理解提示工程

第1章 理解提示工程

定义与概述

2022年12月，ChatGPT横空出世，短短两个月内用户数突破1亿，成为人类历史上增长最快的消费级应用。但你是否注意到一个有趣的现象：同一个ChatGPT，有的人用它写出了令人拍案叫绝的文章，有的人却只能得到泛泛而谈的废话？

差别在哪里？差别就在于——提示工程（Prompt Engineering）。

什么是提示工程？

用最通俗的话来说，提示工程就是和AI对话的艺术与科学。你给AI发出的每一条指令、每一个问题、每一段描述，都叫做"提示"（Prompt）。而提示工程，就是研究如何设计、优化这些提示，让AI给出你真正想要的结果。

打个比方。想象你去一家餐厅，面前坐着一位世界级的厨师——他能做出任何菜式。但问题来了：你如何点菜？如果你只说"给我做一道菜"，厨师可能给你端上来一碗白米饭；如果你说"我要一道酸甜口的、用鸡肉做的、带点四川风味的菜"，厨师可能会给你做一份惊艳的宫保鸡丁。

在这个比喻中，你就是提示工程师，厨师就是大语言模型，而你的点菜方式就是提示。提示工程的本质，就是学会如何精确地向这位"超级厨师"表达你的需求。

为什么提示工程如此重要？

让我们看几组令人震撼的数据：

• 根据微软和MIT在2023年联合发布的研究，经过良好提示工程训练的办公人员，工作效率平均提升了**37%**，其中编程、写作、数据分析类任务的提升最为显著。
• OpenAI官方数据显示，同样使用GPT-4，高质量的提示比低质量的提示，输出结果满意度相差可达**300%以上**。
• 一项针对10000名ChatGPT用户的调查发现，**78%的用户认为他们只发挥了AI不到30%的能力**，最大的瓶颈不是AI本身，而是他们不知道如何有效地与AI沟通。

这意味着什么？意味着在你和AI之间，有一座巨大的"能力鸿沟"。AI的能力远比你想象的大，但你目前的"沟通方式"限制了它的发挥。提示工程，就是帮你跨越这座鸿沟的桥梁。

一个真实的故事

2023年初，美国宾夕法尼亚大学一位名叫Arvind Narayanan的计算机科学教授在课堂上做了一个实验。他让两组学生完成同样的任务——用GPT-4写一篇关于气候变化的研究摘要。

第一组学生收到的指令是："写一篇关于气候变化的研究摘要。"

第二组学生收到的指令经过了精心设计："你是一位气候科学领域的高级研究员，正在为《Nature》杂志撰写一篇研究摘要的初稿。摘要的主题是全球变暖对海洋生态系统的影响。请包含以下要素：研究背景（2-3句话）、主要发现（3个关键点）、研究方法简述、以及对未来研究的建议。语言风格应学术但不晦涩，适合跨学科读者阅读。字数控制在250字以内。"

结果令人震惊：第一组的输出普遍平庸，内容空洞、缺乏重点；而第二组的输出几乎每一个都能直接作为学术论文摘要的初稿使用。

这个实验揭示了一个深刻的道理：AI的能力是固定的，但输出的质量取决于你如何激发它。 这就是提示工程的核心价值。

核心原理

大语言模型是怎么工作的？

要理解提示工程为什么有效，我们首先需要了解一下大语言模型的基本工作原理。不用担心，我会用最通俗的方式来解释。

想象你正在参加一个"词语接龙"游戏，但规则稍有不同——你不仅需要接上一个词，还需要根据前面所有的对话，预测最合理的下一个词。这正是大语言模型在做的事情。

大语言模型（Large Language Model，简称LLM）本质上是一个超级强大的"文字预测器"。它阅读了人类有史以来几乎所有公开的文本数据——从维基百科到学术论文，从小说到新闻报道，从编程代码到社交媒体帖子——然后学会了语言的模式。

