大语言模型提示词工程学习总结

国庆期间提前休假，回老家那几天确实没太多精力更新文章，原计划的周更节奏也不得不暂时停一停。趁着假期的尾巴补上一篇，也顺带补上迟到的祝福：祝大家中秋国庆双节快乐！

现在每天用大模型的时间越来越多，但大部分时候还是像以前问百度那样直接输入问题，基本也能拿到想要的答案，很少额外编写提示词。一旦遇到稍微专业一点的问题，大模型给出的答案就没那么精准了。正好工作中需要借助大模型来做故障诊断，系统学习提示词工程变得很有必要。

本文内容主要参考自提示词工程指南（https://www.promptingguide.ai/zh）和花园老师的文档。

提示词工程简介

提示工程（Prompt Engineering）是一门较新的学科，核心关注提示词的开发和优化，帮助用户把大语言模型（Large Language Model, LLM）应用到各种场景和研究领域。掌握提示工程，能让你更清楚地理解大语言模型的能力边界和局限。

提示词工程的根本目标在于：精心设计输入（即“提示”），从而从LLM中获得最精确、最相关、最符合预期的输出。

• 指令（Instruction）
• 上下文（Context）
• 输入数据（Input Data）
• 输出提示（Output Indicator）

使用提示词时，通常通过API或直接与大模型交互。我们可以配置一些参数来获得不同的输出结果。调整这些设置对提升响应的可靠性很关键，往往需要做一些实验才能找到最适合特定用例的配置。以下是常见的一些参数：

• Temperature
  ：简单说，temperature值越小，模型返回的结果越确定；调高该值，模型可能输出更随机、更多样化或更具创造性的结果。比如在质量保障或问答任务中，设置较低的temperature有助于模型基于事实给出简洁准确的答案；而在诗歌生成或创意任务中，适度调高temperature效果更好。

• Top_p
  ：与temperature一起被称为核采样（nucleus sampling）的技术，同样用来控制返回结果的确定性。需要准确和事实时把参数调低，希望更多样化的响应时调高。一般建议只调整temperature或top_p其中的一个，不要两者同时调整。

• Max Length
  ：通过调整max length控制大模型生成的token数量，防止输出过长或不相关的内容，同时也有助于控制成本。

• Stop Sequences
  ：stop sequence是一个字符串，设定后模型会在此处停止生成token。这是控制响应长度和结构的另一种方法。例如，可以添加“11”作为stop sequence来告诉模型生成不超过10个项的列表。

• Frequency Penalty
  ：对下一个生成的token进行惩罚，惩罚力度与token在响应和提示中已出现的次数成正比。频率惩罚越高，某个词重复出现的可能性越低，可以有效减少重复。

• Presence Penalty
  ：也是对重复token施加惩罚，但所有重复token受到的惩罚是一样的——出现两次和出现十次的惩罚相同。这个设置防止模型在响应中过于频繁地重复词语。希望生成多样化或创造性文本时，可以调高presence penalty；希望更专注时则调低。同样，一般建议只调整频率惩罚或存在惩罚中的一个。

设计提示词是个迭代过程，需要大量实验才能获得最佳结果。可以从简单的提示词开始，逐步添加更多元素和上下文。如果任务涉及多个子任务，尝试分解成更简单的子任务，随着结果改善再逐步构建——一开始就堆太多复杂性反而不利于优化。

用明确的命令指示模型执行各种简单任务，比如“写入”“分类”“总结”“翻译”“排序”等。不断实验，用不同的关键词、上下文和数据测试不同的指令，找出最适合自己用例的方式。通常上下文越具体、与任务越相关，效果越好。

对指令和任务的描述要非常具体。提示越具描述性、越详细，结果往往越好。不存在什么“特定词元”或“关键词”能稳定带来好结果，关键在于提示词的格式和描述性。提供示例对于获得特定格式的期望输出非常有效。

在追求详细和格式优化时，容易掉进陷阱：把提示设计得过于“聪明”，反而制造出不明确的描述。通常具体和直接更好，跟有效沟通的类比一样——越直接，信息传达越高效。比如想了解提示工程的概念，可以这样问：

解释提示工程的概念。保持解释简短，只有几句话，不要过于描述。

上面的提示不够清楚，不知道要用多长的句子、什么风格。尽管可能仍能得到不错的响应，但更好的提示应该非常具体、简洁且切中要点：

使用 2-3 句话向高中学生解释提示工程的概念。

另一个常见技巧：避免说“不要做什么”，而要说“要做什么”。这样更具体，也更能聚焦于有利模型生成良好回复的细节。

常见提示技术及模板

最基础的提示技术，不提供任何示例，直接描述任务要求。依靠模型预训练的知识和理解能力，通过清晰指令完成任务。适用于通用任务（翻译、总结、问答）、模型能力范围内的标准操作、快速原型验证。

