优化大型语言模型交互的26条原则
最近看到一篇关于提示工程的论文，整理得很系统，核心不是'教你堆更长的提示词'，而是从如何和大模型说清楚需求这件事出发，把常见的提示设计习惯拆成了 26 条原则。论文在不同规模的模型上做了实验，包括 LLaMA-1/2 和 GPT-3.5/4，结论比较明确：这些原则确实能提升回答质量，也能让模型更稳定地理解任务。
如果你平时经常和 LLM 打交道，不管是写代码、做内容，还是让它帮你梳理信息，这套原则都很值得过一遍。下面我把内容按更容易消化的方式整理出来。
先说结论
这 26 条原则大致可以归成几类：
- 表达要清楚：直接、明确、少绕弯
- 任务要拆开：复杂问题分步处理，别一口气塞给模型
- 上下文要给足：目标受众、角色、格式、风格都要交代清楚
- 输出要约束：用示例、分隔符、结构化格式把模型'框住'
- 复杂任务要引导推理：必要时让模型逐步思考、补充细节、按既定格式生成
真正有用的地方，不在于某一条神奇技巧，而在于你能不能根据场景组合使用。
26 条提示词优化原则
1. 直接性
和模型交流时，尽量直接说需求。少一点客套和铺垫，多一点明确目标，模型更容易抓住重点。
2. 目标受众
如果你希望回答面向专家、初学者或儿童，最好直接说明。受众不同，语言深度、术语密度和解释方式都应该跟着变。
3. 任务分解
复杂问题不要一次性扔给模型。拆成几个小步骤，通常更稳，也更容易得到可控的结果。
4. 肯定指令
尽量用正向表达，而不是靠'不要……''别……'去限制模型。肯定式指令往往更清晰，歧义也更少。
5. 清晰解释
如果你要模型解释概念，最好明确要求它用简单、易懂的语言来讲，尤其是在面对非专业读者时。
6. 激励提示
有些场景下，适当加入激励语句会让模型更愿意给出完整回答。论文里把这看作一种促使模型输出更高质量内容的方式。
7. 示例驱动
给几个符合预期的示例，模型通常更容易摸清任务边界、输出格式和语气风格。这也是 few-shot prompting 的核心价值。
8. 格式化提示
把指令、上下文、示例、问题分区写清楚，模型理解起来会轻松很多。结构明确，输出通常也更稳定。
9. 任务指令
像'你的任务是''请完成以下要求'这种表达，能直接强化模型对任务的识别。关键是要明确，不要让模型猜。
10. 惩罚提示
通过提示负面后果来强化约束，是一种比较强硬的提示方式。它的作用是让模型意识到任务的重要性，从而提高遵循度。
11. 自然回答
如果希望回答更像人话，而不是机械说明，可以直接要求模型使用自然语言表达。这样输出通常更顺。
12. 逐步思考
面对推理类问题时，引导模型按步骤分析，往往比直接要答案更有效。复杂问题尤其如此。
13. 避免偏见
提示里如果明确强调'保持公正、避免刻板印象'，模型在输出时通常会更注意平衡性和客观性。
14. 交互式细节
当需求不够明确时，让模型主动追问细节，比它自己猜测要可靠得多。尤其适合需求模糊、信息缺失的场景。