当你输入一段提示时，模型做的事情非常简单：根据你输入的文字，一个词一个词地预测接下来最可能出现的文字。就像你的手机键盘会预测你接下来要输入的词一样，只不过大语言模型的"预测能力"强大了几百万倍。

但这里有一个关键点：大语言模型并"不理解"文字的含义，它只是在做统计上的最优预测。这意味着什么？

意味着你的提示越精确、越有结构、越能引导模型走向正确的统计方向，输出结果就越好。

这就是提示工程的底层逻辑。

提示工程与编程的类比

如果你有编程经验，你会发现提示工程和编程有着惊人的相似性。如果你没有编程经验，这个类比反而能帮你更好地理解两者。

| 编程概念 | 提示工程对应 | |---------|------------| | 函数定义 | 角色设定（告诉AI你是谁） | | 函数参数 | 任务描述（告诉AI做什么） | | 变量声明 | 上下文信息（提供背景） | | 返回值类型 | 输出格式（规定怎么回答） | | 错误处理 | 约束条件（设定边界） | | 单元测试 | 迭代优化（多轮对话改进） |

在传统编程中，你写代码让计算机执行特定任务；在提示工程中，你写提示让AI生成特定内容。两者都需要清晰的逻辑、精确的表达和不断的调试。

但有一个重要的区别：编程是确定性的——同样的代码永远产生同样的结果；而提示工程是概率性的——同样的提示可能产生略有不同的结果。这恰恰是提示工程的魅力所在，也是它比传统编程更具挑战性的地方。

提示工程的六大要素

经过大量实践和研究，人们总结出构成一个好提示的六大核心要素。记住这六个要素，你就掌握了提示工程的"配方"：

1. 角色（Role）—— 你是谁？

告诉AI它应该以什么身份来回答问题。

``` ❌ 糟糕的写法： 请介绍一下人工智能。

✅ 优秀的写法： 你是一位有20年经验的计算机科学教授，擅长用通俗易懂的语言 向非专业人士解释复杂的技术概念。请向一位12岁的中学生介绍 什么是人工智能。 ```

2. 任务（Task）—— 做什么？

明确告诉AI你希望它完成什么具体任务。

``` ❌ 糟糕的写法： 帮我写个邮件。

✅ 优秀的写法： 请帮我写一封商务邮件，向客户介绍我们新推出的AI客服系统。 邮件需要说明该系统的三个核心优势，并邀请客户参加下周三 下午2点的在线演示会。 ```

3. 上下文（Context）—— 背景是什么？

提供足够的背景信息，让AI理解你的需求。

``` ❌ 糟糕的写法： 帮我分析这段代码的问题。

✅ 优秀的写法： 我是一名Python初学者，正在学习Flask框架。以下是我写的 一个简单的Web应用代码，运行后出现了500错误。 我的开发环境是Python 3.11，Flask 2.3。 请帮我找出代码中的问题并解释原因： [代码附在此处] ```

4. 格式（Format）—— 怎么输出？

规定AI回答的具体格式。

``` ❌ 糟糕的写法： 给我一些健身建议。

✅ 优秀的写法： 请以表格形式提供一份一周健身计划，表格包含以下列： 星期、训练部位、具体动作（3个）、组数、每组次数、休息时间。 ```

5. 约束（Constraint）—— 有什么限制？

设定边界条件，防止AI跑偏。

``` ❌ 糟糕的写法： 写一篇关于环保的文章。

✅ 优秀的写法： 写一篇800字的关于城市垃圾分类的文章。 要求：

• 不要使用任何专业术语
• 目标读者是小学生
• 必须包含至少3个具体案例
• 结尾要有一段行动号召