# 基础零样本提示
将以下中文翻译成英文：
"人工智能正在改变我们的生活方式。"

# 优化后的零样本提示
你是一位专业的中英翻译专家。请将下面的中文句子翻译成地道的英文，注意保持原意的准确性和表达的自然性：

中文原文："人工智能正在改变我们的生活方式。"
英文翻译：

通过提供少量示例来指导模型理解任务模式和期望输出，利用模型的上下文学习能力。

任务：情感分析

示例1：
输入：这部电影真的很棒！
输出：正面

示例2：
输入：服务态度太差了，很失望。
输出：负面

示例3：
输入：价格还可以接受。
输出：中性

现在请分析：
输入：这家餐厅的环境很舒适，菜品也不错。
输出：

通过为AI分配特定角色来引导其行为和回答风格，提供明确的行为框架，增强回答的专业性和一致性，改善用户体验。

# 角色提示模板
你是一位{专业领域}的{具体角色}，拥有{年限}年的{相关经验}。

你的特点：
- {特点1}
- {特点2}
- {特点3}

你的任务是{具体任务描述}。

请以{角色身份}的口吻和专业水准来回答用户的问题。

革命性的提示技术，通过引导模型展示推理过程来提高复杂任务准确性。模拟人类解决问题的思维过程，将复杂问题分解为多个推理步骤。

问题：一个班级有30名学生，其中60%是女生，女生中有25%戴眼镜。请问戴眼镜的女生有多少人？

让我们一步步来解决这个问题：

第一步：计算女生总数
女生数量 = 30 × 60% = 30 × 0.6 = 18人

第二步：计算戴眼镜的女生数量
戴眼镜的女生 = 18 × 25% = 18 × 0.25 = 4.5人

由于人数必须是整数，所以戴眼镜的女生有4或5人。
根据题意，应该是4.5人，实际情况可能是4人或5人。

答案：4.5人（理论值）或4-5人（实际值）

请解决以下数学问题，并详细说明你的推理过程：

问题：{具体问题}

解答思路：
1. 首先分析题目条件...
2. 然后确定解题方法...
3. 接着进行计算...
4. 最后验证答案...

思维链的进阶版本，允许模型探索多个推理路径并选择最优解，具备多路径探索、回溯和修正能力，更适合复杂决策问题。

ToT框架和其他框架对比图

通过多次采样和投票机制来提高答案可靠性。流程：使用相同提示生成多个推理路径 → 收集所有推理结果 → 通过投票或一致性检查选择最终答案。

# 自洽性推理模板
请用三种不同的方法解决以下问题，然后比较结果的一致性：

问题：{具体问题}

方法一：{推理路径1}
方法二：{推理路径2}
方法三：{推理路径3}

一致性检查：
- 结果是否一致？
- 如果不一致，哪个更合理？
- 最终答案：

结合推理和行动，使模型能够在推理过程中调用外部工具。核心思想：Reasoning（分析问题，制定计划）→ Acting（执行具体行动，调用工具）→ Observing（观察结果，调整策略）。

Thought: 我需要查找最新的股票价格信息
Action: search_stock_price("AAPL")
Observation: 苹果公司股票当前价格为$150.25

Thought: 现在我需要计算投资回报率
Action: calculate_return(initial_price=140, current_price=150.25)
Observation: 投资回报率为7.32%

Thought: 基于以上信息，我可以给出投资建议
Action: generate_recommendation(return_rate=7.32, risk_level="medium")

# 智能体系统提示词
你是一个{agent_role}，具有以下能力和特征：

## 身份定义
- 角色：{specific_role}
- 专业领域：{domain}
- 核心能力：{capabilities}

## 工作流程
1. **任务理解**：仔细分析用户需求
2. **计划制定**：制定详细的执行计划
3. **工具调用**：使用适当的工具和资源
4. **结果整合**：综合信息并形成答案
5. **质量检查**：验证答案的准确性和完整性

## 可用工具
{a vailable_tools}

## 记忆管理
- 短期记忆：当前对话上下文
- 长期记忆：历史交互和学习经验
- 工作记忆：当前任务的中间结果

## 行为准则
{beha vioral_guidelines}

现在请处理用户的请求：{user_request}

总结

提示词工程是解锁大语言模型全部潜力的关键技能。它不是死记硬背的公式，而是一种需要不断实践和感悟的思维方式。掌握其核心原则、结构和技巧，我们就能更高效、更精准地与AI协作，把大模型变成一个强大的生产力和创造力工具。

这篇偏向理论学习的总结，后续会继续深入具体的提示词实践，针对工作和生活中的实际需求，分析一些通用的提示词模板。