全面解析：17种提示词工程（Prompt Engineering）方法一文讲透

本文链接：https://blog.csdn.net/2401_84495872/article/details/145304758

上周周末参加了校友会的年会，是在上海虹桥附近的一家很有特色的大酒店。

期间的茶歇，由于昨晚没睡好，就想着去拿一杯咖啡解解乏。

我一手拿着手机在看一份报告，一手想去服务员托盘上拿一杯奶咖，结果无意碰到了另一只手。

「不好意思」，我连忙跟人道歉。校友笑了笑，倒是关注起了我手机中的报告。我们寒暄了几句，他就问我要了报告仔细翻阅，越看越惊讶，连连追问我是怎么做到的。

他最近正在为写方案发愁，看了我用 AI 生成的这份报告后，直呼「太厉害了」，还赶紧向我讨教使用技巧。

这不禁让老王开始反思，是怎么做到让 AI 更「懂」我的？ 好像也只是简单地输入一些关键词，它就能理解意图，输出文字内容，很多时候超出使用者的预期。

这一切的背后，都离不开提示工程。准确地说，是一套规则和方法，通过不同的提示词技巧，来激发AI模型的潜力。

接下来，老王将按自己实操过程中的理解，分重点给大家介绍 17种提示词规则方法，带你一起体验提示工程的魅力。

提示词规则

零样本提示

可在没有提供任何示例的情况下，直接指示模型完成任务的方法。核心思想是，凭借大模型在海量数据中学习到的通用知识和能力，直接理解任务要求并给出正确的答案。

案例

# prompt``将情绪分类为中性、负面或正面。``文本：我今天太开心了！``情感：

少样本提示

利用大型语言模型 (LLM) 的能力，通过在提示词中提供少量示例，来引导模型完成特定任务的方法。与零样本提示不同，少样本提示通过示例来帮助模型理解任务的模式和规则，进而更准确地生成符合要求的输出。

案例

# prompt``“whatpu”是坦桑尼亚的一种小型毛茸茸的动物。``一个使用whatpu这个词的句子的例子是：我们在非洲旅行时看到了这些非常可爱的whatpus。``   ``“farduddle”是指快速跳上跳下。``一个使用farduddle这个词的句子的例子是：

链式思考（COT）提示

通过在提示词中引导大型语言模型 (LLM) 逐步进行推理，来解决复杂问题。CoT 提示鼓励模型一步一步地思考，模拟人类的推理过程，从而提高多步推理和逻辑分析类任务的表现。

案例

# prompt``这组数中的奇数加起来是偶数：4、8、9、15、12、2、1。``A：将所有奇数相加（9、15、1）得到25。答案为False。``这组数中的奇数加起来是偶数：15、32、5、13、82、7、1。``A：

更夸张的是，只需要把**「让我们逐步思考」加入进去，就可以起效。这种称之为「零样本** COT 提示」。

# 反面案例``# prompt``我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。我还剩下多少苹果？``# output``1个苹果``   ``# 利用COT得到正确答案``# prompt``我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。我还剩下多少苹果？``让我们逐步思考。``# output``首先，您从10个苹果开始。``您给了邻居和修理工各2个苹果，所以您还剩下6个苹果。``然后您买了5个苹果，所以现在您有11个苹果。``最后，您吃了1个苹果，所以您还剩下10个苹果。

现在很多模型已经暗含了 COT 模式，分析非常细。

检索增强生成（RAG）

通过结合外部知识库的检索和大型语言模型 (LLM) 的生成能力，来提高LLM在知识密集型任务上的表现。

RAG 先从外部知识库中检索相关信息，然后利用检索到的信息进行生成，从而实现与事实更加一致，生成的答案更可靠，还有助于缓解「幻觉」问题。

案例

使用 LangChain 构建 RAG（检索增强生成）应用：https://python.langchain.com/docs/tutorials/rag/

主要包括以下步骤：

加载文档 (Loading documents): 从各种来源加载数据，例如文本文件，网页等。``分割文本 (Splitting text): 将文档分割成更小的文本块，以便于检索。``创建向量嵌入 (Creating embeddings): 将文本块转换为向量表示，以便于计算相似度。``存储向量 (Storing vectors): 将向量存储到向量数据库中，以便于快速检索。``检索相关文档 (Retrieving relevant documents): 使用用户的查询从向量数据库中检索相关的文本块。``利用LLM生成答案 (Generate answer with LLM): 将检索到的文本块和用户查询组合成提示，并使用 LLM 生成最终答案。