【写好AI提示词】——面向 AI 爱好者的 Prompt 工程实用指南：与 AI 高效对话的艺术

Huazzi_

已于 2025-05-01 15:49:44 修改

阅读量1.3k

点赞数 48

文章标签：人工智能 prompt 提示词

于 2025-04-10 13:41:51 首次发布

本文链接：https://blog.csdn.net/m0_74412436/article/details/147117028

版权

Google 发布了一份长达 69 页的白皮书「Prompt Engineering」，介绍提示词工程（Prompt Engineering ）及其最佳实践！原文为英文，本篇是对其内容的一些提炼，并使用一些生动的例子，易于理解。

🌟面向 AI 爱好者的 Prompt 工程实用指南：与 AI 高效对话的艺术

嘿，各位 AI 探索者们！

想让你的 AI 伙伴（比如 DeepSeek、Gemini、GPT 等大语言模型）更懂你，输出更精准、更有创意的答案吗？那你就需要掌握“Prompt 工程”这门与 AI 沟通的艺术！这份指南浓缩了谷歌官方白皮书的精华，并结合实践经验，旨在帮你从入门到进阶，真正驾驭 Prompt。记住，Prompt 不仅仅是指令，更是引导 AI 思维的钥匙，而且人人可为，只要掌握方法，你也能写出高质量的 Prompt！

常见应用场景：

文案撰写（写邮件、写简历、自媒体脚本）
内容总结（提炼会议纪要、总结长文）
数据生成（自动生成测试数据、表格）
代码辅助（补全、解释、重构代码）
知识问答（查资料、科普讲解）
多语言翻译（上下文保持准确）
学术科研（论文润色、论文结构建议）
学习助手（解题分析、考试训练）

废话少说，接下来正篇开始…

一、核心理念：Prompt 是指令，更是引导

什么是 Prompt？ 简单说，就是你给 AI 的输入文本（有时也包括图片等），用来引导它生成你想要输出的内容。它是你与 AI 对话的起点和核心。
为什么重要？ Prompt 的质量直接决定 AI 输出的质量。好的 Prompt 能让 AI 更准确、高效地完成任务；差的 Prompt 则可能导致结果模糊、错误百出甚至南辕北辙。
人人可为： 不需要你是数据科学家或算法工程师，只要理解基本原理并掌握方法，人人都能写出有效的 Prompt。但这需要不断的练习和迭代。

二、什么是 Prompt 工程？

Prompt Engineering（提示工程）是与 AI 模型对话的艺术和技术，通过设计高质量的「提示（Prompt）」来引导 AI 更好地理解任务、输出高质量结果。就像程序员通过代码告诉计算机要做什么，提示工程师通过文字告诉 AI 要如何回应。

它不仅适用于开发者，也适合普通用户，只要你想更聪明地使用 AI，Prompt 工程就是你最好的工具箱。

三、提示的构成与调控要素

要写好 Prompt，得掌握它的构成和影响 AI 输出的关键参数：

1. 基础构成：Prompt 的三要素

角色设定（Role）：告诉 AI 你要它扮演什么角色，例如：
```
“你是一个资深网文写手”
或
“你是一名旅行博主”
```
任务描述（Task）：具体你要它完成什么，例如：
```
“写一封投诉信”
或
“总结以下文章要点”
```
背景信息（Context）：提供完成任务所需的上下文信息，例如：
```
“请使用以下数据”
或
“以下是客户的评价”
```

2. 参数调控：影响输出的关键因素

这些参数通常在 API 调用或高级设置中调整，也适用于部分 AI 工具的高级对话设置：

最大输出长度（Max Tokens）：限制生成内容的最大字数。
温度值（Temperature）：控制回答的“随机程度”。0 代表最严谨（偏保守），1 趋向发散（更有创意）。
Top-K / Top-P（Nucleus Sampling）：控制生成内容的选择范围，Top-K 代表从前 K 个最可能词中随机选，Top-P 表示选出累积概率为 P 的词汇范围。

