我们向大模型提问，就如同去看病时向医生描述自己的症状，描述的越清楚和详细，医生给出的判断可能越准。

在大模型能力不变的情况下，大模型回复的质量，完全取决于我们提问的质量。

你可以把大模型想象成一位远方的专家，你只能通过发消息跟他互动（请教问题），显然，你给他发的信息的质量如何，直接影响到他能否正确的理解你的问题，从而正确的回答你的问题。 为此，如何写出更好的问题（即提示词），就变成了一门工程。

一、什么是提示工程

提示工程（Prompt Engineering）是人工智能（尤其是基于大语言模型如 ChatGPT 的系统）领域中的一项技术和实践，旨在通过设计和优化输入提示（prompts）来实现模型输出的最佳化，以满足特定需求。

核心概念

1. 提示（Prompt）
   提示是用户向模型提供的输入信息，可能包括问题、指令或其他上下文内容，用于指导模型生成期望的输出。例如：

   • 提示："请用简单语言解释量子力学。"
   • 输出："量子力学是研究微小粒子如何运动和相互作用的科学……"

2. 工程的意义
   通过精心设计和改写提示，可以提高模型对任务的理解能力，从而生成更加准确、有用或符合需求的结果。

大语言模型并不会去理解你的问题，它只是基于你的问题，也就是你发出的提示词（Prompt），去不断的预测推理下一个字出现的概率。所以你提问时给到的提示词会非常重要，一个字的差异就可能导致大模型（LLMs）的回复会天差地别。也就有了Prompt工程，用于写出更好的提示词。

二、写出好的提示词的一些基本技巧

• 编写清晰具体的指令：在提示词中明确表达你的需求，减少模型对你需求的猜测。
• 使用分隔符：使用标点符号（如引号、反引号、尖括号等）来区分不同的文本部分，帮助模型理解输入的不同部分。
• 请求结构化的输出：如果可能，请求模型以特定格式（如JSON）返回结果，便于解析。
• 检查假设：在提示词中明确检查任务包含的假设，确保模型理解你的意图。
• 使用示例：提供成功执行任务的示例，帮助模型理解你的意图。
• 给模型时间思考：对于复杂任务，可以通过在提示词中要求模型思考一段时间，或者使用更复杂的提示词来实现。
• 迭代开发：编写好的提示词通常需要多次尝试和修改，根据模型的输出来不断改进提示词。

三、几种常见提示词写法

 1、零样本提示法（Zero-shot Prompting）

   含义：零样本提示不提供示例，直接向模型提出问题或任务。适用于模型已熟悉的任务或问题明确的场景。就跟你在百度上搜问题一样。绝大部分普通人都只会这种用法。这对于一些简单的、明确的问题，非常高效。但对于一些复杂的问题，效果就不好了。

举例1：

问题：江苏的省会是哪里

答复：江苏的省会是南京。

//因为这个问题非常简单，所以直接提问即可。

举例2：

问题：请将以下句子翻译成英语： “今天天气很好。”

答复：The weather is nice today.

//因为这个任务非常明确，就是让翻译一句话，所以直接向AI给出任务即可。

2、少样本提示（Few-shot Prompting）

含义：少样本提示通过提供示例，让模型更清楚任务要求。适用于复杂或自定义任务。

举例1：

问题：

请根据以下示例，为这本小说生成一个简短的介绍：

示例1：
小说名：《1984》
介绍：在乔治·奥威尔的这部经典小说中，一个被全面监控的社会里，主人公温斯顿试图寻找真相和自由，却陷入了更深的困境。这是一部关于权力、监控和人性探索的惊悚小说。

示例2：
小说名：《哈利·波特与魔法石》
介绍：J.K.罗琳的这部奇幻小说讲述了一个孤儿哈利·波特在霍格沃茨魔法学校的冒险故事，他与朋友们一起对抗邪恶势力，探索魔法的奥秘。这是一部充满魔法、友谊和勇气的儿童文学作品。

现在，请为这本小说生成介绍：
小说名：《了不起的盖茨比》
介绍：

答复：F.斯科特·菲茨杰拉德的这部经典作品描绘了20世纪20年代美国社会的繁荣与幻灭。小说通过富有而神秘的盖茨比对黛西的执着追求，展现了美国梦的辉煌与破灭，以及爱情、财富和虚荣的复杂纠葛。这是一部深刻揭示爵士时代精神和人性悲剧的小说。

