Skip to content
思维向量

Prompt Engineering

什么是 Prompt Engineering？

Section titled “什么是 Prompt Engineering？”

Prompt Engineering 是设计输入文本以引导大模型生成期望输出的技术。不改变模型参数，只优化输入。

flowchart LR
    A[用户输入] --> B[Prompt 模板]
    B --> C[LLM]
    C --> D[结构化输出]

提示词结构

Section titled “提示词结构”
[角色] 你是一个 AI 技术专家。
[任务] 用通俗语言解释以下概念。
[格式] 1)一句话总结 2)一个类比 3)一个示例
[输入] 概念：注意力机制

基础原则

Section titled “基础原则”
  1. 清晰明确：告诉模型要做什么、怎么做、输出什么格式
  2. 提供上下文：相关背景信息越多，输出越准确
  3. 给出示例：Few-shot 远比 Zero-shot 效果好

提示词的基本结构

Section titled “提示词的基本结构”
[角色设定] 你是一个专业的 AI 技术文档撰写者。
[任务描述] 请用通俗易懂的语言解释以下概念。
[格式要求] 输出格式：1) 一句话总结 2) 一个类比 3) 一个代码示例
[输入内容] 概念：注意力机制

关键技巧

Section titled “关键技巧”

Zero-shot：直接提问

Section titled “Zero-shot：直接提问”
请列举 Python 中常用的 5 个内置函数，并说明用途。

Few-shot：给出示例

Section titled “Few-shot：给出示例”
将英文翻译成中文：


English: Hello, how are you?
中文: 你好，你怎么样？


English: I love machine learning.
中文: 我热爱机器学习。


English: The weather is beautiful today.
中文:

Chain-of-Thought：引导推理

Section titled “Chain-of-Thought：引导推理”
问题：一个农场有 15 只鸡和 8 只兔子，一共有多少条腿？


让我们一步步思考：
1. 鸡有 2 条腿，15 只鸡 → 15 × 2 = 30 条腿
2. 兔子有 4 条腿，8 只兔子 → 8 × 4 = 32 条腿
3. 总共：30 + 32 = 62 条腿


答案：62 条腿

代码实现

Section titled “代码实现”
from openai import OpenAI


client = OpenAI()


def ask(prompt, system="你是一个有用的助手。"):
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": system},
            {"role": "user", "content": prompt},
        ],
        temperature=0.7,
    )
    return response.choices[0].message.content


# Few-shot 示例
result = ask("""
将以下句子分类为"正面"或"负面"：


例句：这个产品质量很好。→ 正面
例句：服务态度太差了。→ 负面
例句：物流速度挺快的，包装也很完整。→
""")
print(result)  # 正面

常见陷阱

Section titled “常见陷阱”
陷阱表现解决
幻觉编造不存在的事实要求引用来源
指令遗忘长对话中忽略早期指令在结尾重复关键要求
格式错误输出格式不符合要求用 JSON schema 约束

高级技巧

Section titled “高级技巧”

结构化输出

Section titled “结构化输出”
from openai import OpenAI
client = OpenAI()


response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "列出 3 本 AI 书籍"}],
    response_format={
        "type": "json_schema",
        "json_schema": {
            "name": "books",
            "schema": {
                "type": "object",
                "properties": {
                    "books": {
                        "type": "array",
                        "items": {
                            "type": "object",
                            "properties": {
                                "title": {"type": "string"},
                                "author": {"type": "string"},
                                "year": {"type": "integer"},
                            },
                        },
                    },
                },
            },
        },
    },
)
print(response.choices[0].message.content)

自洽性（Self-Consistency）

Section titled “自洽性（Self-Consistency）”

同一问题多次采样，取多数答案：

def self_consistency(prompt, n=5):
    answers = []
    for _ in range(n):
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.7,  # 非零温度产生多样性
        )
        answers.append(response.choices[0].message.content)
    # 取出现最多的答案
    from collections import Counter
    return Counter(answers).most_common(1)[0][0]

Tree of Thoughts

Section titled “Tree of Thoughts”

让模型探索多条推理路径，选择最优：

问题: 如何用 3 升和 5 升的桶量出 4 升水？


思路 1: 装满 5 升 → 倒入 3 升 → 5 升桶剩 2 升 → ...
思路 2: 装满 3 升 → 倒入 5 升 → 再装满 3 升 → ...
思路 3: ...


评估: 思路 1 最短，思路 2 也能达到...
最佳: 思路 1

相关页面

Section titled “相关页面”