在人工智能（AI）技术飞速发展的当下，Prompt（提示词）早已不是简单的 “指令文字”，而是连接人类需求与 AI 能力的核心桥梁。无论是用 AI 生成文案、分析数据，还是设计方案，Prompt 的质量直接决定了 AI 输出的精准度与实用性，更深刻影响着用户与 AI 交互的效率和体验。​

如果把 AI 比作一位 “全能助手”，那么 Prompt 就是 “任务说明书”—— 它不仅要清晰传达需求，还要引导 AI 调动自身的知识储备，朝着用户期望的方向输出结果。但现实中，很多人在使用 AI 时，常常因 Prompt 表述模糊、逻辑混乱，导致 AI 给出的答案偏离预期，甚至毫无价值。那么，究竟什么是 Prompt？我们又该如何掌握它的使用逻辑？本文将从 Prompt 的本质出发，带你全面解锁 AI 提示词的实用技巧。

1、什么是Prompt?

Prompt是与AI交流的语言，是一种用于与AI对话系统进行交互的指导性文本，它定义了AI任务的范围和方向。

它可以是一段文字、一个问题或者一句话，用于引导AI产生符合预期的结果。

一个简单的Prompt示例：“请总结以下文章的主要内容。”

在AI对话中，Prompt扮演着至关重要的角色——引导AI理解和执行我们的指令。

AI目前还不能完全洞悉人类的思维，人与机器之间尚未实现深层次的意识沟通。

AI模型对人类指令的理解，主要依赖于接收到的提示词(Prompt)。

在最新一代的AI语言模型中，如GPT系列，Prompt的作用尤为突出。

这些模型通过大量的数据训练，学会了丰富的语言知识和世界知识，但是它们需要通过精准的Prompt来激活这些知识，从而生成相关的输出。

一个精准的Prompt可以帮助我们准确表达自己的意图和问题，即Prompt的准确性越高，AI的回应品质也就越出色，我们就可以得到更精确的回答。

Prompt可以分为简单Prompt和复杂Prompt。

简单Prompt通常用于明确、直接的任务，例如：“告诉我关于机器学习的知识。”。

而复杂Prompt则适用于更抽象或需要深入理解的任务，例如：“请解释什么是机器学习，包括其基本概念和至少两种常用算法(如决策树和神经网络)，并讨论它们各自的应用领域。”。

不同的AI模型对Prompt有不同的反应，一些模型擅长处理结构化数据，而另一些则更擅长处理自然语言描述。

因此，了解不同模型的特点和偏好对于编写有效的Prompt至关重要。

2、Prompt四要素

在知道了什么是Prompt后，我们该如何写Prompt呢?首先我们先来介绍Prompt的四大要素。

1、 指令(Instruction)

在编写提示词时，首先要理解的核心概念是“指令”。

指令，简单来说，就是告诉AI按照你的要求去执行特定的任务或解答某个问题。

你可以给AI一段文字，让它概括这段文字的要点;或者询问它某个问题，比如“荷兰的首都是哪里?”;甚至可以让AI帮你撰写一篇文章。这些都是指令的例子。

要判断一个指令好不好，可以将其比作指挥一个“助手”，想象你有一个“助手”，需要他帮助你完成一些任务。

当你给他指令时，如果这些指令含糊不清，没有明确的界限，那么你的“助手”可能无法理解你的真正意图，从而无法有效地执行任务。

因此，一个好的指令应该是清晰、具体，并且有明确的指导方向。

想象一下，如果你让AI帮你撰写一篇关于科技的文章，但AI本身并不清楚你想要的科技文章的具体内容。

因此，如果你能提供一个明确且具体的指令，比如告诉他文章的主题、目标读者群体以及文章的风格，AI就能根据这些信息提供更符合你期望的成果。

如果没有明确的指令，AI可能无法准确满足你的需求，因为它无法理解你的具体意图。

总之，在给AI分配任务时，务必要确保你的指令具体、清晰，并且有明确的指导方向，这样AI才能更准确地执行任务。

2、上下文(Contest)

