2024 年提示词写作年度总结
引言
2024 年是提示词工程（Prompt Engineering）发生深刻变革的一年。回顾这一年，提示词写作经历了从简单的技巧堆砌，到结构化框架表达，再到极致压缩表达的演进过程。本文旨在梳理这一年的技术脉络，分析不同阶段的特征与优劣，并探讨提示工程的未来方向。
一、提示词的进化历程
1.1 山谷里的一束光：基础技巧阶段
在提示词发展的初期，用户接触到的多为零散的技巧。例如角色设定（"你是一个 xx 师"）、任务描述（"我需要帮助做 xx"）、工作流引导（"请遵循下列步骤"）、格式约束（"按下面格式输出"）、少样本学习（Few-Shots）以及思维链（Chain of Thought, Let's think step by step）等。
这些技巧由全球 AI 发烧友在 ChatGPT 等平台上通过实验共创而来。对于大模型（LLM）而言，它本身是一个黑箱系统。早期的提示词就像射向幽暗山谷的一束光，只能照亮局部区域。虽然能解决特定问题，但难以覆盖复杂场景的全貌。大模型既无知又无所不知，学习提示词的核心在于找到能够照亮整个山谷的表达方式，即如何更精准地激活模型的潜在能力。
然而，这一阶段存在明显局限。许多用户在使用后感到 AI 总是在'正确的废话'，缺乏深度内涵。在处理数学推理或复杂逻辑问题时，模型表现不稳定，每次生成的结果差异较大。这促使开发者寻求更稳定的控制方法。
1.2 一组灯，照亮一面墙：结构化框架阶段
为了解决基础提示词的不稳定性，结构化提示词（Framework Prompts）应运而生。这是 2023 年底至 2024 年上半年主流的表达方式。
常见的框架包含以下要素：
- 背景 (Background)：任务的环境信息。
- 角色 (Role/Profile)：AI 扮演的身份。
- 目标 (Goals/Objectives)：期望达成的结果。
- 任务 (Task)：具体执行的动作。
- 约束 (Constraints)：限制条件与注意事项。
- 示例 (Examples/Few-shots)：参考输入输出对。
- 输出格式 (Output Format)：要求的返回结构。
通过将自然语言需求转化为包含上述关键字段的英文指令组合，用户可以建立多视角的立体思维来描述需求。这种表达方式让 LLM 的输出质量有了显著提升，甚至催生了 Prompt Engineer 这一职业，部分大厂为此开出高薪招聘人才。
尽管结构化表达实现了'清晰表达'，但它并非终极答案，存在两个主要缺陷：
- 提示词过长：违背了 Attention 自注意力机制的特性。过长的上下文会导致模型在理解和解压过程中出现信息丢失，Token 消耗巨大。
- 违背自然语言初衷：将自然语言对话退化为类似编程的结构化表达，这与 AGI（通用人工智能）追求的自然交互背道而驰。
因此，结构化表达是过渡阶段的最优解，而非终点。
1.3 太阳，让黑影无形：压缩表达阶段
2024 年下半年，一种新的解题思路——压缩表达（Compressed Expression）开始兴起。如果说结构化表达是一组探照灯照亮墙面，那么压缩表达则是太阳，试图照亮整个山谷。
李继刚等从业者提出了核心观点：字与字、词与词之间存在大量的语义空洞。让大模型去理解这些冗余的词藻是没有意义的。删除这些空洞，对 LLM 的输出影响微乎其微。
压缩表达要求措辞足够精准、凝练。在模型的向量空间（Vector Space）中，精准的词汇如同直接射向目标点的箭，而不是像云一样飘散。当 input 足够精简时，Attention 机制在分配权重时更加稳定，减少了漂移和干扰。
例如，一个极简的提示词可能仅由几个关键词组成，如'隐喻，一针见血，批判现实，思考深刻，语言风趣'。这种表达方式不仅满足了 Attention 机制的高效性，也符合人类直觉。正如 Ilya Sutskever 所言：'大模型是对这个世界的有损压缩，是个降维的过程；而提示词，是解压的入口，是升维的过程。'压缩表达正是开启精准解压的法宝。
二、关键人物与社区
在 2024 年的提示词进化路上，多个社区和个人贡献了重要力量。
2.1 DAIR.AI
DAIR.AI 发起了开源项目'Prompt Engineering Guide'，这是一个系统性的 Prompt 工程学习网站。它及时收录最新的提示词论文，包括 CoT、RAG、ReAct、Few-Shots 等核心技巧，并提供多语言版本，适合希望系统认识 Prompt 的工程人员。
