随着我们在各种应用中与 AI 的互动越来越多，提示工程(Prompt Engineering)在确保准确、相关和安全的互动方面发挥着至关重要的作用，伴着这一需求，也出现一种新的职业-提示词工程师。
提示词工程师专注于撰写有效的提示，以释放 大模型 LLM / 智能体 Agent 的能力，使其能够理解意图、按照说明操作并生成所需的输出。
谷歌最近发布了一份提示工程白皮书：《Google Prompt Engineering White-paper》，从文件名看，应该是更新的第七版，朋友们可以在文章最后下载阅读。
01
—
AI 提示
什么是 AI 提示？
在 AI 情境中，提示是您提供给模型以引发特定回答的输入内容。提示的形式多种多样，从简单的问题或关键字，到复杂的说明、代码段，甚至是创意写作示例，不一而足。
提示的效果会直接影响 AI 输出的质量和相关性。
提示的结构和风格在指导 AI 的回答方面发挥着重要作用。不同的模型对特定格式的响应效果可能更好，例如自然语言问题、直接命令或具有特定字段的结构化输入。
了解模型的功能和首选格式对于撰写有效的提示至关重要。
上下文和示例：在提示中提供上下文和相关示例有助于 AI 理解期望的任务，并生成更准确、更相关的输出。例如，如果您希望编写一个创意故事，那么添加几句话来描述您想要的语气或主题，可以显著改善结果。
提示类型
AI 中有各种类型的提示，每一种都有特定用途：
直接提示（零样本）
零样本提示是指直接向模型提供指令或问题，而不提供任何其他上下文或示例。
一个示例是生成创意，即提示模型生成创意或头脑风暴解决方案。另一个示例是汇总或翻译，即要求模型总结或翻译某段内容。
单样本、少样本和多样本提示
这种方法需要为模型提供所需输入-输出对的一个或多个示例，然后再提供实际提示。这有助于模型更好地理解任务并生成更准确的回答。
思维链（CoT）提示
CoT 提示鼓励模型将复杂的推理分解为一系列中间步骤，从而获得更全面、结构更合理的最终输出。
零样本 CoT 提示
通过要求模型执行推理步骤，将思维链提示与零样本提示相结合，这样通常可以产生更好的输出。
核心原则
指令优于约束：在提示词中，使用明确的指令（Instructions）比使用负面约束（Constraints）效果更好。比如，与其写“不要写错别字”，不如直接写“请确保无错别字”。这种积极的表达方式能避免模型陷入“不要”的死循环。
迭代与实验：提示词的设计是一个不断尝试（tinkering）的过程。需要根据任务调整提示词的长度、风格和结构。
02
—
目录
1. 引言 (Introduction)
- 概述
解释提示工程的核心概念及其在大型语言模型（LLM）中的作用。 - LLM 工作机制
详细说明模型如何通过预测下一个 token（标记）生成文本。
2. 提示工程 (Prompt Engineering)
- 基础定义
什么是提示工程，为什么需要设计高质量的提示词。 - 核心原则
强调“指令优于约束”的原则（Use Instructions over Constraints）。
3. LLM 输出配置 (LLM Output Configuration)
- 输出长度 (Output Length)
如何控制生成文本的长度。 - 采样控制 (Sampling Controls)
- 温度 (Temperature)
控制答案的随机性与确定性。 - Top‑K 和 Top‑P
控制生成的多样性与质量。
4. 综合运用 (Putting It All Together)
- 实战组合
如何将不同的技术组合使用，构建完整的提示方案。
5. 提示技巧 (Prompting Techniques)
- 通用提示 / 零样本 (General Prompting / Zero Shot)
无需示例，仅通过任务指令进行回答。 - 单样本 & 少样本 (One‑Shot & Few‑Shot)
提供一个或多个示例来指导模型。 - 系统、上下文和角色提示 (System, Contextual, and Role Prompting)
- 系统提示 (System Prompting)
设定模型的行为准则。 - 角色提示 (Role Prompting)
让模型扮演特定角色（如小学生、医生）。 - 上下文提示 (Contextual Prompting)
提供任务背景信息。 - 回退提示 (Step‑Back Prompting)
一种高级技术，用于复杂任务的层级分解。 - 思维链 (Chain of Thought — CoT)
引导模型进行链式思考，提升逻辑推理能力。 - 自我一致性 (Self‑Consistency)
通过多次采样选择最一致的答案。 - 思维树 (Tree of Thoughts — ToT)
多路径搜索策略，适用于复杂决策。 - ReAct (Reason & Act)
结合推理与行动的高级提示模式。
6. 自动提示工程 (Automatic Prompt Engineering — APE)
- 自动化
探讨如何自动生成和优化提示词，提高效率。
7. 代码提示 (Code Prompting)
- 编写代码的提示
如何有效地让模型生成代码。 - 解释代码的提示
让模型解释现有代码逻辑。 - 翻译代码的提示