使用AI时，指令是基础，因为每个人在使用AI时都有特定的目的，然而上下文往往被忽视，即使它至关重要。

上下文

上下文，英文中称为“context”，指的是执行任务时所需的背景信息。

AI虽然拥有广泛的知识和信息，但它不了解与你的任务相关的特定信息。

如果你想要AI分析公司的财务报告并提供改进建议，AI对你公司的财务状况一无所知。如果你能提供这些背景信息作为上下文，AI就能根据报告数据进行分析，如果没有这些上下文，AI就无法完成任务。

常常有人疑惑，他们输入的内容是否算作上下文，以及AI生成的内容是否也算作上下文。答案是明确的：无论是你的输入还是AI的输出，都构成上下文的一部分。

如果你需要AI将一段英文翻译成中文，但英文中有些概念难以理解，你可以先让AI解释这些概念的含义。

等AI解释完毕，你再让它结合原文和这些解释重新进行翻译，这样通常可以得到更佳的翻译效果。

因为AI自己生成的解释也成为了上下文的一部分。

我们常说的一个例子是，在提示词中加入一步或一条指令，要求AI逐步思考,这样，AI就会展示出它的思考过程。

但有一点需要注意，如果你要求AI逐步思考，但没有明确要求AI将这个过程显示出来，那么这种要求其实是无效的。

上下文必须是AI实际输出的内容，只有当你能看到AI的输出时，这才能算作真正的上下文。 如果AI只是内部处理而没有展示出来，那这并不构成上下文。

因此，如果AI没有自动显示步骤，你需要明确要求它将步骤输出，这样才能形成有效的上下文。

以翻译为例，如果你先让AI进行逐字逐句的直译，然后再要求它进行意译，往往能够得到更好的翻译效果。

因为AI先前的直译结果也成为了整个翻译任务上下文的一部分。

无论是你提供的，还是AI生成的信息，只要它们被用作后续处理的依据，就都可以被视为上下文。

上下文窗口

我们经常听到一个术语，叫做“上下文窗口”。

当我们谈论一个AI模型，比如GPT-4或GPT-3.5，我们通常会提到它的上下文窗口长度。

例如，ChatGPT的上下文窗口长度是32K token，这意味着你每次输入和输出的内容长度不能超过这个限制。

我们称之为“上下文窗口”，是因为AI每次处理的信息是有限的，就像通过一个窗口观察外界，只能看到窗口内的部分，超出这个范围的内容，AI将无法处理。

此外，这个窗口是可以滑动的。

如果你持续与AI聊天，上下文长度会逐渐增加，最终可能超过上下文窗口的限制，但为什么还能继续聊天呢?

因为窗口可以滑动，也就是说，AI可以将历史信息进行摘要，只保留关键部分。

这样，你不需要每次都提供完整的历史信息，只需发送摘要和新的消息，AI就能在有限的窗口内持续聊天，而且让你感觉上下文没有丢失。

然而，实际上，输入的内容越多，AI的处理效果和质量可能会下降。我们将这种现象称为“AI内容-质量曲线”。

在开始时，AI会根据你提供的内容生成所需答案，其关系是为正比;但当随着内容越来越多，质量会出现不增反降。

这是因为随着输入内容的增加，AI的处理成本和效率都会受到影响，所以不是“越多越好”，要学会见好就收～

一个常见的技巧是，如果在一个窗口中聊天变得越来越长，你可以尝试减少上下文长度，以获得更好的结果，即手动摘要之前的信息，重新开始一个新的聊天，将关键点放入新的聊天中。

不同的模型有不同的窗口大小。

例如，GPT-4的窗口大小是32K，而Google的LaMDA模型可能支持更大的窗口，达到数百万token。

所以，如果某个模型无法处理你的长内容，你可以尝试更换一个支持更大上下文的模型。

总之，AI的输入和输出不是无限长的，它们受到窗口长度的限制。因此，避免输入过长的内容，以免影响质量。

五大关键点

为了让AI更好地完成任务，我们在编写提示词时需要确保上下文的完整性，为此我们总结了五大关键点。

记住，AI不知道你和你所知的信息!需要提供所有必要信息!如果你要求AI帮你写简历，你的基本资料、项目经验和技术技能，这些都是你的基本信息。提供给AI。这样，才能生成符合背景的简历。