三、提示的常见类型与使用场景

这是 Prompt 的核心技巧，让 AI 更懂你的“法术”，掌握这些技巧，能让你的 Prompt 效果倍增：

零样本 (Zero-shot):
- 定义： 最简单直接的方式，只给出任务描述或问题，不给任何范例。
- 适用： 简单、常见的任务，或者你想看看 AI 的“原生”表现。
- 例子：
```
“写一首关于春天早晨的五言绝句。”
```
单样本/少样本 (One-shot / Few-shot):
- 定义： 极其重要！ 在 Prompt 里给 AI 提供一个或几个（通常 3-5 个）完整的“输入 -> 输出”范例，清晰地展示你想要的格式、风格或解题思路。
- 优势： 大幅提升 AI 理解任务的能力和输出的准确性、一致性。特别适合需要特定格式、复杂指令或小众任务。
- 要点：
  - 提供几个范例来帮助 AI 学习格式或风格
  - 范例要清晰、高质量、多样化，能代表任务的主要情况，最好包含一些边缘情况。
  - 对于分类任务，范例要混合包含不同类别，避免让 AI 误以为答案总是一类（顺序偏见）。
- 例子1 (少样本-提取信息):
```
文本：“张三，电话13812345678，邮箱zhangsan@email.com，住在北京朝阳区。”
提取：{“姓名”: “张三”, “电话”: “13812345678”, “邮箱”: “zhangsan@email.com”}

文本：“李四的邮箱是lisi@web.com，手机号是13987654321。”
提取：{“姓名”: “李四”, “电话”: “13987654321”, “邮箱”: “lisi@web.com”}

文本：“王五，住在上海浦东新区，邮箱wangwu@domain.net，电话13777778888。”
提取：?
```
  例子2(判断情绪正/负面)：
```
示例1：输入：天气真差！
输出：负面

示例2：输入：我今天升职了！
输出：正面

输入：这个产品我不太满意。
输出：？
```
角色设定Prompt、系统Prompt和上下文Prompt (System, Contextual, Role Prompting):
- 系统 Prompt (System Prompt): 定义 AI 的整体行为准则或宏观任务背景。通常放在对话的最开始，影响整个交互过程。
  - 例子：
```
“你是一个专业的、严谨的法律文书助手，回答必须基于提供的法律条文。”
```
- 上下文 Prompt (Contextual Prompt): 提供与当前具体任务相关的背景信息、数据或临时约束。
  - 例子：
```
（在上面的系统 Prompt 后）“上下文：根据《合同法》第 X 条规定，请分析以下合同是否存在违约风险：[合同文本]”
```
- 角色 Prompt (Role Prompt): 指定 AI 扮演的角色，影响其语气、风格、知识侧重。
  - 例子：
```
“请你扮演一位经验丰富的旅行向导，用幽默风趣的语言给我推荐三个适合带 5 岁小孩在北京周末游玩的地方。”
```
- 组合使用： 这三者经常结合使用，明确区分有助于设计意图清晰的 Prompt。

四、进阶提示策略

思维链 (Chain of Thought, CoT):
- 定义： 提升推理能力的关键！ 指示 AI 在给出最终答案前，先一步一步地思考并展示推理过程。特别适用于数学计算、逻辑推理、复杂问答等任务。
- 如何触发： 在 Prompt 中明确要求“请逐步思考并解释你的推理过程”，或在 Few-shot 示例中完整展示“问题 -> 推理步骤 -> 答案”的范式。
- 优势： 显著提高复杂任务的准确性；过程可解释性强，便于发现错误；对模型版本变化的鲁棒性较好。
- 劣势： 输出内容更长，消耗更多 Token，成本更高。
- 实践： 常与 Few-shot 结合效果更佳。对于需要精确答案的推理任务，建议设置 Temperature=0。
- 例子：
```
“问题：一个篮子里有 5 个苹果，小明拿走了 2 个，妈妈又放进来了 3 个。现在篮子里有几个苹果？请一步步思考。”
```
  预期 AI 输出类似:
```
思考过程：1. 初始有 5 个苹果。 2. 小明拿走 2 个，剩下 5 - 2 = 3 个。 3. 妈妈放入 3 个，现有 3 + 3 = 6 个。 最终答案：现在篮子里有 6 个苹果。
```
自洽性 (Self-consistency):
- 定义： CoT 的“加强版”。让 AI 使用 CoT 对同一个问题多次（用稍高的 Temperature，如 0.5-0.7）生成不同的推理路径和答案，最后选择**出现次数最多（“投票”最多）**的那个答案。
- 优势： 能显著提高复杂推理任务的最终准确性。
- 劣势： 计算成本更高（需要多次生成）。
思维树 (Tree of Thoughts, ToT):
- 定义： CoT 的进一步泛化。允许 AI 同时探索多个不同的推理分支（像树枝一样分叉），并能评估不同分支的有效性，进行剪枝或选择更有希望的路径继续探索。
- 适用： 更适合需要探索和规划的复杂问题，例如写一篇结构复杂文章的大纲。
后退一步 (Step-back Prompting):
- 定义： 遇到具体问题时，先让 AI 思考一个与该问题相关的、但更抽象或更高层次的问题/原则，然后利用这个“后退一步”的思考结果作为上下文来解决原问题。
- 优势： 有助于 AI 激活更广泛的相关知识，减少对表面细节的偏见，提升复杂问题的解决能力。
- 例子：
```
具体问题：“我应该如何为一个物理不好的高中生解释相对论？” 后退一步问题：“解释复杂科学概念给非专业人士的关键原则是什么？” -> 利用原则来回答具体问题。
```
ReAct (Reason & Act):
- 定义： 让 AI 不仅能“思考”（Reason），还能“行动”（Act）。结合推理和使用外部工具（如调用搜索引擎 API 获取最新信息、调用计算器进行计算、调用代码执行器运行代码）来获取信息或执行任务，并将结果反馈给推理过程。
- 意义： 是构建智能代理 (Agent) 的基础。
- 要求： 通常需要一定的代码集成能力来实现工具调用。
自动 Prompt 工程 (Automatic Prompt Engineering, APE):
- 定义： 用 AI 来生成和优化 Prompt！你可以给 AI 一个初始 Prompt 或任务描述，加上一些评价标准（或好/坏 Prompt 示例），让它生成更多、更好的候选 Prompt。
- 用途： 帮你探索 Prompt 的可能性，或针对特定任务找到更优的表达方式。

