本文详细介绍了大模型提示工程的 15 个核心技巧，涵盖从零样本、单样本提示到思维链、模板填充及自动化提示工程等多种策略。文章阐述了每种方法的应用场景、操作要点及实际案例，旨在帮助用户通过优化提示词提升大语言模型的输出质量与准确性。内容涉及创意写作、信息检索、特定领域摘要、角色扮演等实用场景，强调了迭代测试与上下文构建的重要性，为开发者提供了系统化的提示工程实践指南。
让我们深入探讨一些基本的提示工程技术和策略，以帮助您掌握模型提示。提示工程（Prompt Engineering）是计算机科学中一个新兴的学科，可以彻底改变我们与技术的互动方式。掌握这项技能对于充分发挥大语言模型（LLM）的功能至关重要。
Zero-Shot Prompting 涉及在不向大型语言模型提供任何示例或先前上下文的情况下生成响应。当您需要对基本问题或一般主题快速回答时，该技术非常适合。
应用场景： 通用问答、简单指令执行。
示例：
输入："请解释什么是量子计算。" 输出：[模型直接给出定义]
![图示：Zero-Shot Prompting 示例界面]
一次提示是基于用户提供的一个示例或上下文片段提取响应。通过提供一个输入 - 输出对，模型可以更好地理解您期望的格式和逻辑。
应用场景： 分类任务、特定格式转换。
示例：
输入："将以下句子转换为肯定句：我不喜欢这个。" 输出："我喜欢这个。"
![图示：One-Shot Prompting 示例界面]
信息检索提示是将大型语言模型视为搜索引擎。它涉及向生成式人工智能提出非常具体的问题以获得更详细的答案。由于数据源差异，不同模型在实时信息获取上表现不同。
最佳实践： 明确指定时间范围、来源偏好，并要求引用。
示例：
输入："总结 2024 年关于大模型安全性的主要研究进展。"
![图示：信息检索提示示例界面]
构思创意内容提示可以帮助您生成富有想象力的叙述、引人入胜的故事和独特的文本表达，以适应您的受众的兴趣和偏好。
技巧： 设定角色、风格、语气和目标受众。
示例：
输入："写一个关于未来城市的短篇科幻故事开头，风格赛博朋克。"
![图示：创意写作提示示例界面]
上下文扩展技术围绕着丰富提供给人工智能的信息，以有效地增强其理解。编写上下文扩展提示的一种好方法是通过'5W 和 How'方法，该方法涉及通过询问与主题相关的问题（Who, What, Where, When, Why, How）来扩展查询。
示例：
基础陈述："锻炼对你的健康有好处。" 扩展后："作为一位久坐办公室的程序员，我应该如何安排每周的锻炼计划来缓解颈椎压力？"
![图示：上下文扩展对比示例界面]
通过构建精确的指令，可以突出文本中您希望模型优先考虑的元素，确保摘要捕捉到所需关注的核心要点。
场景： 从长文档中提取特定信息。
示例：
"总结这篇关于网站优化的文章，但只专注于与移动优化相关的策略：[粘贴文章内容]。"
![图示：特定领域摘要示例界面]
"Template filling"允许您轻松创建多功能但结构化的内容。您可以使用带有占位符的模板，以便在保持格式一致的同时，为不同情况或输入自定义提示。
应用场景： 批量生成产品描述、个性化邮件。
示例：
模板："Hello {Name}, Welcome to our {Service}. We're glad you're here! {Closing}" 变量替换：Name="张三", Service="AI 助手", Closing="祝好"
![图示：模板填充示例界面]
提示重写或 AI 提示定制允许您在保持查询的原始意图的同时，微妙地改变提示的措辞。它可以鼓励语言模型产生多种回答，以不同的方式回答原始意图。
技巧： 使用同义词、调整句式、改变语气。
示例：
原始提示："有哪些方法可以优化网站的速度快？" 重写后："你能列出一些改善网站加载时间的技巧吗？"
![图示：提示重写前后对比界面]
提示组合技术涉及将不同的指令或问题合并到一个单一的、多方面的提示中，以从 AI 中获得全面的答案。这有助于处理复杂的多步骤任务。
示例：
"你能解释一下共享主机和 VPS 主机之间的区别，并推荐哪一个更适合小型电子商务网站吗？"
![图示：组合提示示例界面]
Chain-of-thought prompting 是一种利用实时 AI 交互来引导工具获得更准确、更全面的答案的技术。与传统的单一提示不同，您可以提供一系列相关的例子或问题，以完善原始查询。
关键： 将复杂问题分解为更易于管理的小部分，逐步推理。
示例：
"请先分析问题的前提条件，然后分步骤推导结论，最后给出答案。"
![图示：思维链提示示例界面]
迭代提示是另一种有效的技术，通过提出后续问题来构建先前的回答。使用它，您可以更深入地探讨一个主题，提取额外的见解，或澄清初始输出中的任何模糊之处。
技巧： 基于上一轮回答追问细节、要求举例或反驳观点。
示例：
第一轮："介绍自然语言处理的基础。" 第二轮："请针对 NLP 中的情感分析任务，详细说明其工作流程。"
![图示：迭代提示示例界面]
交互式故事讲述和角色扮演与 AI 合作是一种创造性和引人入胜的方式，可以产生动态内容。此技术利用了 AI 根据提示和先前的互动适应其响应的能力。
协作式故事讲述： 让 AI 实时适应您的输入，共同参与故事的发展。
示例：
"我想开始一次与您合作的协作式故事练习。我们将撰写一个关于魔法存在的幻想故事... 角色：Doraleous... 目标：结束饥荒..."
![图示：角色扮演示例界面]
使用隐式信息注入，您可以巧妙地注入上下文，使 AI 模型在没有明确告知的情况下理解您的需求。当您需要寻求微妙或量身定制的回应时，这种技术特别有用。
技巧： 使用词汇暗示语气（如"详尽"暗示正式），而非直接指令。
示例：
"给我一些快速提高网站流量的小贴士。" -> 隐含需要具体、可执行的方案。
![图示：隐式信息注入示例界面]
多语言内容生成不仅仅是将一种语言的单词转换成另一种语言。通过提示工程，您可以确保 AI 考虑文化或情境背景，从而获得更准确和微妙的翻译。
场景： 商业通信、法律文件、隐喻翻译。
示例：
"将短语'她接过球并带着它跑'从英语翻译成法语，记住这是一个关于接管项目的商务隐喻。"
![图示：语境翻译示例界面]
自动化提示工程（APE）是人工智能领域的一个进步，利用新的 LLM 能力帮助 AI 自动生成和选择指令。它将任务转化为一个黑盒子优化问题，使用机器学习算法来启发式地生成和评估候选解决方案。
工作流程：
应用： 简化数据分析任务、自动化客户服务流程。
![图示：APE 工作流程示意图]
尽管某些语言模型在特定类型的提示方面表现出色，但精心设计的查询可以显著提高任何生成型 AI 工具的响应质量。熟练掌握提示工程需要采用迭代思维。这包括持续测试、收集用户洞察、挖掘社区智慧以及适应新的 LLM 能力。
有效地开发提示从基础技术开始。通过信息检索、上下文增强、摘要、重新框架和迭代提示等方法进行实验，以熟悉语言模型。随着技术的演进，提示工程将成为人机交互的核心技能之一。
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