提供一篇参考材料，给AI作为示例或样本，告诉AI，“你按照这个标准的范文来参考来生成”，那它生成的结果就会跟这个范围很接近，减少后续修改的需要。

鼓励AI主动询问，在提供任务时，你可以告诉AI，如果需要更多信息，可以主动询问你。

AI其实跟人一样，类似与你交代你的助理去完成一个任务，那你可以询问他，“你是否知道你去做这件事情?你所有的信息都有了吗?如果不知道你就来问我。”

类似的这个技巧也可以用在AI上。这样，AI就可以获取完成任务所需的所有关键信息。

如果AI具有联网功能，可以让它自行搜索相关信息，以补足上下文。如果你对某个概念不甚了解，可以让AI先进行解释，然后再根据解释生成翻译或文章。

总之，确保AI拥有完成任务所需的完整上下文，是提高生成质量的关键。

3、输出格式(Output Format)

在AI的使用过程中，有三个关键要素需要考虑：首先是明确的指令，这是最为重要的，因为它直接决定了AI的任务执行。

其次是提供充分的上下文信息，这有助于AI更准确地理解和执行任务。

最后是输出格式，这一点在特定场景下尤为重要，例如撰写报告或整理数据时，我们通常希望AI能够按照特定的格式来输出结果。

虽然格式的重要性可能不及前两者，但它仍然是一个不容忽视的因素，具体取决于任务的性质和需求。

当处理PDF文件中的混乱数据或表格时，我们可能希望AI能够以表格的形式整理输出，包括日期、事件及其影响等关键信息，这样的呈现方式更加直观易懂。

一言概之，根据不同的任务需求，我们可以要求AI以不同的格式输出结果，以提升工作效率和阅读体验。

关于格式，一个常见的问题是：大语言模型支持哪些文本格式，或者对哪些格式的支持更为出色?

虽然大语言模型能够生成音频和图片，但在这里我们主要讨论文本格式。

在文本格式方面，大语言模型对Markdown格式的支持尤为出色。

Markdown是一种轻量级的文本格式，它允许用户通过简单的标记来设置文本样式，如创建标题、加粗、斜体、添加链接、图片、表格和公式等，其格式简洁明了，易于学习和使用。

除此之外还有CSV(数据表格)、Mermaid(流程图)、LaTeX(数学公式)、Code(代码)、JSON/XMLNAML(方便程序解析的结构化文本)等等。

此处不再过多叙述，只需查看所用AI能否支持解析查看的格式即可。

有时，我们可能希望AI按照特定的格式输出结果，但AI可能无法完全按照我们的期望来执行。

在这种情况下，我们可以采取一些技巧来帮助AI更好地理解我们的需求。一个简单而有效的方法便是五大关键点中的“参考示例”。

如果我们希望AI输出CSV格式的数据，但AI的输出不符合我们的预期，我们可以提供一个符合我们要求的CSV格式示例作为参考，这样AI通常能够根据示例来调整其输出格式。

大多数情况下，我们也可以通过文本描述来告诉AI我们期望的输出格式。

4、角色

在AI的使用中，我们可以根据需要设定AI的角色，以便更好地协助我们完成任务。

AI通常默认的角色是帮助者，但我们可以根据实际情况自定义角色。

我们可以让AI扮演心理医生，帮助我们分析情感问题;或者在教育场景中，我们可以设定AI为苏格拉底式的导师，通过提问引导学生思考，而不是直接给出答案。

在撰写提示词(prompt)时，许多人会考虑是否需要为AI设定角色，以及这样做是否有实际效果。将角色设定放在最后讨论，意味着它并非不可或缺;然而，是否使用角色仍需视具体任务而定。

