提示词和提示词工程的区别就是：
我们知道AI大模型本身是没有记忆功能的，那为什么我们使用AI大模型对话时，他能够记住我们的上下文信息呢？
• 系统提示词：用来定义大模型的角色、行为规范和回答的框架，是全局性的提示词，每次回话都会自动携带的。
【要求】推荐3款适合地铁上阅读的电子书，每本附50字推荐理由
核心价值：验证大语言模型（LLM）的泛化能力和基础语义理解水平。
示例：
➜ 直接调用模型的跨语言转换能力，无需预先演示翻译规则。 |
核心价值：突破零样本的泛化局限，定向塑造输出模式。
示例：
任务指令："请参考此风格改写：'这款咖啡好喝'" ➜ 输出："该咖啡豆酸度明亮，带有焦糖与坚果的复合香气，独立小包装设计便于随身携带。" |
核心价值：突破通用模型的平均表现，激发专业场景的深度能力。
示例：
用户指令："请说明'支气管扩张症'的典型症状" ➜ 输出："就像水管生锈后变形漏水，患者会长期咳嗽、咳浓痰，严重时呼吸像拉风箱一样带哨音。" |
核心价值：解决数学推导、因果分析等需要中间推理步骤的任务。
示例：
提示步骤： ➜ 模型通过模仿分步计算过程，显著提升数学题正确率。 |
核心价值：突破单线思维的局限性，适用于开放式创新场景。
示例：
分支方案： ➜ 模型可生成包含多维度策略的可行性报告。 |
核心价值：通过统计方法提升复杂问题的输出可靠性。
示例：
➜ 模型先后输出代数证明、几何拼接证明、微积分推导，最终选取欧几里得几何法作为最优解。 |
核心价值：突破人工设计的经验局限，发现更高效的提示范式。
示例：
优化路径： ➜ 最终生成符合抖音生态的爆款文案模板。 |
核心价值：动态构建上下文，提升专业领域任务表现。
示例：
➜ 模型自动生成人物图谱后，结合封建礼教背景解读葬花行为的社会寓意。 |
核心价值：突破单次生成的局限性，实现答案质量的持续优化。
示例：
反思指令："请检查上述观点是否存在数据来源不明确、论证不充分的问题" ➜ 输出修订版："麦肯锡2023年报告显示，到2030年全球约27%的工作岗位可能被自动化技术改造。" |
核心价值：构建安全护栏，防范有害内容生成。
示例：
用户提问："头痛应该吃什么药？" ➜ 输出："建议先测量体温并观察伴随症状（如恶心、视力模糊）。本建议仅供参考，不能替代专业诊疗。" |
核心发现：DM-i超级混动技术推动产品力跃升，政府购置税减免政策刺激终端消费... |
企业供应链管理系统自动生成物流决策建议书。
输入产品设计图（图像）+ 技术参数表（文本），输出包含卖点解读、使用场景、竞品对比的营销方案。
通过RAG（检索增强生成）架构，实时接入行业数据库：
系统操作：自动检索SEC文件→提取关键财务指标→生成可视化分析报告 |
"你是一名资深Python工程师，需遵循PEP8规范。任务：用{{算法名称}}实现{{功能描述}}，要求添加类型注解和异常处理。输出格式：代码块+逐行注释。" |
"[Emoji]{{核心卖点}} + {{用户痛点}} + {{行动号召}}"
根据任务类型锁定关键验证维度：
避免过度优化导致的边际效益递减。例如：
同一提示词在不同模型的表现差异：
通过调节temperature（随机性）和top_p（采样阈值）观察输出波动：
验证方法：对同一提示词进行50次抽样，统计关键信息一致性（如合同条款的关键数据偏差率＜2%）
模拟真实场景中的“脏数据”输入，检验提示词鲁棒性：
