在利用大模型完成各种任务时，掌握一些基本的提示词技巧不仅可以显著提高工作效率，还能大幅提升生成结果的质量。这些技巧有助于我们更精准地引导模型，从而实现更加符合预期的输出效果。通过对提示词的优化，我们能够更好地控制模型的行为，减少误差，并使模型生成的内容更加相关和高效。

为了帮助大家更好地理解和应用这些技巧，下面我们将详细介绍9个入门技巧。这些技巧不仅适用于新手，也能为有经验的用户提供有效的优化建议。掌握这些技巧将使我们能够在实际应用中更好地利用大模型，实现我们的工作目标和业务需求。让我们一起深入探索这些实用的方法，以提升模型的表现和结果的准确性。

提示词工程的工作原理

提示词工程是指通过精心设计和优化输入文本，引导自然语言处理模型生成符合预期的高质量输出。它的工作原理在于明确任务目标、设计初始提示、不断测试优化，并通过评估确保效果。这一过程对提升模型表现、减少误差、提高效率以及增强用户体验至关重要，是推动人工智能技术落地应用的关键所在。

注意：后续类似于{text input here} 是实际文本/上下文的占位符，表示实际要输入的文字。

下面介绍下一下这9个入门技巧，以便更好使用大模型完成我们想要的工作。

1.使用最新的模型

为了获得最佳效果，建议优先使用最新、性能最强的模型。新模型通常更易于优化提示词，并且在处理复杂任务时表现更出色。

2.将指令放在提示词的开头，并使用分隔符将指令和上下文分开

当指令位于提示词的开头时，模型能在处理输入的第一时间准确识别要执行的任务。这减少了模型在解析输入时的混淆，提高了执行指令的准确性。并且使用###或"""等分隔符可以将指令和具体内容明确分开，使模型在理解和处理提示时不会将指令与上下文内容混淆。这有助于模型更好地专注于指令本身，避免上下文干扰。

效果较差的案例：

效果较好的案例：

3. 在描述上下文中尽可能具体、详细地描述所需的背景、结果、长度、格式、风格等

在上下文中，尽量具体说明背景、结果、长度、格式、风格等，以便结果符合预期。

效果较差的案例：

写一首关于 OpenAI 的诗。

效果较好的案例：

4. 通过示例阐明所需的输出格式

通过示例阐明所需的输出格式，可以减少模型理解中的歧义，提升输出的准确性和一致性，并减少用户对生成内容的反复调整需求。示例不仅为模型提供清晰的参考，还能引导其更好地适应任务要求，从而快速生成符合预期的结果。

效果较差的案例：

当需要大模型回复特定格式时，为了模型会做出更好的响应，要尽量将输出格式进行说明，这样输出格式会更可靠，使用代码解析也更容易；

效果较好的案例：

提取下面文本中提到的重要实体。首先提取所有公司名称，然后提取所有人名，然后提取符合内容的特定主题，最后提取一般的总体主题。
所需格式：
公司名称集合：<使用逗号分隔的公司名称集合>
人名：-||-
特定主题：-||-
一般主题：-||-
文本：{text}

5. 先从零样本（zero-shot）开始

通过依次采用零样本（zero-shot）、少样本（few-shot），再到微调的策略，以最小化资源投入并逐步优化模型性能。零样本方法无需额外数据，即可快速评估模型的初始能力；如果效果不理想，可以通过少量示例的少样本学习对模型进行轻量定制；最后，若仍无法达到预期效果，则采用资源密集的微调（fine-tune），以确保模型在特定任务上表现最佳。

• • zero-shot
  

• • few-shot - 提供几个示例

从下面相应的文本中提取关键词。
##
文本1：Stripe 提供 API，Web 开发人员可以使用这些 API 将支付处理集成到他们的网站和移动应用程序中。
关键词1：Stripe、支付处理、API、Web 开发人员、网站、移动应用程序
##
文本2：OpenAI 训练了非常擅长理解和生成文本的尖端语言模型。我们的 API 提供对这些模型的访问，可用于解决几乎任何涉及处理语言的任务。
关键词2：OpenAI、语言模型、文本处理、API。
##
文本 3：{text}
关键词3：

• • 微调（Fine-Tune）：了解微调的最佳实践，可以参考OPENAI的微调指南。

6. 减少“空洞”和不精确的描述

空洞或不精确的描述会让模型难以准确理解任务或目标，导致生成的内容不相关或偏离预期。模糊的指令可能使模型朝多个方向生成内容，其中许多可能不符合用户需求。精确的指令能减少歧义，确保模型聚焦于正确的任务。明确的指令还可减少反复调整和澄清的次数，节省时间和资源，尤其在处理复杂任务或需要精确结果的场景中尤为重要。

效果较差的案例：

该产品的描述应该比较简短，只有几句话，不要太多。

效果较好的案例：

使用3到5个句子的段落来描述该产品。

7. 不要只说不该做什么，而要说该做什么

当给模型提供指令时，确保不仅包含对禁止事项的说明，还应包含明确的操作指导，以提高模型生成的响应质量和实用性。

效果较差的案例：

效果较好的案例：

以下是代理与客户之间的对话。代理将尝试诊断问题并提出解决方案，同时避免询问任何与 PII 相关的问题。不要询问 PII（例如用户名或密码），而是让用户参考帮助文章 www.samplewebsite.com/help/faq

客户：我无法登录我的帐户。

代理：

8. 代码生成专用 - 使用“引导词”推动模型向特定模式发展

Leading words（引导词）是指在提示中加入特定的词汇或短语，以引导生成模型朝特定方向输出内容。例如，在编写Python代码时，如果提示中包含“import”这个词，模型会更倾向于理解用户是在要求生成Python代码，并可能直接从导入库开始写代码。

效果较差的案例：

# 编写一个 Python 脚本来读取 CSV 文件并打印内容

在下面的代码示例中，添加“import”这样的引导词提示模型应该开始用Python编写。类似地，“ SELECT ”是 SQL 语句开头的一个很好的提示。

效果较好的案例：

# 编写一个 Python 脚本来读取 CSV 文件并打印内容。
import

9.参数控制

通常来说，在使用大模型时，model和temperature改变模型输出最常用的参数。

• • model:性能更高的模型通常更昂贵，并且可能具有更高的延迟。
• • temperature-temperature 是一个控制模型输出的随机性和创造性的参数。

当 temperature 较高时，模型更倾向于选择一些不太可能的词语或生成更不常见的句子结构。这意味着生成的内容会更加随机和富有创造性，但可能会偏离事实或处理同一问题时结果变得不一致；

当temperature较低时（尤其是0），模型会更倾向于生成最确定的、最有可能的答案，从而提高结果的准确性和可信度。这样输出的内容更为保守和稳定，更接近事实或常识。对于需要精确答案或处理事实数据的场景（例如数据提取或问答系统），使用 temperature = 0 是最好的选择。

• • max_tokens - 生成的文本中 token 数量的上限。它不是为了控制输出长度，而是为了设置一个硬性限制，防止模型生成过长的文本。理想情况下，模型在完成任务或达到停止序列时会自动停止生成，而不会一直生成直到达到max_tokens限制。这个限制更多是作为一种安全机制，确保不会有意外的过长输出。

一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】