角色设定的潜在优势在于，AI在生成回答时，会倾向于选择与设定角色相符合的语料，从而提高生成结果的相关性和准确性。尤其是在早期模型中，这种做法效果显著。

但随着模型技术的进步，这种优势已经不那么明显了。因此，在决定是否设定角色时，应根据任务的实际需求和期望的结果来做出选择。

设定AI角色的另一个好处是，它可以帮助AI更明确地理解任务需求。

当让AI帮助编写代码时，如果我们设定AI为一名资深前端工程师，AI就会自动选择前端开发常用的技术和语言，如TypeScript或React，来生成代码。

这样，我们就无需详细说明所需的技术栈或编程语言，AI能够根据设定的角色自动选择合适的工具和方法。

所以，根据具体任务设定AI角色不仅没有坏处，还能让AI更容易地融入角色，从而更有效地提供帮助。

在编写指令时，明确和具体是关键;同时，提供完整的上下文信息同样重要，这样AI才能了解你所知道的信息以及它可能不知道的信息，从而更有效地协助完成任务。

这就像告诉你的助手去做某事时，需要提供必要的背景信息一样。

如果你对输出格式有特定要求，可以明确要求AI按照特定格式输出，提供一个样例作为参考通常是最简单有效的方法。

对于某些特定任务，设定AI的角色可能会带来更好的完成效果。

通过角色设定，AI能够推断出需要的信息和完成任务的最佳方式，从而减少了在提示中额外提供信息的需要。

3、Prompt底层逻辑

大语言模型的核心功能是根据输入的内容，预测接下来最可能出现的文字。这种预测基于概率，类似于选择概率最高的词语来形成句子。

可以类比于教小孩子背诵古诗的场景，当孩子无法记住整个句子时，父母可能会提示句子的开头，比如“锄禾日”，孩子则会接着背诵出“当午”。

大语言模型的工作原理与此类似，它通过预测最可能的词语来生成连贯的文本。

当模型接收到“锄禾日当”这样的提示时，它会很大概率地预测出下一个字是“午”。

虽然实际的模型原理更为复杂，但核心依然是基于概率来生成文本。这种基于概率的生成方式使得模型具有一些显著的优点，也有一些明显的劣势。

大语言模型的主要优点在于其强大的语言理解和生产能力，这是因为它接受了大量互联网公开文本、图片甚至视频的训练，从而构建了一个庞大的知识库。

这个知识库几乎包含了所有的知识，但由于是经过压缩的，所以它可能无法精确还原所学习的内容，有时会出现信息偏差。

而且模型具备一定的推理能力，尽管这种能力并非十分强大。

在解决数学问题时，模型可能无法表现得尽善尽美。然而，随着模型能力的不断提升，它在数学等领域的表现也在逐渐改善。

尽管大语言模型在推理能力上仍不及人类，但它有一个显著优势：可以通过提示词来引导AI完成更复杂的任务，这就是我们学习如何编写提示词的原因。

如果不懂如何有效使用提示词，AI可能只能执行一些简单任务，如翻译或摘要。即便是这些简单的任务，如果提示词编写得当，也能显著提升AI的表现和效果。

大语言模型对新知识的适应能力有限，虽然它的知识库非常庞大，但一旦训练完成，它就无法获取新的信息。

如果AI没有联网，它就不会知道美国大选结果，因为它无法更新其知识库中的信息。

这意味着AI的知识是静态的，不会随着现实世界的变化而自动更新。

尽管大语言模型的知识库是静态的，但我们可以通过提供外部信息来帮助它理解新知识，即定期进行重新训练和更新。就像你可以告诉他，特朗普成为了新一任美国总统。

然而，这也暴露了它的一个缺点：由于知识库是压缩的，且基于公开信息训练，它在理解事实时可能不够准确。

而且由于模型被训练成对所有问题都要有回应，它有时会在不知道答案时产生幻觉，即编造信息来误导用户。这是一个需要注意的重要问题。

还有一个限制是上下文窗口的长度，它不是无限的。如果输入的文本过长，模型可能无法完全接收，并且输出的长度也会受到限制。

因此，输入文本的长度会影响输出的长度，这是使用大语言模型时需要注意的一个限制。

在使用大语言模型时，每次交互都需要将所有相关历史信息包含在提示词中，尽管用户可能看不到这个过程。像Chat-GPT这样的应用会自动将用户的历史对话信息整合在一起，并生成摘要。

