大家好，我是運營黑客。

最近，Google 發(fā)布了一份67 頁提示工程技巧（Prompt Engineering）PDF 文檔。

這是一份非常值得一看的報告：

? 它總結了，針對最新 LLM（如 Gemini、ChatGPT），行之有效的提問技巧；

? 這份報告的內(nèi)容非常系統(tǒng)化，適合新手、小白學習入門。

不過，原版 PDF 全部是英文，而且有 67 頁之多。

對于國內(nèi)的小伙伴不太友好。

今天肝了 6 個小時，將這份報告中涉及「提示技巧」的部分全部扒下來，整理成了3000余字的內(nèi)容。

希望能幫你，更高效的運用好現(xiàn)在的 AI 大模型。

話不多說，我們開始正文。

每次看到提示工程（Prompt Engineering），不少朋友會被「工程」兩個字嚇到，接下來我會用最簡單的方式，帶你一步步了解如何更好地與 AI「溝通」。

到底什么是提示工程？

簡單來說，提示工程就是：

研究怎么“問對問題”或者“給對指令”，讓 AI（尤其是像 Gemini、ChatGPT 這樣的大語言模型）能更準確、更有效地理解你的意思，并給出你想要的答案或內(nèi)容。

核心概念：

• 提示 (Prompt):你輸入給 AI 的任何文本。可以是一個問題、一個命令、一段開頭，甚至是一張圖片（多模態(tài)）。

生活化比喻：就像你給導航 App 輸入目的地地址。地址越精確（提示越好），導航路線越靠譜（AI 回答越好）。

• 提示工程 (Prompt Engineering):設計、優(yōu)化和測試這些“提示”的過程。目標是讓 AI“秒懂”你的需求。

生活化比喻：不只是告訴廚師“做個菜”，而是詳細說明“做一道少油少鹽的番茄炒蛋，雞蛋要嫩，番茄去皮切小塊”。這個詳細說明的過程，就是提示工程。

• 大語言模型 (LLM):指那些“讀萬卷書”（海量數(shù)據(jù)）訓練出來的 AI 模型，比如 Google 的 Gemini。它們擅長理解和生成文本。

核心機制（極簡版）：它們像個超級學霸+猜詞游戲高手。你給它一句話，它能根據(jù)“讀過的書”猜出最可能接在后面的詞，最后形成回答。

為什么提示工程如此重要？

因為 AI并不是真正“思考”，它們是基于概率工作的。

一個模糊或有歧義的提示，很可能讓 AI“跑偏”，給出驢唇不對馬嘴的答案。

提示工程就是那座橋梁，連接你的意圖和 AI 的“理解”，讓你能真正駕馭 AI 的力量。

AI的“控制按鈕”：LLM輸出配置

除了寫好提示，我們還可以調(diào)整一些參數(shù)，像控制音響的按鈕一樣，微調(diào)AI輸出的風格和內(nèi)容。

• 輸出長度 (Output Length / Max Tokens):控制 AI 回答的字數(shù)（準確地說是 token 數(shù)，可以粗略理解為單詞或漢字）。

比如：規(guī)定作文的字數(shù)上限。

• 溫度 (Temperature):控制 AI 回答的“創(chuàng)造性”或“隨機性”。值越低（比如0.1），回答越穩(wěn)定、越“一本正經(jīng)”；值越高（比如 0.9），回答越有創(chuàng)意、越“天馬行空”，但也可能越不著邊際。溫度為 0 時，AI 會選擇最最可能的那個詞，回答最確定。

比如：調(diào)節(jié)“創(chuàng)意”按鈕。低 = 新聞播報員，高 = 即興詩人。

• Top-K:AI 在生成下一個詞時，只從概率最高的 K 個詞里選。K 越小，選擇范圍越窄，回答越“聚焦”。

比如：點菜時只看菜單上最受歡迎的前3道菜。

• Top-P:AI 選擇詞的范圍，直到這些詞的累計概率達到 P（比如 0.95）。這比 Top-K 更靈活，有時選的詞多，有時少。

比如：點菜時一直看菜單，直到看過的菜加起來覆蓋了 95% 大家常點的菜為止。

注意：這些參數(shù)會相互影響，需要不斷嘗試找到最適合你任務的組合。

核心提示技巧：“武功秘籍”

這部分是精髓！掌握這些技巧，你的“提問”水平將大大提升。

基礎招式

• 零樣本 (Zero-shot):直接提問或下指令，不給 AI 任何例子。

比如：直接問朋友：“法國首都是哪里？”

