小白入门大模型：从新手到专家，逐渐掌握提示词工程的九级技巧

前言

不管是直接和LLM大模型对话，还是训练AI Agent完成特定领域的工作，或者是利用RAG知识库处理专业领域的问答和检索，想要发挥LLM大语言模型的最大价值，提示词工程的技巧都发挥着重要作用。提示词的好坏，会对大模型的输出结果造成很大的影响。

在本篇文章中，风叔将从简单到复杂，从新手级到专家级，详细介绍大模型提示词工程的九级技巧。

提示词工程的具体方法

第 1 级 ：基础请求

直接表达我们的需求，即直接告诉大模型我们的问题，不需要过多思考，这也是大多数人和大模型对话的方式。

这种方式的输出结果非常不确定，有时能生成不错的输出，有时又差强人意，这也是为什么很多人觉得大模型说的都是正确的废话。而且大模型还经常出现事实性错误，对一些推理问题更是错误百出。

第 2 级：应用格式

即提示词格式化，用特定格式的提示词向大模型提问，会对模型输出的准确性有比较大的提升。比如APE提示词框架，这个框架建议将用户的请求分解为三个主要部分，行动、目的和期望。

行动 (Action)：定义需要完成的特定任务、行动或活动。这是框架的第一步，旨在明确要执行的具体任务或活动。

目的 (Purpose)：讨论意图或目标。这部分是为了解释为什么要执行这个特定的任务或活动，它的背后意图是什么，以及它将如何支持更大的目标或目标。

期望 (Expectation)：陈述期望的结果。在这最后一步，明确表述通过执行特定任务或活动期望实现的具体结果或目标。

以下是一个APE提示词框架的例子，假设你是一家产品销售公司的营销经理，想通过社交媒体广告来提高产品的在线销售，希望大模型给出一些营销建议。那么按照 APE框架，可以创建以下提示词：

1.行动 (Action):计并发布一系列的社交媒体广告，宣传我们的最新产品。``2.目的 (Purpose):通过吸引社交媒体用户的注意，提高产品的在线销售和品牌知名度。``3.期望 (Expectation):在接下来的一个月中，通过社交媒体广告，在线销售增加30%，并且我们的品牌在社交媒体上的关注度提高20%。

大家也可以尝试用这个框架来询问大模型，看看是否相比第1级有明显提升。

第三级：给出示例

即通过一些示例对大模型进行提示，包括One shot（给出一个示例）和few shots（给出少量几个示例）。

提示：``这太棒了！//Negative` `这太糟糕了！//Positive``哇，那部电影太棒了！//Positive``多么可怕的节目！``   ``输出：Negative

我们也可以结合第二级提出的框架，比如著名的CARE提示词框架，该框架强调四个关键要素，上下文指导（Context）、行动（Action）、结果（Result）和示例（Example）。

以下是一个例子：

`上下文 (Context):我们的客户是一家大型零售商，他们想要一个能够提高在线销售和客户互动的移动应用程序。``   ``行动 (Action):设计和开发一个用户友好的移动应用程序，集成社交媒体共享功能，推送通知和在线购物功能。``   ``结果 (Result):应用程序的发布促使在线销售增加了25%，并且客户满意度评分提高到4.5/5。``   ``示例 (Example): 【注：提供一种移动应用程序样例，例如竞品的首页设计】` 

但是给出示例也存在结果不稳定的问题，尤其是对于数学推理类问题，如下所示：

提示：``   ``这组数字中的奇数加起来是一个偶数：4、8、9、15、12、2、1。``A:答案是False。``   ``这组数字中的奇数加起来是一个偶数：17、10、19、4、8、12、24。``A:答案是True。``   ``这组数字中的奇数加起来是一个偶数：16、11、14、4、8、13、24。``A:答案是True。``   ``这组数字中的奇数加起来是一个偶数：17、9、10、12、13、4、2。``A:答案是False。``   ``这组数字中的奇数加起来是一个偶数：15、32、5、13、82、7、1。``A：``   ``最终输出：``答案是true

很显然，大模型回答错误，似乎少样本提示不足以获得此类问题的可靠回答。

第四级：使用思维链

思维链（COT）是一种向大语言模型LLM展示一些中间思考步骤的技术，这些步骤逐步引导得到最终答案，可以增强模型的推理能力。而且思维链的优势在于，不用对模型进行训练和微调。思维链适用的场景很多，包括各种推理任务，比如数学问题、尝试推理、符号操作等。

我们可以将COT与few shot相结合，向模型展示少数几个类似问题案例来提高模型的推理能力。我们再来看一下在第三级给出的例子，如下所示，可以看到在使用了COT的情况下，用one shot即得到了正确答案。