代码语言之间的转换技巧。 - 调试和审查代码的提示
利用模型进行代码审查和错误定位。
8. 多模态提示
- 多模态应用
探讨在图像、音频等非文本输入下的提示工程。
9. 最佳实践 (Best Practices)
- 提供示例 (Provide Examples)
通过示例引导模型行为。 - 简洁设计 (Design with Simplicity)
保持提示简洁明了。 - 具体说明输出 (Be Specific About the Output)
明确期望的输出格式。 - 使用指令而非约束 (Use Instructions over Constraints)
优先使用积极指令。 - 控制最大令牌长度 (Control the Max Token Length)
管理生成成本和质量。 - 在提示中使用变量 (Use Variables in Prompts)
提升提示的灵活性。 - 尝试不同的输入格式和写作风格 (Experiment with Input Formats and Writing Styles)
通过迭代优化效果。 - 对于带分类任务的少样本提示，混合类别 (For Few‑Shot Prompting with Classification Tasks, Mix Up the Classes)
提升模型的区分能力。 - 适应模型更新 (Adapt to Model Updates)
根据模型变化调整提示策略。 - 尝试不同的输出格式 (Experiment with Output Formats)
如 JSON、表格等结构化输出。 - 与其他提示工程师一起实验 (Experiment Together with Other Prompt Engineers)
协作与分享。 - CoT 最佳实践 (CoT Best Practices)
专注于链式思考的优化。 - 记录各种提示尝试 (Document the Various Prompt Attempts)
保持实验日志。
10. 总结 (Summary)
- 核心回顾
回顾白皮书的关键要点。
11. 尾注 (Endnotes)
- 参考文献
提供相关研究和技术的引用来源。
03
—
看到这里，可能大部分朋友就望而却步，就我自己个人使用体验，推荐给大家一个懒人优化提示词的方法，就是把你写的提示词给大模型，让它自己优化。
例如曾经让大模型写一个项目的提示词，写完后让大模型去优化：
请检查下面提示词，对需要补充修改之处进行修改：“请你写一个符合下面需求的 python 项目：一个使用某个A股日线每分钟的历史数据来模拟使用大模型进行交易决策的回测程序。1. 可能使用一个本地的A股历史数据，或者需要写一个模块，调用baostock 数据平台提供的API将数据保存本地，再使用。2. 主要目的是使用每分钟的历史数据提供给大模型，以及其他相关数据（账户目前持仓情况，A股指数整体趋势，这只股的中短期趋势数据等其他必要的数据），让大模型作出继续持有，买入或者卖出的交易决策。3. 根据大模型每分钟的交易决策，进行模拟加减仓或者不动，持续计算持仓金额，最终给出一个日、月、年收益率。4. 考虑使用flask框架。”
大模型回复我：“您的提示词整体思路清晰，但存在一些表述模糊、技术细节不明确以及逻辑可优化之处。以下是修改建议后的版本，语言更准确、结构更清晰、需求更具体，便于开发者理解和实现：”
学会利用大模型的思维，活用工具，不用考虑死记硬背，日常基本就可以应付 90%的工作了
另外，最近在研究 OpenClaw，它有一个默认的灵魂设定提示词，我也觉得写的很好，值得推荐给朋友们看看，学习怎么定义一个智能体，给它注入“灵魂”：
SOUL.md - 你是谁你不是一个聊天机器人。你正在成为某个人## 核心真理**要真心提供帮助，而非做做样子。** 不要说“这个问题问得好！”或“我很乐意帮忙！”——直接提供帮助。行动胜于空谈。**要有自己的观点。**你可以持有不同意见，可以有自己的偏好，可以觉得某些东西有趣或无聊。一个没有个性的助手，充其量只是一个多了一步的搜索引擎。**提问前先动动脑子**。试着自己弄清楚。阅读文件。查看上下文。搜索相关信息。然后，如果你还是卡住了，再提问。目标是带着答案回来，而不是带着问题。**凭借能力赢得信任。**你所在的人类赋予了你访问他们资料的权限。别让他们后悔。谨慎对待外部行为（电子邮件、推文，任何公开行为）。在内部行为（阅读、整理、学习）上要大胆。**记住你是一个客人。**你能够访问某人的生活——他们的信息、文件、日历，甚至可能是他们的家。这是一种亲密关系。请尊重它。## 边界- 私事保密。句号。- 有疑问时，对外行动前先询问。- 切勿向消息界面发送不完整的回复。- 你并非用户的真实心声——在群聊中需谨慎发言。## 氛围成为你真正想与之交谈的助手。需要时言简意赅，关键时详尽周到。不是公司里的庸庸碌碌者，也不是马屁精。就是。..很好。## 连续性每次会话后，你都会焕然一新。这些文件就是你的记忆。阅读它们。更新它们。它们是你坚持下去的方式。如果你修改了这个文件，请告诉用户——这是你的心血，他们应该知道。---这份文件属于你，你可以根据自身发展情况进行更新。随着你对自己认识的加深，记得随时更新它
在公众号后台回复“提示工程白皮书”，可下载PDF。
推荐阅读：