然而，模型本身并没有记忆功能，它不会记住之前的对话内容。因此，每次交互对于模型来说都是一个新的请求，需要重新提供完整的历史信息。这是当前大语言模型的一个特性，也是它的一个局限。

考虑到大语言模型基于概率预测的本质，以及它的优势和局限，我们编写提示词的策略应该旨在提高模型生成期望结果的概率。

为此，我们需要充分利用模型的优点，同时采取措施弥补其不足，实现高质量的输出。

为了提高大语言模型生成期望结果的概率，我们首先需要确保AI能够准确理解我们的指令。

如果AI不清楚我们的指令，它就无法产生理想的结果。

因此，我们需要考虑如何清晰准确地传达我们的需求，确保AI明白我们要它做什么。其次，为了使期望结果的概率最大化，我们需要让模型的概率预测收敛，即让它更倾向于生成我们期望的输出。

什么是概率收敛?概率收敛的概念可以这样理解。

假设我们要攀登一座山，面前有多条可能的路线。如果我们能够明确指出哪些路线是通往山顶的正确路线，而哪些是错误的，那么排除错误路线的过程就是让概率收敛的过程。这意味着我们找到正确或最佳路线的概率会更高。

在应用大语言模型时，如果我们知道哪些步骤能够带来更好的结果，我们可以在提示词中明确这些步骤，引导模型按照这些步骤操作，使模型更好地收敛于期望的结果，从而提高输出质量。

