Jensen的个人学习小站

Prompt Engineering：如何与大模型高效沟通

很多时候，大模型给出的回答不尽如人意，未必是因为模型"笨"，而是因为我们下达的指令不够清晰。Prompt Engineering 就是一门关于如何与语言模型高效对话的学问。

1. 提示词工程不是"魔法"

写 Prompt 就像在给一个极其聪明、但缺乏具体背景知识的实习生布置任务。核心原则只有两条：

• 清晰且具体： 不要指望模型去"猜"你的意图。写明背景、输入是什么、输出格式要求。
• 给模型思考的时间： 遇到复杂的逻辑推理，强行让它直接出结果极易出错，必须引导它分步思考。

2. Zero-shot vs Few-shot

Zero-shot（零样本）： 直接提问，不给任何示例。

"把这句话翻译成法语：你好，世界。"

Few-shot（少样本）： 在提问前，提供一组问答示例，让模型学习预期的输出模式。这对于控制输出格式极其有效。

将给定的词语分类为正面、负面或中性。

词语：开心
情感：正面

词语：平淡
情感：中性

词语：沮丧
情感：负面

词语：愤怒
情感：

3. 思维链 (Chain of Thought, CoT)

对于涉及数学计算或复杂逻辑推理的任务，直接给出答案往往是随机的。CoT 通过在 Prompt 中加入 "让我们一步一步地思考 (Let's think step by step)" 或展示推理过程的示例，大幅提升了大模型解决复杂问题的能力。

你是一个逻辑分析助手。你需要回答用户的谜题。
在给出最终答案之前，你必须使用 `` 标签进行思考推理。

User: 农场里有鸡和兔子，一共有 35 个头，94 条腿。请问鸡和兔子各有多少只？

Assistant:

设鸡的数量为 x，兔子的数量为 y。
根据题意：
x + y = 35 (头的总数)
2x + 4y = 94 (腿的总数)
由第一个等式得：x = 35 - y
代入第二个等式：2(35 - y) + 4y = 94
70 - 2y + 4y = 94
2y = 24
y = 12 (兔子有 12 只)
x = 35 - 12 = 23 (鸡有 23 只)

农场里共有鸡 23 只，兔子 12 只。

4. 结构化输出控制

在开发 AI 应用时，我们需要模型输出 JSON 格式供代码解析，而不是人类可读的自然语言。可以通过明确定义结构来约束它：

请从以下文本中提取人物信息，并严格输出合法的 JSON 格式。不要输出除了 JSON 之外的任何解释说明。

JSON 结构示例：
{
  "name": "李雷",
  "age": 28,
  "profession": "软件工程师"
}

输入文本：昨天我在咖啡馆碰到了韩梅梅，她今年正好30岁，目前在一家外企做市场总监。

5. 常用的提示词框架

常见的结构化 Prompt 框架可以归纳为 CRISPE 或 BROKE 模型，通常包含以下要素：

• Role (角色)： 扮演资深的数据分析师
• Context (背景)： 我们公司刚刚发了第一季度的财报，销售额下降了...
• Task (任务)： 请帮我撰写一份给董事会的解释邮件
• Format (格式要求)： 使用 Markdown 标题，包含三个要点的列表。语气要职业、客观。