴趣的用户推荐历史纪录片。
请推荐几部关于唐朝的历史纪录片。
模型输出：推荐《中国通史》（其中有关于唐朝的详细篇章，讲述了唐朝的政治、经济、文化等方面的发展）、《大明宫》（以大明宫为切入点，展现唐朝的兴衰历程） 。

7、逐步回溯提示

这种场景在辅导辅导学生做数学应用题，会经常用。

例如，解决一道关于行程问题的数学应用题。

先问：“在行程问题中，涉及速度、时间和路程的基本公式是什么？”

模型输出：路程 = 速度 × 时间。

再给出题目：“一辆汽车以每小时 60 千米的速度行驶，3 小时后行驶了多远？”

模型输出：根据公式路程 = 速度 × 时间，已知速度为每小时 60 千米，时间为 3 小时，所以路程 = 60×3 = 180 千米。

8、思维链提示

这种场景在帮助学生解答逻辑推理题经常用到。

例如逻辑题中真假话问题。“有三个人，甲说：‘乙在说谎。’乙说：‘丙在说谎。’丙说：‘甲和乙都在说谎。’请问谁说的是真话？”

提示：我们来一步步分析这个问题。首先假设甲说的是真话，那么乙说的就是假话，乙说丙在说谎是假的，那就意味着丙说的是真话，可丙说甲和乙都在说谎，这与我们假设甲说真话矛盾，所以甲说的不是真话。接着假设乙说的是真话……
模型输出：假设乙说的是真话，那么丙说的就是假话，丙说甲和乙都在说谎是假的，即甲和乙至少有一个人说的是真话，因为假设乙说真话，所以这个条件成立，同时甲说乙在说谎就是假话，符合逻辑。所以，乙说的是真话。

9、自一致性提示（Consistency Prompting）

自一致性提示通过设计特定的提示结构，引导模型在生成输出时保持逻辑、语义或风格上的一致性。它通常通过重复、对比、强化等方式，让模型在生成过程中更清晰地理解任务要求，从而减少歧义和错误。

例如，判断一封关于会议安排调整的邮件是否重要。

提示：邮件内容为 “原定于明天上午的会议因领导临时有事，推迟到后天下午 3 点，会议资料已重新发送，请大家提前做好准备。” 请判断这封邮件是否重要，并一步步说明原因。
模型输出（多次生成不同推理路径的结果）：
结果 1：这封邮件很重要。原因是会议时间和资料都有变动，涉及到参会人员的安排和准备，需要及时知晓。
结果 2：重要。会议推迟且重新发送资料，对参会者来说是关键信息，必须重视。
最终通过多数投票得出结论：这封邮件重要

10、思维树提示（Mind Tree Prompting）

是一种通过构建类似思维导图或树状结构的提示方式，帮助大语言模型更清晰地理解任务的层次结构、逻辑关系和细节要求，从而生成更准确、更全面的输出。它通过分解任务为多个子任务或层次，引导模型逐步深入思考，避免遗漏关键信息。

例如，策划一次公司团建活动。策划一次适合公司员工的团建活动，要考虑员工兴趣、预算和时间安排等。

首先思考团建活动的大方向，比如户外拓展、室内游戏、文化体验等。如果选择户外拓展，又可以细分徒步、露营、团队竞技游戏等；如果是室内游戏，可以有密室逃脱、桌游等。以预算和时间为限制条件，构建思维树。
模型输出：综合考虑员工兴趣、预算和时间，建议选择户外徒步团建活动。时间安排在周末一天，地点选择附近风景优美的徒步路线。这样既可以让员工锻炼身体、亲近自然，又符合预算，还能在一天内完成活动。

11、ReAct 提示（ReAct Prompting）

ReAct 提示是一种结合了“反应（React）”和“行动（Act）”的提示技术，旨在通过引导模型对输入信息进行即时反应，并采取相应的行动来生成输出。它强调模型对任务的动态理解和逐步执行能力，通常通过设计具有明确指令和反馈机制的提示来实现。

例如，开发智能购物助手，查询商品信息

提示：用户想了解某品牌新款手机的参数和价格。
模型输出：思考：需要查询该品牌新款手机的相关信息，通过搜索工具获取。
行动：在搜索引擎中输入 “某品牌新款手机参数和价格”。
观察：搜索结果显示该手机的参数为 [具体参数]，价格在 [价格区间]。
最终答案：该品牌新款手机的参数为 [具体参数]，价格在 [价格区间]。

总结一下，本文基于《Prompt Engineering》，详细讲解了11 种提示词技巧。要用好这些技术，除了掌握理解，更需要大量的练习。

来源：鸿涛教育