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:``   ``输出：``将所有奇数相加（15、5、13、7、1）得到41。答案为False

第五级：使用角色

可以按照【Prompt = 角色 + 任务 + 要求 + 提示】的结构设计清晰明了的提示词。简单地说，这个结构就是要告诉大模型：你是谁？你要做什么？要做成什么样？要如何做？

以下是一个示例：

角色：假设你是一个有着丰富经验的Python程序员。``   ``任务：请用Python代码绘制一个五角星。``   ``要求：请使用matplotlib这个库，线条使用红色。``   ``提示：五角星需要先计算五个顶点，然后在每间隔一个顶点的两个顶点之间两两进行连线。

下面是大模型给出的回答

import matplotlib.pyplot as plt``import numpy as np``   ``# 计算五角星的五个顶点``def calculate_star_points(center, outer_radius, inner_radius):`    `angles = np.linspace(0, 2 * np.pi, 10)[:-1]  # 生成0到2π之间的10个等间距角度，去掉最后一个重复的角度`    `outer_points = center + outer_radius * np.array([np.cos(angles), np.sin(angles)]).T`    `inner_points = center + inner_radius * np.array([np.cos(angles + np.pi / 5), np.sin(angles + np.pi / 5)]).T`    `points = np.vstack((outer_points, inner_points))`    `return points``   ``# 绘制五角星``def draw_star(ax, points, color):`    `for i in range(5):`        `ax.plot(points[i*2:i*2+2, 0], points[i*2:i*2+2, 1], color=color)``   ``# 设置图形``fig, ax = plt.subplots()``ax.set_aspect('equal')  # 设置纵横比相等，确保五角星不会被拉伸``ax.axis('off')  # 关闭坐标轴显示``   ``# 定义五角星的参数``center = np.array([0, 0])``outer_radius = 1``inner_radius = 0.5``   ``# 计算顶点``points = calculate_star_points(center, outer_radius, inner_radius)``   ``# 绘制五角星``draw_star(ax, points, 'red')``   ``# 显示图形``plt.show()

第六级：自洽性民主投票

所谓自洽性，是指为同一问题，生成多个不同的思维链，并对模型进行训练从中挑选出最合适的答案，可以提升语言模型的表现。

这种方法特别适用于需要连续推理的复杂任务，例如思维链提示法。它在多个评估标准上显著提升了CoT提示的效果，如在GSM8K上提升了17.9%，在SVAMP上提升了11.0%，在AQuA上提升了12.2%。

我们先来看一个简单的算数推理示例：

提示：当我6岁时，我妹妹是我的一半年龄。现在我70岁了，我的妹妹多大？``   ``输出：35

很明显，上面的输出是错误的。接下来，我们看看如何通过自洽性来改进这个问题。同样的，我们先给出一些示例：

提示：``   ``Q：林中有15棵树。林业工人今天将在林中种树。完成后，将有21棵树。林业工人今天种了多少棵树？``A：我们从15棵树开始。后来我们有21棵树。差异必须是他们种树的数量。因此，他们必须种了21—15=6棵树。答案是6。``   ``Q：停车场有3辆汽车，又来了2辆汽车，停车场有多少辆汽车？``A：停车场已经有3辆汽车。又来了2辆。现在有3+2=5辆汽车。答案是5。``   ``Q：Leah有32块巧克力，她的姐姐有42块。如果他们吃了35块，他们总共还剩多少块？``A：Leah有32块巧克力，Leah的姐姐有42块。这意味着最初有32+42=74块巧克力。已经吃了35块。因此，他们总共还剩74—35=39块巧克力。答案是39。``   ``Q：Jason有20个棒棒糖。他给Denny一些棒棒糖。现在Jason只有12个棒棒糖。Jason给Denny多少棒棒糖？``A：Jason有20个棒棒糖。因为他现在只有12个，所以他必须把剩下的给Denny。他给Denny的棒棒糖数量必须是20—12=8个棒棒糖。答案是8。``   ``Q：Shawn有五个玩具。圣诞节，他从他的父母那里得到了两个玩具。他现在有多少个玩具？``A：他有5个玩具。他从妈妈那里得到了2个，所以在那之后他有5+2=7个玩具。然后他从爸爸那里得到了2个，所以总共他有7+2=9个玩具。答案是9。``   ``Q：服务器房间里有9台计算机。从周一到周四，每天都会安装5台计算机。现在服务器房间里有多少台计算机？``A：从周一到周四有4天。每天都添加了5台计算机。这意味着总共添加了4*5=20台计算机。一开始有9台计算机，所以现在有9+20=29台计算机。答案是29。``   ``Q：Michael有58个高尔夫球。星期二，他丢失了23个高尔夫球。星期三，他又丢失了2个。星期三结束时他还剩多少个高尔夫球？``A：Michael最初有58个球。星期二他丢失了23个，所以在那之后他有58—23=35个球。星期三他又丢失了2个，所以现在他有35—2=33个球。答案是33。``   ``Q：Olivia有23美元。她用每个3美元的价格买了五个百吉饼。她还剩多少钱？``A：她用每个3美元的价格买了5个百吉饼。这意味着她花了5``   ``Q：当我6岁时，我的妹妹是我的一半年龄。现在我70岁了，我的妹妹多大？

