已经不记得自己看过多少关于Prompt的文章或者视频了，总感觉明白了又不深入，有种很不踏实的感觉。直到昨天偶然发现谷歌官方出品的《Prompt Engineering》，看完后顿时感觉打通了任督二脉，直接出师！如果你有时间，一定要学习下原文，链接我放在评论区了。
如果你只想了解怎么写，不必知道其中的原理，可以看第4、5部分以及文末的往期精选；如果你想深入了解提示词工程，知其所以然，以便更好的灵活运用，那就从头开始吧～下面我们正式开始让人耳目一新的知识点分享：
1.为什么叫提示词“工程”？
2.写好的Prompt不是一劳永逸的！
提示的有效性受到诸多因素的影响：所使用的模型、模型的版本、模型的训练数据、模型配置、措辞选择、风格语调、结构以及上下文等等。你可能试过，同样的Prompt用不同的工具（如chatgpt、Gemini、Qwen、豆包）给出的结果都不同，这是因为工具背后运行的模型不同。所以针对不同模型要用不同的Prompt，这里的效果只能自己根据需求摸索，形成最适合自己的提示词库。另外，模型一升级，也会对你用的提示词的效果有所影响，所以就需要不断优化和调整。看到这里，大家是不是感觉没必要眼馋别人的提示词库了？?
3.LLM可以配置输出参数
1）输出长度 (Output length)
这个大家估计都有一个模糊的感觉，就是让他返回多长的结果呗。
但是有一个新的知识点：通过配置限制Token数量（max_tokens）是一种强制截断，它本身并不能促使模型生成简洁的内容！看到这我傻眼了?...如果要实现简洁的回答，通常需要在提示本身中给出具体指令，比如“用一句话总结”。
2）采样控制 (Sampling controls)
这个有点点专业，偶尔有一些工具会把以下3个控制手段暴露出来，如果你只想了解怎么写Prompt，这部分可以跳过。下面介绍的三种手段可以单独用，也可以配合使用。
温度 (Temperature)
温度控制Token选择中的随机程度。可以为不同任务选择合适的温度：事实问答需要低温，而故事生成（创造性工作）需要高温。温度为0是确定性的，即始终选择概率最高的Token（如果两个Token具有相同的最高预测概率，根据平局处理方式的不同，温度为 0 时可能不总是得到相同的输出）。
Top-K
采样从模型预测的分布中选择概率最高的 K 个Token。Top-K值越高，模型的输出越具创造性和多样性；Top-K值越低，模型的输出越受限制和基于事实。Top-K为 1 等同于每次只取概率最高的那一个（贪婪解码）。
Top-P
采样选择累积概率不超过某个值（P）的最高概率Token。P的值范围从0（贪婪解码）到 1，Top-P 的作用是划定一个高质量的“合理候选词池”，而温度的作用是在这个词池内部增加或减少随机性，两者结合使用能更好地控制输出。在实际应用中，Top-P 的值通常设定在 0.9 到 1.0 之间。
在Google AI studio中这几个可以设置，大家可以体验下，这款工具也是有很多免费的强大功能，整理好后我单独写一篇。
4.写好提示词的小众技巧
原文档中介绍了常见的系统提示词、用户提示词、上下文提示词，zero-shot、one-shot、few-shot，思维链等各大博主提到的常见的手段，我这里就不再赘述了，只提一个信息，few-shot大概是3～5个例子，别太少了。我之前的这篇文章里有提及一些手段，如果需要可以瞅瞅：不懂技术的产品经理要被淘汰了！Prompt提示词怎么写？概念、秘籍、框架，一篇搞定
今天重点说以下3种：
1）回退提示
官方知识点：
核心机制：要求 LLM 首先考虑一个与具体任务相关的更普遍、更抽象的问题，然后将这个普遍问题的答案作为上下文，用于指导解决最初的特定任务。
目的与效果：这种“回退”过程能够激活 LLM 的背景知识和推理过程，鼓励其进行批判性思考。最终，它有助于 LLM 生成更准确、更有创意、更扎实、更具洞察力的具体输出。
本质：它是一种引导式头脑风暴，通过关注一般原则来帮助减轻 LLM 响应中的偏见。
个人感受：这个方法感觉和思维链很像，但它是针对思考的起点的，这种方式使模型从一个更广泛、更高级别的角度来看待问题。而思维链是在思考的过程中做文章，它使模型将其逻辑推理外化为可见的步骤，确保计算或逻辑推导的每一步都正确，从而保证最终答案的可靠性。从应用场景来看，回退提示更适合创造性的任务，比如编故事情节，如果不使用这个方式，可能故事会比较通用和平庸，通过让LLM输出写故事的几点框架，再写出的故事可能会更符合预期。
2）自我一致性
这个听着名字很迷糊，但实际上就是多问几次，然后看结果哪种更多?。
学术一点讲，自我一致性的核心观点是，虽然单个推理路径可能有缺陷，但正确答案很可能可以通过多个有效路径达到。它以计算成本换取了鲁棒性，但成本很高。
最后这句话是针对产品经理等专业人士的，普通人我们多问问不花钱，以后不确定的答案，就一个模型多问几次、多个模型分别问，然后看看哪个回答是对的...