• 單樣本/少樣本 (One-shot / Few-shot):在提示里給 AI 一個或幾個例子，告訴它你想要的格式或答案類型。

比如：教小孩認字，指著“貓”的圖片說“這是貓”，然后指著另一張貓問“這是什么？”（單樣本）。或者先教認“貓”、“狗”、“鳥”，再問（少樣本）。這對需要特定格式輸出的任務特別有用。

設定場景與角色

• 系統(tǒng)提示 (System Prompting):給 AI 設定一個整體的背景、規(guī)則或“人設”。

比如：玩游戲前先告訴大家：“我們現(xiàn)在都在扮演偵探，目標是找出兇手。”

• 上下文提示 (Contextual Prompting):提供與當前任務相關的具體背景信息。

比如：點菜時告訴廚師：“我今天有點過敏，不能吃海鮮。”（這是針對這頓飯的特定信息）。

• 角色提示 (Role Prompting):讓 AI 扮演一個特定的角色來回答問題。

比如：“請你扮演一位經(jīng)驗豐富的旅行規(guī)劃師，給我推薦適合帶小孩去的東京景點。”

高級思維技巧

• 退一步思考 (Step-back Prompting):在解決具體問題前，先引導 AI 思考更宏觀、更普遍的原理。

比如：在設計一把特別的椅子前，先思考“什么樣的結構才能讓任何椅子都穩(wěn)固？”

• 思維鏈 (Chain of Thought - CoT):讓 AI 在給出最終答案前，先一步步展示它的思考或推理過程。這對非推理模型，解決復雜問題時特別有效！

比如：做數(shù)學題時，不只寫答案，還要把解題步驟寫出來。這樣更容易發(fā)現(xiàn)錯誤，答案也更可靠。

• 自洽性 (Self-consistency):讓 AI 用 CoT 的方式多次思考同一個問題（因為溫度等設置，路徑可能不同），然后選擇出現(xiàn)次數(shù)最多的那個答案。

比如：同一道難題，請 5 位學霸獨立寫出解題步驟和答案，最后選那個最多人得出的答案。

• 思維樹 (Tree of Thoughts - ToT):允許 AI 同時探索多個不同的思考路徑，像樹枝一樣散開，評估哪條路更有希望。

比如：偵探破案，同時考慮多種可能性（嫌疑人 A 作案、嫌疑人 B 作案、意外事故），并對每種可能性進行深入調(diào)查。

• ReAct (Reason & Act):讓 AI 不僅能思考，還能“行動”——比如調(diào)用外部工具（像搜索引擎搜索最新信息、運行代碼計算等），然后根據(jù)行動結果繼續(xù)思考。這是實現(xiàn) AI 智能體（Agent）的關鍵一步。

比如：你問 AI“現(xiàn)在北京天氣怎么樣？”，它不僅思考你的問題，還會去調(diào)用天氣查詢工具（行動），然后把查到的結果告訴你。

• 自動提示工程 (Automatic Prompt Engineering - APE):讓 AI 幫你生成和優(yōu)化提示。

比如：想學做菜，但不知怎么寫菜譜？請一位大廚幫你寫幾份不同風味的“番茄炒蛋”菜譜出來。

提示高手都在用的11個技巧

?提供示例 (Provide examples):少樣本通常比零樣本效果好。

?保持簡潔清晰 (Design with simplicity):人都看不懂的提示，AI更難懂。

?具體說明輸出要求 (Be specific about the output):想要什么格式、什么風格、包含哪些信息，說清楚。

?用指令而非限制 (Use Instructions over Constraints):多說“要做什么”，少說“不要做什么”。（例如，“只包含 A、B、C”比“不要包含 D、E、F”更好）。

?控制輸出長度 (Control the max token length):避免回答太長或被截斷。

?善用變量 (Use variables in prompts):讓提示更靈活，方便復用。

?嘗試不同風格和格式 (Experiment):多試試不同的問法。

?對于分類任務，打亂示例順序 (Mix up classes for few-shot):防止 AI“死記硬背”順序。

?適應模型更新 (Adapt to model updates):新模型可能有新特性或行為變化。

?嘗試結構化輸出 (Experiment with output formats):比如要求返回 JSON 格式，便于程序處理，也能減少 AI“自由發(fā)揮”的錯誤。

?記錄你的嘗試 (Document the various prompt attempts):好記性不如爛筆頭！記錄下哪些提示有效，哪些無效，以及為什么。

雖然，LLM（大語言模型）正在不斷進化，但從目前階段看了，掌握提示技巧的人，往往能更快的獲取「優(yōu)質(zhì)答案」。

AI 時代，一步快、步步快。

最后，如果覺得這篇內(nèi)容對你有一些幫助，記得幫忙點贊、轉發(fā)。

各位兄弟姐妹的支持，是我們持續(xù)輸出干貨內(nèi)容最大的動力。