我们再来看看大模型的输出，通过民主投票，答案是67。

第七级：ReAct

ReACT的全称是Reasoning-Action，这种模式是让大模型先进行思考，思考完再进行行动，然后根据行动的结果再进行观察，再进行思考，这样一步一步循环下去。风叔之前的这篇文章对ReAct也有详细的介绍，《[AI大模型实战篇：AI Agent设计模式 - ReAct]》。

ReAct模式的提示词如下所示：

Use the following format:``   ``Question: the input question you must answer``Thought: you should always think about what to do``Action: the action to take, should be one of [{tool_names}]``Action Input: the input to the action``Observation: the result of the action``... (this Thought/Action/Action Input/Observation can be repeated zero or more times)``Thought: I now know the final answer``Final Answer: the final answer to the original input question``   ``Begin!``   ``Question: {query}"""

我们来看一个实际的例子，通过ReAct很好地一步步完成了最终答案的输出。

Question:一种减速机的价格是750元，一家企业需要购买12台。每台减速机运行一小时的电费是0.5元，企业每天运行这些减速机8小时。请计算企业购买及一周运行这些减速机的总花费``Thought:I need to calculate the total cost of purchasing and operating the gearboxes for a week.``Action: Multiplication Tool``Action Input: [750, 12]``Observation: 9000``Thought: Now I need to calculate the cost of operating the gearboxes for a day.``Action: Multiplication Tool``Action Input: [0.5, 8, 12]``Observation: 48``Thought: Now I need to calculate the cost of operating the gearboxes for a week.``Action: Multiplication Tool``Action Input: [48, 7]``Observation: 336``Thought: Now I need to calculate the total cost of purchasing and operating the gearboxes for a week.``Action: Addition Tool``Action Input: [9000, 336]``Observation: 9336

第八级：自我反思

反思是指通过语言反馈来增强语言模型的能力，这种反馈以自然语言的形式呈现，使得Agent能够对任务反馈信号进行反思，并将这些反思转化为文字记录，存储在情景记忆缓冲区中。Reflexion就是一种非常有效的反思框架，如下图所示。

下面是reflexion的提示词示例：

Revise your previous answer using the new information.``- You should use the previous critique to add important information to your answer.``- You MUST include numerical citations in your revised answer to ensure it can be verified.``- Add a "References" section to the bottom of your answer (which does not count towards the word limit). In form of:`    `- [1] https://example.com`    `- [2] https://example.com``- You should use the previous critique to remove superfluous information from your answer and make SURE it is not more than 250 words.

第九级：让大模型自己写提示词

在prompt范例中引导LLM将一个复杂的问题拆分为简单的子问题，逐个回答，然后汇总成为答案。

和COT思维链效果有些类似，但同时要求LLM提出子问题并给出答案，对生成内容的约束更大，有时候效果更好。

总结

随着大模型自身能力的不断发展，提示词工程的重要性正在逐渐被削弱。比如对于GPT-4O模型，面对较为复杂的推理任务时，还需要使用COT或ReAct框架进行提示词引导。但是对于GPT-O1模型，由于本身该模型已经利用COT框架进行了强化，同样处理复杂推理任务时，可能只需要使用one shot或few shot prompt即可。

尽快模型能力越来越强，对最终使用者越来越友好，但是站在产品经理或LLM开发者的角度，还是需要掌握这些提示词技巧，毕竟国内大模型距离GPT-O1还是有很大的代差的。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！

大模型全套学习资料领取

这里我整理了一份AI大模型入门到进阶全套学习包，包含学习路线+实战案例+视频+书籍PDF+面试题+DeepSeek部署包和技巧，需要的小伙伴文在下方免费领取哦，真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

部分资料展示

一、 AI大模型学习路线图

整个学习分为7个阶段

二、AI大模型实战案例

涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，皆可用。

三、视频和书籍PDF合集

从入门到进阶这里都有，跟着老师学习事半功倍。

四、LLM面试题

五、AI产品经理面试题

六、deepseek部署包+技巧大全

😝朋友们如果有需要的话，可以V扫描下方二维码联系领取~