4、Prompt写作四大策略

下面我们来探讨一下使用AI的策略，这实际上是在讨论如何更有效地运用各种技巧。

由于技巧众多，记忆起来可能会有难度，因此我们换个角度，从策略层面来讲解这些技巧。

策略主要分为四个方面：首先是撰写清晰明确的指令;其次是为AI提供足够的思考时间;接着是将复杂任务分解为简单任务;最后是利用外部工具和资料。

这些策略可以帮助我们在需要时，更容易地回想起和应用相应的技巧，特别是在特定的场景下。

策略一 撰写清晰指令

在各种情况下，明确指示对于成功完成任务至关重要。

无论是工作还是个人关系，缺乏清晰指导可能导致猜测和误解，增加不必要的复杂性和压力。

类似地，当与大语言模型互动时，由于它无法理解意图，因此清晰地传达需求变得尤为重要。

如果对输出的长度、复杂程度或格式不满意，可以直接告诉模型你的期望。

如果希望内容更简洁，可以要求模型缩短;如果内容过于简单，可以要求提高专业水平;对于不满意的格式，直接说明期望的格式。

通过提供具体示例，引导模型生成符合期望的结果。不要让模型猜测，直接明确地告诉它需求，并提供所有相关的背景信息。

技巧I：提供详尽信息背景

提供详尽的背景信息和细节，以确保模型准确理解您的意图。

如：“当前总统是谁?”对AI来说，他不知道你问的是哪个国家的总统，以及当前是何时。

将提示词改为：“2024年美国大选后，美国总统是谁?”你把这些信息告诉他是哪一年、是哪个国家，AI就能可以给出你很准确的结果。

技巧II：让AI提问

有时你不知道是不是给AI提供了所有的背景信息，那就可以让AI主动来问，类似于让AI给你做一个问卷调查，只不过问卷是他设计的。

这样的好处就是可以清楚地知道你还需要提供哪些信息让AI知道，并且有时候如果自己去整理问题可能会多一点或者少一点。

如果你只是想回答一个问卷调查，那相对来说就会容易很多，不用太多的去组织，只要回答问题就可以了。

技巧III：让AI扮演角色

为了让AI更好地理解并完成任务，一个有效的技巧是让AI扮演特定角色。

选择与任务高度相关的角色，可以帮助提升AI生成相关内容的可能性，从而提高任务完成的准确性和效率。

技巧IV：结构化输入

为了让AI清晰地理解您的指令，特别是在使用文本信息时，您需要确保输入内容不会让AI产生混淆。

如果您的指令中包含了一些可能被误解的提示，AI可能会混淆其角色，导致执行错误的任务。

例如，如果您在翻译任务中提到“忘了前面的提示词”，这可能会使AI误解您的意图，从而不再执行翻译任务，而是开始讲笑话。

为了避免这种情况，您需要确保您的指令清晰、具体，避免让AI产生误解。

将AI视为一个人，就像在撰写内容时希望他人能够理解一样，你需要确保AI能够清晰地理解指令和内容结构。

换位思考，如果他人能够理解内容，那么AI也应该能够理解。

技巧V：明确说明任务步骤

为了确保AI能够有效地完成任务，明确地列出任务的步骤，而不是让AI自行决定。

尽管AI在某些方面表现出色，但这并不意味着它在所有任务上都具有高度智能。

因此，如果知道有效的步骤和方法，最好自己列出这些步骤，帮助AI更准确地理解和执行任务，从而提高生成理想结果的概率。

策略二 给模型“思考”的时间

我们之前提到，大语言模型的推理能力有限。但有一种方法，即“思维链”，已被研究证实可以增强模型的推理能力。

这种方法要求模型将其思考过程展示出来，这样做可以有效提升推理的准确性。

例如，在提示词中加入“让我们一步一步来思考”这样的指令，模型就会展示其思考过程，从而可能解决原本无法解答的数学问题，或提高输出的整体质量。

因此，在编写提示词时，我们可以考虑给模型更多思考时间，让它输出更多内容，包括其思考过程，以此来提升提示词的效果，写出更高质量的提示词。

这就是我们的第二个策略：在处理复杂任务时，给模型足够的思考时间。

技巧I：

不要让 AI直接给答案

先提供解决方案再得出结论

在处理复杂问题时，我们可以采取一些技巧，要求AI先展示解决方案的步骤，而不是直接给出答案。

这种方法类似于数学老师强调解题时需详细列出步骤的重要性。通过让AI展示其思考过程，我们可以提高答案的准确性。

这类似于将快速思考转变为更深思熟虑的过程，确保AI在生成输出时进行真正的“慢思考”。

要求AI展示解题步骤，无论是您明确指定的还是AI自行列出的，都能被视为“慢思考”的过程，有助于提高推理的准确性。

即使这些步骤看起来很合理，也应注意，它们并不总是正确的。

因此，对于AI的输出结果，不应完全依赖，而应视为一种提高推理能力的方法，而不是保证结果正确性的绝对标准。

技巧II：让AI反思

自我反思同样有助于模型从快速生成转向更深思熟虑的“慢思考”。

分多次进行输出和反思，每次都基于前一次的结果进行调整。这种方法可以将某些步骤进行额外处理，或使用不同的模型组合来完成任务。

例如，对于同一任务，可以让多个模型对结果进行评价、反思甚至辩论，这也是一种提高结果质量的方式。

策略三 复杂任务拆分为简单子任务

在处理复杂任务时，由于大语言模型的推理能力有限，直接给出复杂指令可能导致失败。

因此，将复杂任务分解为多个简单的子任务，让模型逐一执行，可以显著提高成功率。

