LLM 提示工程（Prompt Engineering）入门

——教你写出让大模型“听话又聪明”的 Prompt

---

一、什么是提示工程？

提示工程（Prompt Engineering）是通过设计输入内容，引导 LLM 产生高质量输出的技术与艺术。 简单来说：

你对大模型说什么、怎么说，决定了它给你什么样的答案。

Prompt = 指令 + 背景 + 输入 + 输出要求

一个好的 Prompt，就像给模型画出清晰的路线图。 这正是提示工程的核心使命：让 AI 理解“你真正想要什么”。

📘 延伸阅读：Google 官方定义 - What is Prompt Engineering?

---

二、为什么提示工程如此重要？

因为 LLM 没有“常识”与“意图识别能力”，它只是基于概率预测下一个词。 一个模糊的提问，模型就会“自由发挥”；一个精准的 Prompt，则能让输出稳定可靠。

类型	示例	输出表现
❌ 模糊	“帮我写报告”	结构混乱，内容不相关
✅ 清晰	“请帮我写一篇500字、面向小学生的气候变化科普文章，语气活泼。”	结构完整，语气匹配，目标明确

---

三、谁需要掌握提示工程？

几乎所有与 LLM 打交道的人都需要：

• 开发者：写出精确的系统 Prompt，控制输出格式。

• 设计者 / 产品经理：优化对话体验，让 AI 回答更符合人类预期。

• 教育者 / 创作者：提升生产效率，让 AI 成为创意助手。

掌握提示工程 ≈ 掌握大模型交互的“操作系统”。

---

四、如何写出高效 Prompt？

1. 四要素结构

要素	说明	示例
指令（Instruction）	明确你希望模型执行的任务	“总结以下文本的主要观点”
上下文（Context）	提供背景或额外说明	“你是一位专业历史老师”
输入（Input）	任务材料	“秦始皇统一六国后……”
输出（Output）	格式或风格要求	“请用三点总结，并用 Markdown 列表形式输出”

---

2. 优质 Prompt 的 6 个标准

1. 清晰具体：说清楚“做什么”和“做到什么程度”

2. 量化指标：例如“200字以内”、“列3点”

3. 分步骤（思维链）：让模型先思考再回答

4. 给示例（few-shot）：展示你想要的输出样式

5. 一次只做一件事：避免多任务混乱

6. 自然语言交互：像说话一样清楚自然

---

3. 示例讲解

Zero-shot（零样本）

模型完全靠自身理解完成任务。

请用一句话解释什么是量子计算。

One-shot（单样本）

给一个示例，让模型模仿格式。

示例：
输入：猫
输出：一种长有胡须的小型毛茸茸哺乳动物。
​
现在请生成：
输入：狗

Few-shot（少样本）

提供多个样本，引导模型学会复杂任务。

示例1：
输入：苹果
输出：一种红色或绿色的水果。
​
示例2：
输入：胡萝卜
输出：一种橙色的根茎类蔬菜。
​
现在请生成：
输入：香蕉

---

4. 思维链（Chain-of-Thought）和ReAct机制

CoT - 推理思考

“让模型自己想一想”

让模型把“中间推理步骤”写出来，不是只给答案，而把思路拆成一步步的、可读的推导过程

请逐步推理并回答：
小明有5个苹果，吃掉2个，还剩多少？

输出：

第1步：5个苹果 第2步：吃掉2个 第3步：剩下3个

ReAct - 具体行动

Reason + Action = ReAct

同时让模型“思考（Reason）”并发出“动作（Action）”，动作通常需要调动外部工具和插件来执行。

实践经验

• 纯推理/解释性问题 → CoT（直接让模型把步骤写清楚）。

• 需要外部数据/执行任务 → ReAct（模型同时思考并发出工具调用）。

• 复杂决策且需可审计 → 可以把两者结合：ReAct 做数据采集/执行，CoT 做最终推理与解释。

---

5. LLM常用参数调节

参考上一个章节

参数	含义	建议值	说明
temperature	创造力/随机性	0~1.0	越高越有创造性，越低越确定
top_p	词汇选择范围	0.9~0.95	一般与 temperature 二选一调节
max_length	输出字数上限	256~2048	控制成本
frequency_penalty	降低重复度	0~2	避免模型重复输出
stop_sequences	停止标识	可选	控制生成终止

---

6. 提示工程快速模板

结构化模板（推荐）

# 角色设定
你是一名{专业角色}。
​
# 任务目标
你的任务是{目标描述}。
​
# 输入内容
{输入材料}
​
# 输出要求
请以{格式/语气/长度}输出结果。

例子：

你是一名儿童心理专家。
请用简洁的语言解释“情绪管理”的意义，
面向对象是3~5岁儿童的家长。
输出不超过100字。

---

五、进阶学习与实践资源

类型	推荐资源	说明
📘 GitHub教程	dair-ai / Prompt-Engineering-Guide	最权威的开源指南
🧩 官方课程	Google Cloud 提示工程实践	官方5大最佳实践
💡 阅读推荐	“Prompt Engineering for Everyone” by DeepLearning.AI	入门课程，浅显易懂
🧠 实战平台	OpenAI Playground / 阿里通义千问 Playground	调参数、测效果的最好方式

---

小结

Prompt 工程的本质，是“用语言进行编程”。

• 语言越具体，AI越聪明

• 结构越清晰，输出越稳定

• 逻辑越分明，推理越准确

最后，分享一下自己探索无数遍后总结的心法口诀（本人的法定电脑桌面，时刻提醒自己）。

真原创，超级浓缩版本，谁看懂了谁受益🙂

---

六、参考文献

核心资源

1. Google Cloud (2023). "What is Prompt Engineering?" 官方定义

2. Google Cloud (2023). "Five Best Practices for Prompt Engineering." 最佳实践

开源指南

• dair-ai / Prompt-Engineering-Guide - 最权威的开源提示工程指南

相关论文

1. Wei, J., et al. (2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models." Advances in Neural Information Processing Systems, 35. arXiv:2201.11903

2. Yao, L., et al. (2022). "ReAct: Synergizing Reasoning and Acting in Language Models." arXiv preprint arXiv:2210.03629. 链接

在线课程

• DeepLearning.AI: Prompt Engineering for ChatGPT - 提示工程专项课程

• Coursera: Prompt Engineering - 提示工程在线课程

实践平台

• OpenAI Playground - OpenAI官方测试平台

• 通义千问 Playground - 阿里云测试平台