[TOC] ## 概述 提示词工程是指 **设计、优化和调试输入给大模型（如 GPT、Claude 等）的“提示词”（Prompt）** 的技术和方法，目的是引导模型生成更准确、有用、符合预期的输出结果。 换句话说，就是通过精心设计问题或上下文文本，最大化发挥大模型的能力，减少错误或无关回答。 ## 为什么需要提示词工程？ * **大模型是“条件生成”模型**，其输出高度依赖输入提示的质量。 * 不同的提示设计，会导致结果差异巨大。 * 好的提示可以让模型更好理解任务、场景、风格和细节要求。 * 避免模型出现“幻觉”（生成错误信息）或回答跑题。 ## 提示词工程的常用技巧 | 技巧 | 说明 | 示例 | | --- | --- | --- | | 明确角色设定 | 明确告诉模型“你是XX专家” | “你是一名法律专家，帮我分析...” | | 指定输出格式 | 让模型以特定格式返回，如 JSON、列表 | “请以 JSON 格式列出会议议程” | | 分步提示 | 将复杂任务拆分成多个简单步骤 | “先总结，再提出问题” | | 举例示范 | 通过示例引导模型学习想要的回答风格或内容 | “比如：‘苹果是水果’，请写类似句子” | | 限定字数/风格 | 指定回答长度或风格 | “请用200字内的正式语言回答” | | 负面提示 | 告诉模型避免的内容或格式 | “不要包含任何法律术语” | | 多轮交互提示 | 通过对话逐步引导完成复杂任务 | “现在请补充细节...” | ## 应用场景举例 * **法律领域**： “你是一位刑法专家，解释以下条款的含义，并列出适用案例。” * **客服机器人**： “请用友好、简洁的语言回复用户关于退款的问题。” * **代码生成**： “请生成一个 Python 函数，实现冒泡排序，并添加详细注释。” * **内容创作**： “帮我写一篇关于气候变化的300字科普文章，适合中学生阅读。” ## 进阶：自动提示优化 * **Prompt Tuning**（提示微调）：利用少量训练数据自动优化提示向量。 * **Chain of Thought（思路链）提示**：让模型分步推理，提升复杂问题的准确率。 * **少样本学习（Few-shot Learning）**：在提示中加入几个示范样例，指导模型输出