五、编码相关 Prompt：AI 助你变身编程高手

一些模型也能很好地处理代码任务：

写代码： 描述需求，让 AI 生成代码片段（如 Bash 脚本、Python 函数）。 例子： “写一个 Python 函数，输入一个列表，返回其中所有偶数的平方和。”
解释代码： 贴上代码，让 AI 解释其功能、逻辑。 例子： “解释一下这段 Python 代码是做什么的：[代码]”
翻译代码： 将一种编程语言的代码转换为另一种。 例子： “把这段 Java 代码翻译成等效的 Python 代码：[Java 代码]”
调试和审查代码： 贴上代码和错误信息（或无错误但求改进），让 AI 找出问题、提供修复建议或优化方案。 例子：
```
“我这段 Python 代码报错了 ‘IndexError: list index out of range’，帮我看看哪里错了，怎么改？[代码]”
```

六、提示工程的辅助技巧

1. 自动提示生成（APE：Automatic Prompt Engineering）

利用 AI 自动帮我们生成 Prompt，比如：

“请为下面这个数据分析任务生成一个合适的 Prompt。”

2. 结构化输出（JSON / XML）

通过让 AI 生成结构化的格式，便于后续程序处理或数据可视化。例如：

“请用 JSON 格式输出下列学生成绩的统计数据。”

3. 多轮对话与上下文延续

提示中合理引用对话历史，让 AI 更自然连贯地回答。

七、控制 AI 输出：不只是写，还要“调”

在直接与模型 API 或 Vertex AI 等平台交互时，除了 Prompt 本身，你还可以调整一系列参数来“微调”AI 的行为，就像调整乐器的音色：

输出长度 (Output Length / Max Tokens):
- 作用： 控制 AI 生成内容的总“字数”（Token 数）。一个汉字通常算 1-2 个 Token，一个英文单词约算 1 个 Token。
- 影响： 太长可能费时费钱；太短可能意犹未尽。
- 注意： 这个设置只是截断，并不会让 AI 自动写得更精炼。如果需要简洁的回答，你需要在 Prompt 里明确指示。
采样控制 (Sampling Controls): AI 并非只预测一个词，而是预测一堆候选词的概率。采样控制决定它如何从这些候选词中“挑选”下一个词。
- 温度 (Temperature):
  - 作用： 控制输出的随机性/创造性。数值范围通常在 0 到 1 (或更高，但 1 以上很少用)。
  - 低 T 值 (如 0.0 - 0.3): AI 会更倾向于选择概率最高的词，输出更确定、保守、符合事实。适合需要精确答案的任务，如事实问答、代码生成、遵循固定格式。Temp=0 是“贪心解码”，总是选概率最高的那个，结果最确定。
  - 高 T 值 (如 0.7 - 1.0+): AI 会考虑更多概率较低的词，输出更有创意、多样化、可能带来惊喜。适合创意写作、头脑风暴、生成多种选项。但过高可能导致胡言乱语或陷入重复循环（不停重复某个词或句子）。
  - 如何选： 没有绝对标准，需要根据任务尝试。
- Top-K:
  - 作用： AI 只在概率最高的 K 个候选词里进行选择。
  - 影响： K 越小，选择范围越窄，输出越保守、可预测；K 越大，选择范围越宽，越接近纯粹按概率采样。
- Top-P (Nucleus Sampling):
  - 作用： AI 选择概率最高的若干个词，直到这些词的概率加起来达到 P 值，然后在这些词里进行选择。
  - 影响： P 越小，选择范围越窄，输出越保守；P=1 则考虑所有概率不为零的词。Top-P 被认为比 Top-K 更灵活，因为它能根据当前预测的概率分布动态调整候选词数量。
- 组合使用与起点建议：
  - 通常平台会结合使用这些参数（例如，先按 Top-K/Top-P 筛选，再用 Temperature 调整概率后采样）。理解你所用平台的具体逻辑很重要。
  - 通用起点建议： 可以从 Temp=0.2, Top-P=0.95, Top-K=30~40 开始尝试。需要创意时调高 T/P/K，需要严谨时调低 T (甚至设为 0)。
  - 重要警告： 不合适的参数组合（特别是极端值）可能导致模型卡在某个模式出不来，不断重复，这是“重复循环 Bug”，需要细心调整参数解决。