3）ReAct
推理与行动（Reason and act, ReAct）提示是一种范式，通过将推理和行动结合到一个思想 - 行动循环中来工作。LLM 首先对问题进行推理并生成行动计划。然后它执行计划中的行动并观察结果。接着，LLM 使用观察结果更新其推理并生成新的行动计划。这个过程持续进行，直到 LLM 找到问题的解决方案。
5.最佳实战：
这里也提到了大家长知道的提供示例、具体说明、限制输出等方面，可以看下面的图，基本上看文字就知道说的是啥意思。有几个关键点，我下面单独再说下：
1）简洁设计
提示应该简洁、清晰、易于理解，但不是说你不需要把背景交代清楚，这里只是说你应该选择的表达方式。
原文示例：
修改前 ：:我现在正在访问纽约，我想了解更多关于好地点的信息。我和两个 3 岁的孩子在一起。我们假期应该去哪里？
重写后 ：扮演游客的旅行指南。描述在纽约曼哈顿适合带 3 岁孩子参观的好地方。
2）使用指令而非约束
指令 (instruction) 提供关于响应的期望格式、风格或内容的明确指示。它指导模型应该做什么或产生什么。约束 (constraint) 是对响应的一组限制或边界。它限制模型不应该做什么或避免什么。与和人沟通一样，积极正面的回答大模型也喜欢，所以我们要少用约束型话术。但约束在某些情况下仍然很有价值，例如，防止模型生成有害或有偏见的内容，或者当需要严格的输出格式或风格时。
原文示例：
推荐：生成一篇关于排名前5的视频游戏机的1段博客文章。仅讨论游戏机本身、制造商公司、年份和总销量。
不推荐 ：生成一篇关于排名前5的视频游戏机的1段博客文章。不要列出视频游戏名称。
3）在提示中使用变量
4）尝试不同的输出格式
除了提示输入格式，考虑尝试输出格式。对于非创造性任务，如提取、选择、解析、排序、排名或分类数据，尝试输出以结构化格式（如 JSON 或 XML）返回，结构化是避免大模型幻觉的一种方式。
5）记录各种提示尝试
最后这个，是我觉得最最最有价值的建议！这对于AI产品经理来说是更重要的，普通用户把自己试过的好的提示词整理起来即可。这样的方式方便学习、比较和复现。
官方内容介绍到这，以下是我的一点个人感受：
与大模型交流时，你就把大模型当作你带的实习生，二者的合作过程非常相似！给他布置任务时，应该这么做：
先明确自己的需求，心里想明白。如本次工作的大方向、背景信息、目标任务、输出结果的要求等等。
用什么样的方式讲。你说话时的传达方式对方是否能听懂（如用词是否准确、表达方式，是不是方便对方理解），对人还有语气的问题，对AI不需要语气?，更简单一些。
多次配合中不断磨合。这个很虚，但实际带人过程中却是非常重要的一环，如何在短时间内磨合好，将大大影响后续你俩合作的输出成果。
以上是我看完这篇白皮书印象深刻的点，提示词工程是一门实践大于理论的学科，大家不要纸上谈兵，多去使用才能提高。快行动起来吧。大家有什么新收获，记得来评论区留言哦～
往期精选：
