概念回顾
基于 Transformer 架构的大语言模型（LLM），如 ChatGPT、文心一言、通义千问等，本质上是基于海量语料训练的概率预测模型。它们能够理解自然语言并生成连贯的文本回复。对于普通用户而言，使用这些模型的核心在于如何通过对话引导其输出符合预期的结果。
前言
许多用户在初次接触大模型时，往往因为缺乏正确的使用方法而感到失望，认为模型回答空洞或无法解决实际问题。实际上，大模型的能力高度依赖于提示工程（Prompt Engineering）。由于人类自然语言的歧义性，通过精心设计的提示词来明确意图、提供上下文和约束条件，是激发模型潜力的关键。
提示工程（Prompt）
提示词的本质是让模型更精准地理解你的意图，从而输出你想要的答案。找到与模型对话的技巧，能够显著提升工作效率。
学会写提示词
不同的发问方式会导致截然不同的回答效果。以下是撰写高质量提示词的一些核心原则：
- 清晰的指令：足够清晰明确地说明你希望模型返回什么，避免模糊表达。例如，不要只说'写个故事'，而要说'写一篇关于人工智能发展的科幻短篇，字数在 500 字左右'。
- 提供上下文和例子：给出较为充分的背景信息，让模型更好地理解相关场景。如果能够提供示例（Few-shot），模型的表现通常会更好。
- 善用符号和语法：使用清晰的标点符号、标题和标记有助于转达意图，并使输出更容易被解析。
- 让模型一步一步地思考：这种方法要求模型逐步展示推理过程，可以降低结果的不准确性，并提高可解释性。
- 激励模型反思和给出思路：在 prompt 中加入措辞激励模型给出理由，有助于分析生成结果的质量。
- 给容错空间：如模型无法完成指定任务，提供备用路径。例如，'如果找不到答案，请回复'无答案''。
- 让模型给出信息来源：在涉及搜索或知识库时，要求模型标注来源，有助于减少幻觉并获取最新信息。
善于总结自己的提示词模板
一个高效的 Prompt 通常包含以下 6 个要素（按重要性降序排列）：
- 【角色】：选填。指定模型扮演的身份（如'资深程序员'、'专业翻译'），有助于调整语气和内容。
- 【任务】：必填。明确表达希望模型完成的目标。
- 【上下文】：选填。提供背景信息、成功标准或环境约束。
- 【示例】：选填。提供输入输出的范例，示范所需内容和格式。
- 【输出格式】：选填。指定输出为表格、列表、JSON 或特定段落结构。
- 【语气】：选填。定义文本风格，如正式、幽默或简洁。
示例模板：
# Role: 高级数据分析师
# Task: 分析销售数据趋势
# Context: 公司 Q3 销售额下降，需找出原因
# Example: 输入数据 -> 输出分析报告
# Format: Markdown 表格 + 文字总结
# Tone: 专业、客观
利用多轮对话，我们可以通过追问、奖惩指令来进一步提升模型的推理能力。
找到自己使用的场景
- 知识助手：充当百科全书，解答各类问题。
- 工作助理：协助写作、优化文案、数据分析、提供健身或营养建议。
- 工具库沉淀：将常用场景的 Prompt 沉淀下来，形成个人或多维度的工具库。
如何更深层次地激发大模型的涌现能力
激发大型语言模型涌现能力主要有两种方法：提示工程（Prompt Engineering）和微调（Fine-tuning）。作为日常应用者，重点应放在提示工程上。