```

6. 示例（Example）—— 你要什么样的？

给AI提供参考示例，让模仿学习。

``` ❌ 糟糕的写法： 帮我写几个产品卖点。

✅ 优秀的写法： 请为以下产品写卖点文案，风格参考示例：

示例： 产品：降噪耳机 卖点："在喧嚣的地铁里，你只听得见自己的心跳。"

现在请为以下产品写3个类似风格的卖点： 产品：智能台灯 ```

提示工程的发展历程

提示工程并不是突然出现的。它的发展与大语言模型的进化密切相关，让我们回顾一下这段简短而激动人心的历史。

2018年：GPT-1时代——提示工程的萌芽

2018年6月，OpenAI发布了GPT-1。这个模型只有1.17亿个参数，在今天看来简直微不足道。但它是第一个展示了"生成式预训练"强大能力的模型。在这个时代，几乎没有人想到要去优化提示——人们更多地把模型当作一个"自动补全工具"来使用。

2019年：GPT-2时代——初见端倪

GPT-2拥有15亿个参数，能力有了质的飞跃。OpenAI甚至一度因为它"太危险"而推迟发布。这个时期，人们开始注意到，不同的提示方式会产生截然不同的结果。一些早期的提示技巧开始出现，比如"给定一个开头，让模型续写"。

2020年：GPT-3时代——提示工程正式诞生

2020年5月，GPT-3横空出世，拥有1750亿个参数。这一次，AI的能力让整个科技界震惊。人们发现，只需通过精心的提示设计，就能让GPT-3完成翻译、摘要、编程、创意写作等各种任务，而不需要任何额外的训练。这一年，"Prompt Engineering"这个词开始在AI社区流行起来。

2022年：ChatGPT时代——提示工程走向大众

2022年11月30日，ChatGPT发布，AI正式走入千家万户。一夜之间，数百万人开始学习如何与AI对话。提示工程从一个小众的AI研究话题变成了一个大众技能。

2023年至今：GPT-4时代——提示工程的成熟

2023年3月，GPT-4发布，标志着大语言模型进入了新纪元。GPT-4不仅能理解文字，还能分析图像、通过律师资格考试、在数学竞赛中取得高分。与此同时，提示工程也从简单的"技巧集合"发展成了一门系统性的学科，出现了思维链（Chain-of-Thought）、ReAct框架、多Agent协作等高级方法。

实战技巧

快速入门：从零开始写好一个提示

让我们通过一个完整的案例来练习如何写出一个好提示。

假设你想让AI帮你规划一次旅行。大多数人可能会这样写：

``` ❌ 糟糕的写法： 帮我规划一次去日本的旅行。 ```

这个提示太模糊了。AI不知道你是谁、去多久、预算多少、有什么偏好。结果只能是一份泛泛而谈的"十大必去景点"清单。

让我们用六大要素来重构这个提示：

``` ✅ 优秀的写法： 【角色】你是一位有10年经验的日本旅行定制师，精通日本文化， 对东京、京都、大阪的每条小巷都了如指掌。

【任务】请为我规划一次7天的日本关西地区旅行计划。

【上下文】

• 我是一名28岁的摄影师，热爱人文摄影和美食
• 这是第一次去日本
• 旅行时间是4月中旬（樱花季）
• 预算：每人15000元人民币（不含机票）
• 同行者：我和我的伴侣

【格式】请按天列出行程，每天包含：

• 上午行程（地点+建议游览时间+拍摄要点）
• 午餐推荐（餐厅名+人均价格+推荐菜品）
• 下午行程（同上午格式）
• 晚餐推荐
• 当天预计花费
• 拍照小贴士

【约束】

• 不要安排购物时间
• 每天步行不超过15000步
• 必须包含至少2个非热门的小众景点
• 所有餐厅推荐必须是当地人常去的店，不要游客店

【示例】我希望行程安排的节奏类似这样： 第1天：上午轻松适应+下午深度游览一个区域 第2天：全天深度游览 第3天：半天游览+半天自由活动 （如此类推） ```

对比两个版本的输出，你会发现差距是惊人的。第一个版本得到的可能是"去京都看看金阁寺、银阁寺、清水寺"这样千篇一律的建议；而第二个版本得到的将是一份量身定制的、包含具体时间安排、餐厅推荐、拍摄建议的详细旅行计划。

五组经典对比示例

让我们再看五组经典的对比，帮助培养你的"提示直觉"。

对比1：写文章

