随着ChatGPT、Gemini等大型语言模型（LLM）的普及，与AI对话、让AI完成任务已经成为许多人的日常。但你是否发现，有时候AI的回答并不如预期？这很可能不是模型本身的问题，而是你给出的“指令”不够清晰或巧妙。
这门“给AI下指令”的艺术和科学，就叫做 提示词工程（Prompt Engineering）。它不是数据科学家或机器学习工程师的专属技能，而是每个与LLM打交道的人都能掌握的关键能力。
而谷歌今年发布的《提示词工程说明手册》就介绍了如何让你成为Prompt高手！
什么是提示词工程？为什么它如此重要？
简单来说，提示词工程就是设计高质量的提示词（Prompt），以引导LLM生成准确、相关且符合预期的输出。LLM本质上是一个预测引擎，它根据输入的文本序列预测下一个最有可能的词元（Token）。你写的提示词，就是在为模型设定一个“起点”和“方向”，帮助它预测出正确的序列。
一个好的提示词能让LLM事半功倍，完成文本摘要、信息提取、问答、分类、翻译、代码生成等多种任务。而模糊不清的提示词则可能导致模型给出模棱两可、不准确甚至完全错误的回答。
提示词工程是一个迭代优化的过程，需要不断尝试、调整和评估。
核心技术：让你的Prompt更有效
文档详细介绍了多种提示词技术，从基础到进阶，帮助你更精准地引导模型：
1. 基础技术：零样本与少样本 (Zero-shot & Few-shot)
①零样本 (Zero-shot)：用最简单的方式，只提供任务描述和输入文本，不给任何示例。
2. 设定身份与场景：系统、情境与角色提示 (System, Contextual & Role Prompting)
①系统提示 (System prompting)：设定模型的整体行为或输出格式要求（如“回答要尊重他人”），有助于控制输出结构和安全性。
②角色提示 (Role prompting)：让模型扮演特定角色（如旅行向导、老师），以该角色的口吻、风格和知识背景进行回应。
③情境提示 (Contextual prompting)：提供与当前任务相关的具体背景信息，帮助模型理解细节和语境。
3. 进阶思考与行动：提升模型的推理能力
①回溯提示 (Step-back prompting)：先让模型思考一个与任务相关的更普遍或基础的问题（相当于你先引导它思考），然后将这个答案作为情境，再解决原问题。有助于激活模型的背景知识和推理过程。
②思维链 (Chain of Thought, CoT)：要求模型“一步一步思考”。通过生成中间推理步骤，显著提升模型在数学、常识推理等复杂任务上的表现。零样本基础上只需在Prompt末尾加上“Let's think step by step.”；少样本基础上则在示例中展示推理过程。
③自洽性 (Self-consistency)：多次运行思维链提示（使用较高Temperature），生成多条推理路径，然后选择出现频率最高的答案作为最终结果。
上图为思维链和思维树的差别
LLM不仅能处理自然语言，在代码方面也表现出色
你可以用Prompt让模型：编写代码（根据需求生成代码片段）、解释代码（理解并解释现有代码）、翻译代码（将代码从一种语言翻译到另一种语言）、调试和审查代码（找出代码中的错误并提出改进建议）
成为Prompt高手的最佳实践文档总结了许多实用的最佳实践，助你事半功倍：
✨关注回复“提示词”可下载全文报告✨
相关文章：DeepSeek等大模型工具使用手册》，手把手教你玩转AIGC！" data-itemshowtype="0" target="_blank" linktype="text" data-linktype="2">厦大发布《DeepSeek等大模型工具使用手册》，手把手教你玩转AIGC！
