什么是提示工程？
提示工程（Prompt Engineering）是指通过设计和优化输入指令，引导大型语言模型（LLM）生成符合特定需求的高质量文本的过程。它帮助用户更精准地控制模型的输出行为，使其适应各种应用场景，如内容创作、数据分析、代码生成等。
核心提示公式
一个高效的提示通常包含三个关键要素：
- 任务（Task）：清晰陈述模型需要完成的具体工作。
- 指令（Instructions）：明确模型在生成过程中应遵循的规则或约束。
- 角色（Role）：设定模型的身份，以调整其语气、风格和专业度。
主要提示技术分类
1. 指令提示技术
指令提示的核心在于提供明确的任务描述和具体的执行指令。例如，在生成客户服务响应时，需明确告知模型'生成对客户咨询的响应'，并附加指令'回复应当专业且信息准确'。
示例：
- 任务：生成法律文件
- 指令：文件必须符合相关法律法规
- 提示公式："按照以下指令，生成符合相关法律法规的法律文件：该文件应当符合相关法律法规。"
2. 角色提示技术
通过赋予模型特定角色，可以显著改善输出的专业性和语境适配度。例如，让模型扮演'律师'或'营销代表'，能使其生成的文本更符合行业规范。
示例：
- 任务：生成产品描述
- 角色：资深营销专家
- 提示公式："作为资深营销专家，撰写一篇突出新智能手机创新功能的产品描述。"
3. 零样本与少样本提示技术
- 零样本（Zero-shot）：不提供任何示例，直接要求模型完成任务。适用于通用任务。
- 单样本/小样本（One-shot/Few-shot）：提供一个或多个示例，帮助模型理解任务模式。适用于定义模糊或需要特定格式的任务。
4. 思维链提示（Chain-of-Thought）
即'让我们想一下'技术。通过在提示中加入引导性语句，促使模型进行分步推理，提升复杂问题的解决能力，特别适用于逻辑推理、数学计算及创意写作。
示例：
- 提示："让我们思考一下气候变化对农业的具体影响有哪些方面？"
5. 自洽性提示技术
用于确保模型输出的一致性。通过要求模型检查前后文是否矛盾，或在生成后验证事实准确性，减少幻觉现象。
示例：
- 提示："请确保以下文本是自洽的：文章前段提到人口为 500 万，后段提到 700 万。"
6. 种子词提示技术
提供特定的关键词或短语作为生成锚点，控制文本的主题走向。结合角色和指令使用效果更佳。
示例：
- 种子词："爱"
- 提示公式："以诗人的身份，围绕种子词'爱'创作一首十四行诗。"
7. 知识生成与整合提示技术
- 知识生成：利用模型预训练知识生成新信息或回答未知问题。
- 知识整合：将新输入信息与模型已有知识库结合，形成连贯的输出。