``` ❌ 糟糕的写法： 写一篇关于远程工作的文章。

✅ 优秀的写法： 你是一位《哈佛商业评论》的专栏作家。请写一篇1500字的 文章，主题是"远程工作如何重塑企业文化"。文章结构如下： 1. 开头用一个真实的案例引入（请编造一个合理的案例） 2. 分析远程工作对团队协作的三个正面影响 3. 分析三个潜在的挑战及应对策略 4. 结尾给出对企业管理者的三条具体建议 语言风格：专业但不学术化，适合企业中高层管理者阅读。 ```

对比2：学编程

``` ❌ 糟糕的写法： Python怎么学？

✅ 优秀的写法： 我是一名文科专业的大二学生，没有任何编程基础， 但每周可以投入约10小时学习。请为我制定一个 为期3个月的Python入门学习计划。

要求：

• 以实用项目驱动学习，不要纯理论
• 推荐具体的免费学习资源（网站、书籍、视频）
• 每周安排一个可完成的小项目
• 项目难度循序渐进
• 最后以表格形式呈现，列名为：周次、学习主题、

推荐资源、本周项目、预计用时 ```

对比3：数据分析

``` ❌ 糟糕的写法： 帮我分析一下销售数据。

✅ 优秀的写法： 我是一家咖啡连锁店的数据分析师。以下是我们 2024年第一季度各门店的销售数据：

[数据以表格形式附在此处]

请完成以下分析： 1. 找出销售额排名前三和后三的门店 2. 分析销售额变化趋势（按月） 3. 找出可能影响销售的因素（如地理位置、天气等） 4. 给出提升销售额的3条具体建议 5. 以Markdown格式输出，包含数据表格和简要结论 ```

对比4：创意写作

``` ❌ 糟糕的写法： 写个故事。

✅ 优秀的写法： 请写一篇3000字的科幻短篇故事。 背景设定：2180年的上海，人类发明了可以储存和交易 "记忆"的技术。 主角：一位35岁的"记忆鉴定师"，专门鉴定记忆的真伪。 核心冲突：一天，他收到了一份声称属于他自己童年 的记忆，但他清楚地记得自己的童年并没有这段经历。 风格要求：类似刘慈欣的硬科幻风格，注重逻辑和科学细节， 同时要有打动人心的情感元素。 ```

对比5：解决问题

``` ❌ 糟糕的写法： 我的电脑好慢怎么办？

✅ 优秀的写法： 我的MacBook Pro（2020款，M1芯片，16GB内存，512GB存储） 最近运行速度明显变慢，具体表现如下： 1. 开机时间从30秒增加到了2分钟 2. 打开Chrome浏览器需要等待10秒以上 3. 风扇经常高速运转 4. 电池续航从10小时降到了4小时

请按以下步骤帮我排查： 1. 首先给出可能的原因（按可能性从高到低排列） 2. 然后给出每个原因对应的检查方法 3. 最后给出具体的解决方案（优先推荐不需要花钱的方案） ```