//可以试着直接提问 “请问如下这本小说生成介绍：《了不起的盖茨比》”，与采用上面的少样本提示，看看回复的内容有啥区别。

举例2：

问题：

任务：基于以下开头生成一个简短的故事。

示例 1：
开头：在一个阴雨连绵的晚上，杰克走进了那家他从未见过的古老书店。
故事：他走进书店后，迎接他的是一阵昏暗的灯光和飘散的纸张香气。店主是一个年迈的老人，他看起来像是曾经见证了无数故事的开始和结束。杰克随意地翻开一本书，却发现它似乎在讲述他自己的故事…

示例 2：
开头：那只猫突然跳到了窗台上，凝视着外面的黑夜。
故事：她看着窗外的月亮，仿佛能看到远方的某个地方，那个她曾经离开的家。风吹动了窗帘，带来了一股熟悉的气息。猫咪似乎在等待着某个神秘的访客…

请继续生成一个故事，基于以下开头：
开头：在城市的边缘，所有人都在急匆匆地走向地铁站。
故事：

答复：

在城市的边缘，所有人都在急匆匆地走向地铁站。李娜也不例外，她的步伐匆忙，心中却充满了期待。今天是她第一次参加城市探险者的秘密聚会，一个只邀请那些对城市历史和隐藏角落充满好奇的人的聚会。

当她穿过人群，终于到达地铁站时，她注意到了一个与众不同的标志——一个古老的铜质徽章，上面刻着一只眼睛和一只钥匙。她记得聚会的邀请函上提到过这个标志，这是通往秘密聚会的线索。她环顾四周，发现了一个隐蔽的楼梯，通向地铁站的下方。

随着她沿着楼梯向下走去，周围的喧嚣声逐渐消失，取而代之的是一种神秘的宁静。楼梯的尽头是一扇沉重的木门，门上同样刻着那只眼睛和钥匙。李娜深吸了一口气，推开了门。

门后是一个巨大的地下室，装饰着古老的壁画和挂毯，中央是一个巨大的圆桌，周围坐着十几个人，他们正热烈地讨论着城市的传说和未解之谜。李娜被热烈的气氛所吸引，她意识到，这个夜晚，她将听到许多令人兴奋的故事，也许还能揭开一些城市的秘密。

// 可以试着这样直接提问“请以下面的信息为开头，帮生成一个故事：“在城市的边缘，所有人都在急匆匆地走向地铁站。”，看看有什么回复。

3、逐步推理提示（Chain-of-Thought Prompting，COT）

含义：逐步推理提示通过引导模型分步思考，适合逻辑复杂或需要多步计算的任务。

说明：有时可能只需加上一些辅助词，如“一步步的回答”等，就能让大模型的回复质量提升。

举例1：采用普通方式提问

问题：Strawberry里有几个r？

答复："Strawberry" 这个词里有2个"r"。

// 可以看出，这个回答是错误的。这是个经典的问题，很多大模型都回回答错误。这个问题验证了大模型在推理方面的不足。

下面我们换种问法。

问题：Strawberry里有几个r？请按如下思路来回答：先把这个单词中的每个字母列出来，对于字母是r的标记为1，非r的标记为0,把所有的1加起来就是问题的答案。

答复：

好的，我们按照这个思路来计算单词"Strawberry"中"r"的数量。

1. 列出单词"Strawberry"中的每个字母：
S, t, r, a, w, b, e, r, r, y

2. 对于每个字母，如果是"r"则标记为1，否则标记为0：
0, 0, 1, 0, 0, 0, 0, 1, 1, 0

3. 把所有的1加起来：
1 + 1 + 1 = 3

所以，单词"Strawberry"中有3个"r"。

// 可以看出，我们通过引导的方式，大模型就能给出正确的答案。

上面介绍的只是几种基本的技巧，还有很多方法，甚至可以让大模型（AI）来帮助写提示词。

在实际的应用中，往往需要反复提问，不断地调整，才能得出有效的提示词。 可以结合大模型的结果，去不断修改自己的提示词。如果问题大了，可以拆成小问题来问。

四、结构化提问

在复杂的问题中，有很多结构化的提问方式，这往往会提升大模型的回复效果。一般采用markdown的语法，markdown语法很简单，上网一搜就知道。

五、追问

很多大模型都支持追问，当大模型回答不清楚，或不正确时，你可以追问。

也可以将各种追问信息，组织成一个完整的提示词，开启一个新的会话，去提问。

总之，在与大模型的交互过程中，如何写好提示词，这非常重要，这有很多方法和技巧，但更需要去实践，去使用。

对我们人来说，大模型目前是一个工具，工具需要去多用，才会熟练掌握。

下面是两篇文章，可以学习下：

OpenAI的官方Prompt工程指南详解

编写高质量Prompt的14个有效方法