八、Prompt 设计模板（建议参考）

一个典型的 Prompt 可以包含以下几部分：

你是一位 [角色]。
你的任务是 [目标]。
请根据以下信息完成任务：
[补充信息]

要求：
- 语言风格：
- 输出格式：
- 长度控制：
- 给出示例：（如使用 Few-shot 可加）

九、最佳实践：精炼你的 Prompt 技艺

遵循这些原则，能让你的 Prompt 水平更上一层楼：

提供示例 (Few-shot): （再次强调！）这是最有效的实践之一，务必掌握。
简洁明了： Prompt 要清晰、具体、易于理解。避免复杂的术语和不必要的信息。使用明确的动词（如：生成、分类、总结、提取、翻译、重写、判断等）。
明确输出要求： 具体说明你想要的输出格式（JSON、列表、段落数）、风格、语气、包含/排除的内容。越具体越好。
指令优于约束： 尽量告诉 AI “做什么”，而不是仅仅**“不做什么”**。正面指令更清晰，不易产生歧义。当然，安全和格式的“不做什么”约束在必要时仍需使用。
控制长度： 合理设置最大 Token 数，或在 Prompt 中明确要求长度（如“用不超过 100 字回答”）。
使用变量： 对于需要重复使用或动态输入内容的 Prompt，使用占位符/变量（如 {city}, {user_input}）使 Prompt 更灵活，便于集成到应用中。
实验！实验！实验！ Prompt 工程没有银弹，唯有不断尝试：
- 尝试不同的措辞、风格、Prompt 类型 (Zero/Few-shot, CoT 等)。
- 尝试不同的模型、不同的参数 (Temperature, Top-K/P)。
- 尝试不同的输入/输出格式（如要求 JSON 输出，甚至配合 JSON Schema 进行输入）。
结构化输出 (JSON/XML): 对于需要提取信息、分类等任务，要求 AI 以 JSON 等结构化格式输出。
- 好处： 便于程序处理，减少“幻觉”（胡编乱造），格式统一。
- 配合 json-repair: 输出的 JSON 可能因 Token 限制而不完整，可以使用 json-repair (Python 库) 等工具尝试自动修复。
结构化输入 (JSON Schema): 对于复杂的输入信息，可以使用 JSON Schema 来定义输入数据的结构。
- 好处： 帮助 AI 更好地理解输入数据的各个字段及其关系，聚焦关键信息，尤其在处理大量或复杂数据时效果显著。
与人协作： 和同伴一起尝试、交流经验，不同思路的碰撞往往能带来惊喜。
适应模型更新： LLM 在不断进化，关注模型更新，及时调整你的 Prompt 策略以利用新能力。
详细记录：极其重要！ 创建一个表格（可参考白皮书中 Table 21 模板），记录每一次尝试，至少包含：
- Prompt 名称/版本号
- 目标 (Goal)
- 使用的模型及版本
- 配置参数 (Temperature, Top-K/P, Max Tokens)
- 完整的 Prompt 文本
- 输出结果 (Output) (或多个结果)
- 结果评价 (OK / Not OK / 有时 OK)
- 反馈/备注 (Feedback)
- (可选) 如果使用 Vertex AI Studio 等工具，保存 Prompt 的链接
- (重要) 如果是 RAG (检索增强生成) 系统，还要记录：使用的 Query、Chunk 设置、检索到的内容片段等。
- 为什么记录？ 帮你追踪有效策略、调试问题、对比效果、避免重复劳动，是长期进步的关键！