本文介绍了提示工程（Prompt Engineering）的核心概念，涵盖通用人工智能与专用人工智能的区别、提示词的组成要素及设计原则。详细阐述了提示词的迭代调优方法，包括指定输出格式、上下文语境构建及约束条件设置。此外，深入解析了思维链（Chain of Thought）的原理与应用，通过算术推理示例展示如何通过分步拆解提升大模型的逻辑准确性。文章还补充了少样本提示、系统提示词及最佳实践等内容，旨在帮助开发者掌握高效的大模型交互技巧，提升任务完成质量。
在探讨提示工程之前，有必要明确人工智能的两个主要分类：
提示工程（Prompt Engineering）主要作用于 AGI 及当前的大语言模型阶段，旨在通过自然语言交互激发模型的潜在能力。
Prompt（提示词）是用户与大模型交互的接口。其作用是引导模型生成特定类型的文本或完成特定任务。提示词通常是一段文本或代码片段，提供了关于期望输出的一些指导或约束。
在使用 GPT 等大模型时，设计和使用优秀的提示词可以显著提升模型的实用性和效果，满足特定的业务需求。具体作用包括：
提示工程（Prompt Engineering），又称指令工程。它是使用通用人工智能的基础语言进行工程化实践的过程。简单来说，提示工程就是如何设计、优化和使用提示词的工程学科。
在 AGI 时代，提示工程师相当于能够设计和使用优秀提示词的专家。随着大模型能力的普及，了解并精通提示工程对开发者而言是巨大的优势。一个程序员如果提示工程素养不足，其工作效率可能会降低，逐渐被技术迭代淘汰。目前，有意识掌握提示工程的人相对较少，这构成了核心竞争力。
GPT 大模型本质上是基于概率预测下一个字的生成器，生成的语句并不总是符合预期。对于不同的提示词，有的有效，有的无效。即使相同的提示词，在不同语境下效果也可能不同。
提示工程的核心目的是提高提示词的有效性，通过对多轮对话、渐进式提问和不断校准，提升输出结果的质量，确保模型准确理解并执行用户意图。
构建一个高质量的提示词通常包含以下核心要素：
使用大模型解决问题往往需要持续的迭代。找到好的 Prompt 不是一蹴而就的，需要不断完善需求的细节。大模型不具备人类的本能逻辑，只是根据概率生成词汇的机器，因此必须将需求的各个细节尽可能描述清楚，避免歧义。
调优过程通常遵循以下步骤：
给定一段非结构化文本，要求提取关键信息。
输入文本：
我叫小王，住在北京市海淀区清华东路 16 号，手机号是 18588888888，爱好是打篮球
初始提示词：
从下面的文字中提取学生姓名、家庭住址和电话：我叫小王，住在北京市海淀区清华东路 16 号，手机号是 18588888888，爱好是打篮球
模型输出：
学生姓名：小王
家庭住址：北京市海淀区清华东路 16 号
电话：18588888888
如果需要特定的结构化数据，可以在第二轮对话中追加指令，或在首条提示词中明确格式要求。
追加指令：
请输出 XML 格式结果
模型输出：
<student>
<name>小王</name>
<address>北京市海淀区清华东路 16 号</address>
<phone>18588888888</phone>
</student>
在智能客服场景中，模型需要参考历史对话记录来生成后续内容。每轮提问都将历史对话记录放在提示词中，以维持上下文一致性。
提示词示例：
当前扮演的角色是客服，与客户进行对话，回答客户的问题。之前的历史记录如下：
客服：您好，请问您需要什么帮助？
客户：我想退款？
生成客服下一步的话术，尽量劝导客户不要退款。
模型输出：
您好，感谢您的留言！我们很重视您的需求。请问是什么原因让您想要退款呢？或许我们可以帮您解决遇到的问题，或者提供一些优惠和额外的服务，让您有更好的体验。希望能找到一个令您满意的解决方案。
此任务需要将双方的上一次对话叠加到本次提示词中，形成连续的记忆链条。
如果对输出结果不满意，可以通过增加约束来调整。例如要求语气更人性化、回答更简短或增加数据支持。
追加约束提示词：
回答更加简短一些，语气亲切
思维链（CoT, Chain of Thought）是大模型的一种独特推理能力。在训练过程中发现，当要求模型展示思考过程时，其在复杂推理任务上的表现会显著提升。
思维链使大模型能够将复杂问题拆解成多个步骤，逐步解决每个子问题，并明确展示中间步骤，最终得到准确的输出结果。
通过完整展示思考过程，用户可以了解问题的解决步骤。如果结果不满意，可以针对有问题的步骤进行干预。
在提示词的末尾追加特定指令即可激活思维链。
英文指令：
analyze the task step by step
中文指令：
逐步分析任务
这将触发 GPT 模型将问题拆解出更详细的步骤，展示如何拆解以及每个问题如何解决。
使用了思维链指令后，模型会将问题拆解为更详细的步骤。每个步骤都是下一个步骤的'上文'。生成的'上文'越多，下文就越准确。即使下文不准确，也可以一目了然地看出在哪个步骤开始偏离正确答案，方便下一轮的提示词约束该步骤生成正确的答案。
核心规律：GPT 模型生成的内容越多（指推理过程），得到的结果越准确。
计算一个算术运算题，在 ChatGPT 中输入如下提示词：
计算 24÷3+5×2 的值
未开启思维链的输出可能直接给出数字，而开启思维链则展示过程：
这个数学表达式可以按照先乘除后加减的原则来计算。所以，先计算乘法和除法，再计算加法和减法。
因此，24 ÷ 3 + 5 × 2 的值为 18。
上述计算过程中，不仅给出了结果，还展示了大模型是如何拆解问题的。如果计算结果不对，是中间的某个步骤出现了问题，则可以使用提示词干预其中的某个步骤，让 GPT 重新生成结果。
除了零样本（Zero-Shot）提示外，提供少量示例（Few-Shot）能显著提高模型在特定任务上的表现。示例应涵盖典型情况和边界情况。
示例结构：
输入：A
输出：B
输入：C
输出：D
输入：[待处理内容]
输出：
在 API 调用中，可以使用 system role 设定全局行为准则，这比在 user prompt 中反复强调更有效。例如设定模型的角色、禁止事项或输出规范。
提示工程是驾驭大模型的关键技能。通过理解提示词的组成、掌握迭代调优的方法以及运用思维链技术，开发者可以显著提升大模型在实际项目中的应用效果。随着技术的演进，提示工程将与代码开发深度融合，成为未来软件工程的重要组成部分。建议开发者在实践中不断积累案例库，形成自己的提示词模板体系，以适应快速变化的 AI 生态。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online