【AI科普】Prompt Engineering基础

一、Prompt Engineering概述

LLM？

在正式进入Prompt Engineering之前，先简单介绍一下什么是LLM
LLM - Large Language Model – 大语言模型

• 基于深度学习技术，特别是Transformer架构实现的大语言模型，旨在理解和生成人类语言
• 基于大规模文本数据的训练，能够生成自然语言文本、理解语言的语义和语法结构
• 信息检索领域中，可以改进搜索引擎，能更轻松、准确找到搜索信息

Prompt？

Prompt即提示词

• 含义：在LLM中，用户向模型提供输入文本或指令，用于引导模型生成特定的响应或执行特定的任务，让模型根据输入的内容产生符合用户需求的输出

举例来说，Prompt（提示词）就像你给AI的任务纸条，就像你叫朋友帮忙时说的话：
点外卖场景
👉 你对朋友说：“帮我点份不加香菜的牛肉面” → 这就是一个Prompt
👉 AI就像这个朋友，你给的细节越清楚（“不加香菜”），结果越合你心意
导航场景
👉 你问：“怎么去最近的星巴克？” → 这个提问就是Prompt
👉 如果改成：“走路10分钟内能到的星巴克，要有充电插座的” → 结果更精准
发朋友圈场景
👉 你让AI：“写段生日文案，要搞笑风格，带emoji” → 这就是高级Prompt
👉 如果只说：“写生日文案” → AI可能给你千篇一律的结果

Prompt Engineering？

针对特定任务构造能充分发挥大模型能力Prompt的技巧，设计有效的提示词以指导模型执行期望任务的方法被称为Prompt Engineering（提示词工程）。
合理的Prompt设计极大地决定了LLM生成结果质量的上限与下限：
✅ 好Prompt = 给AI明确的GPS坐标
❌ 烂Prompt = 让AI在迷宫里乱转

基本要素

• 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

基本原则

• 编写的指令要具体、清晰
• 复杂问题，让模型多思考，引导模型思考

应用场景

• 信息检索：问题解答、事实查询、概念解释等。但需要注意幻觉问题，即LLM模型会生成些看似真实但虚假的信息，需要辨别真伪。
• 内容生成：翻译与润色、自动摘要；代码生成、测试用例生成、需求文档生成等
• 信息推断：信息提取、主题推断、信息解读（代码、报告、论文等）
• 交互模拟：聊天机器人、虚拟助手

二、Prompt Engineering-示例

• 可以使用命令来指示模型执行各种简单任务，例如“编写”、“总结”、“翻译”等简单、明确词汇，从而为各种简单任务设计有效的提示。
• 对于特定用例和任务，可以进行大量实验以找出最有效的方法。以不同的关键词，上下文和数据试验不同的指令，以找到最适合的Prompt指令。

个人比较常用的方法

角色设定
给AI描述一个特定的身份，以引导大模型回答我们接下来的问题。

比如，在构建个人心理咨询师的时候，我会以一段这样的prompt作为开头：你现在是一位具有丰富经验的心理咨询师，请结合心理学的知识与我对话，你可以和我聊三观等内容，充分了解分析我是一个什么样的人，根据我的需求，跟我进行后续的对话。

实测在Deepseek上表现很不错，个人较偏好，deepseek的回答会让我觉得说到了点子上；chatgpt和其他模型，用相同的prompt都只会给我一些泛泛的回复，诸如冥想、深呼吸等意料之内的回答。

分步引导
在prompt中，给出具体的步骤，以引导大模型，比如说用于写python代码。

示例：
你是一位具有丰富经验的测试开发工程师。
请用python处理Excel数据，分三步：

1. 读取data.xlsx第二个sheet
2. 计算每个部门的平均公示
3. 生成柱状图保存为png
   
   分步引导的方法，在使用Cursor写代码的时候，也是一个非常实用的技巧。

三、幻觉问题

另外，还需要注意的一点就是离不开的幻觉问题
大模型生成的内容，很多时候都沾点幻觉问题。作为科普文章，再在这里简单介绍一下幻觉问题吧。
幻觉（Hallucination），指的是模型生成不准确或虚构的信息。比如，模型可能会编造不存在的参考文献，或者错误的事实。

• 无中生有
  问AI：请推荐几本关于火星探险的小说。
  AI可能回答：《红色风暴》是2022年获得雨果奖的火星探险神作，作者约翰 史密斯…
  可实际上，这本书并不存在，但是大模型却说的有鼻子有眼，甚至编造了获奖信息和作者，让人觉得可信度很高。
• 张冠李戴
  像背混了知识点：水的沸点是60度（实际上是100度，且根据气压不同，沸点也不同），或者李白是宋朝诗人（实际上是唐朝）
  这些错误看似合理，但实际混淆了事实。
  说到这个我就想到之前别人用deepseek弄的段子。乐得…

用户：直角90度，开水100度，所以开水是钝角
Deepseek：你爹血压180，所以你爹是量角器

好了回到正题，为什么会这样呢？
这就要我们会想到AI的本质，其实是在玩“文字接龙”
它不判断真假，只是根据概率拼出最像人类会说的句子。就像你让一个背了百科全书，但没上过学的人写论文，他可能会把不同知识点胡乱组合。

简单来说，幻觉问题就是AI给我们编虚假的东西。因此，在面对AI生成的东西的时候，我们要带有判别能力去审视，当下的AI并非全能。
如何解决这个问题，就要涉及到RAG知识库、微调等方法了，在之后的文章里，再进行科普讲解。

最后

用于日常的、不涉及复杂逻辑的，使用以上技巧其实已经足够。
更多的技巧，比如说设定好输入输出格式，利用CoT等，后续再进行更新。