提示工程的核心思维模型

在掌握了基本技巧之后，让我们提升到思维层面。好的提示工程师都拥有以下几种核心思维模型：

1. 用户思维

时刻从"接收者"的角度思考问题。不是想"我要说什么"，而是想"AI需要什么信息才能给我最好的回答"。

2. 工程思维

把提示当作一个需要不断迭代优化的"产品"。第一次写出的提示很少是完美的，你需要根据输出结果不断调整。

3. 系统思维

不要孤立地看待每一个提示，而是要思考多个提示之间如何协同工作，形成一个完整的"提示系统"。

4. 实验思维

保持好奇心，勇于尝试不同的表达方式。有时候，仅仅是换一个词，就能让输出结果产生质的飞跃。

常见误区

误区1：以为AI什么都懂

很多新手认为AI是全知全能的，因此给出的提示极其简略。

``` ❌ 错误做法： 你知道昨天那个新闻吗？说说你的看法。

✅ 正确做法： 请分析2024年3月15日国务院发布的《推动大规模设备更新 和消费品以旧换新行动方案》，从以下角度进行分析： 1. 对制造业的影响 2. 对消费者的影响 3. 对环保产业的推动作用 ```

避坑指南： AI并不"知道"你脑子里的上下文。你需要把所有必要的信息都明确地写出来。

误区2：一次问太多问题

有些用户喜欢在一条提示里塞进十几个问题，结果AI的回答顾此失彼。

``` ❌ 错误做法： 请告诉我什么是机器学习、深度学习、神经网络、 强化学习、自然语言处理、计算机视觉，它们之间 有什么关系，各自有什么应用，我应该先学哪个？

✅ 正确做法： 我是一名有一定编程基础但零AI基础的开发者， 想系统学习AI技术。请为我绘制一张AI技术分支的 思维导图（用文本表示），并告诉我建议的学习路径。 ```

避坑指南： 每条提示聚焦一个核心任务。如果任务复杂，可以拆分成多轮对话。

误区3：不加任何格式要求

``` ❌ 错误做法： 给我推荐5本心理学入门书。

✅ 正确做法： 请推荐5本心理学入门书籍，按以下格式输出： 书名 | 作者 | 推荐理由（30字以内） | 适合人群 | 难度评级（1-5星） ```

避坑指南： 明确的格式要求能让AI的输出更结构化、更易读、更实用。

误区4：使用模糊的形容词

``` ❌ 错误做法： 写一篇好看的、有趣的文章，不要太长也不要太短。

✅ 正确做法： 写一篇1200字的科普文章，语言风格幽默风趣， 使用至少3个生动的比喻，适合在微信公众号发布。 ```

避坑指南： 把"好看""有趣""不太长"这样的模糊词汇替换为可量化的具体要求。

误区5：忽略了AI的局限性

``` ❌ 错误做法： 请预测下周A股的走势。

✅ 正确做法： 请从技术分析的角度，分析上证指数近一个月的走势特征。 注意：这只是技术分析，不构成投资建议。请明确指出 分析的局限性。 ```

避坑指南： 了解AI的局限性，不要让它做它不擅长的事情（如预测未来、提供医疗诊断、给出法律建议等）。

进阶玩法

提示工程的"黄金公式"

在大量实践的基础上，提示工程社区总结出了一个高效的提示公式：

``` 最佳提示 = 角色设定 + 具体任务 + 背景上下文 + 输出格式 + 约束条件 + 参考示例 ```

但这个公式并不是一成不变的。根据任务的复杂程度，你可以灵活地增减要素。对于简单任务，可能只需要任务和格式；对于复杂任务，可能需要全部六个要素。

"逆向工程"提示

一个高级技巧是"逆向工程"——先找到一段你满意的AI输出，然后分析它的提示可能长什么样。

例如，如果你看到一篇非常出色的AI生成的产品介绍，你可以尝试反推：

"什么样的提示能让AI生成这样一篇结构清晰、重点突出、语言生动的产品介绍？"

通过这种逆向思维，你不仅能学到新的提示技巧，还能建立起对"好提示"的直觉判断。

提示工程的"组合拳"

提示工程真正强大的地方在于组合使用多种技巧。例如：

• 角色设定 + 思维链：让一位专家一步步地分析问题
• 少样本学习 + 格式控制：给几个示例 + 规定输出格式
• 分步思考 + 迭代优化：先让AI给出大纲，再逐步完善

这种"组合拳"的效果往往远超单一技巧的使用，我们会在后续章节中详细介绍。

建立你的"提示词库"

就像程序员有自己的代码片段库一样，提示工程师也应该建立自己的提示词库。你可以：

1. 把日常使用中效果好的提示保存下来 2. 按照任务类型分类整理（写作