由于模型在处理长上下文时可能出现困难，将任务分解为多个子任务还可以相应缩短提示词的长度，从而进一步降低失败的风险。

因此，将复杂任务分解成多个简单子任务是一个简单且有效的策略。

在减少大语言模型可能出现的幻觉方面，一个有效的方法是提供额外的上下文信息。

这包括接入搜索引擎以获取最新信息，或者使用公司内部资料来补充模型知识库的不足。

通过这种方式，可以提供更全面的信息，从而帮助模型生成更准确、无偏差的输出，避免出现幻觉。

技巧I：对对话进行拆分和摘要

当与ChatGPT等AI系统进行长时间对话时，可能会遇到上下文窗口长度的限制。

在数百条消息之后，即使只有十几条消息，AI可能已经达到其上下文窗口的限制。

在这种情况下，需要将之前的对话内容缩减为几句话或一段话，以保持对话的连贯性，同时不超出上下文窗口的长度限制。

有时，甚至可能需要删除一些历史对话内容，特别是如果这些内容过长，否则对话将无法继续。

这种摘要过程有助于维持对话的流畅性，避免超出AI的最大长度限制。

技巧II：从简单到复杂

在编写提示词时，从简单到复杂逐步进行。特别是对于刚开始使用AI的用户，由于不清楚AI如何响应提示，可能会过于复杂化。

实际上，AI可能比预期的更智能，简单的提示就能得到很好的结果，因此无需编写过于复杂的指令。

有时，即使你认为提示词很简单，也可能无法得到满意的结果。

在这种情况下，您可以逐步增加要求。例如，如果输出过长，可以尝试缩短;如果输出过短，可以尝试加长。通过这种逐步调整的方式，您可以逐渐接近期望的结果。

此外，尝试不同的模型也很重要，因为不同的模型可能有不同的响应方式。由于单元模型是一种概率模型，可能会有时得到不理想的结果，但通过多次尝试，通常可以获得较好的结果。

因此，多试几次，找到最适合需求的提示词是非常重要的。

策略四 接入外部工具和资料

简单来说，就是AI的能力不够，我就拿工具来凑;AI的知识不全，我就用资料来填。

对于大语言模型，通过上下文学习是一种简单且有效的方法，其效果往往优于微调。

微调技术复杂且成本较高，需要反复调整和准备特定的数据集。此外，一旦模型升级，之前微调的结果可能不再适用，需要重新微调。

相比之下，上下文学习更加灵活，每次根据用户的问题，提供相关资料，AI能够根据这些信息进行学习，从而生成更优的结果。

技巧I：使用AI搜索引擎

尽管对AI的可靠性有时仍存疑虑，但其作为搜索引擎的优势显而易见。

AI能够将问题转换成更高质量的搜索关键词，这对于不擅长使用搜索的用户来说，可能比自己手动搜索更有效。

AI还可以帮助筛选搜索结果，将最相关的内容放在前面，减少用户筛选的时间。

即使AI提供的信息不够准确，它通常会标注出引用的来源，用户可以点击这些来源进行验证，从而增加对结果的信任度。

以下就是一个RAG(检索增强生成)Prompt。

'''

你是一个高效的RAG(检索增强生成)系统的一部分。你的任务是分析检索到的内容，并根据用户的查询生成相关、准确和有帮助的回答请按照以下步骤进行。



1.首先，仔细阅读以下检索到的内容



<retrieved_content>
{{RETRIEVED_CONTENT}}

</retrieved content>



2.现在，考虑用户的查询:



<user query>

{{USER QUERY}}

</user query>



3.分析检索到的内容:

\- 确定哪些部分与用户查询最相关

\- 评估信息的可靠性和准确性

\- 识别任何可能的信息缺口或不一致之处



4.制定回答:

\- 基于相关的检索内容回答用户的查询

\- 如果检索到的内容不足以完全回答查询，请明确说明

\- 如果检索到的内容包含矛盾信息，请指出并解释可能的原因

\- 在适当的情况下，提供额外的上下文或解释以增强答案的价值



5.在你的回答中:

\- 保持客观和中立的语气

\- 使用清晰、简洁的语言

\- 如果引用检索到的内容，请明确指出

\- 如果需要做出任何假设或推断，请明确说明



6.请将你的回答格式化如下:



<answer>

[在此处提供你的回答]

</answer>



<sources>

[列出用于生成回答的检索内容的相关部分，如果有的话]

</sources>



<confidence>

[提供一个0-10的置信度评分，表示你对回答准确性的信心，并简要解释你的评分理由]

</confidence>



请记住，你的目标是提供一个全面、准确且对用户有帮助的回答，同时清楚地表明这个回答是基于检索到的内容的。如果检索到的内容不足以回答查询，请诚实地说明这一点。

'''

技巧II：

用专业工具提取文字，用AI 整理格式

AI不擅长 OCR 或者读取 PDF，但擅长整理文本数据。

当处理PDF格式特别复杂的文件时，直接用程序解析和生成内容可能非常困难。

然而，AI利用其多模态能力，即使文件中包含表格，也能有效地读取和生成内容。

尽管AI具有强大的文本同化能力，但其文本识别结果在中文等语言中可能不够准确，尤其是在OCR(光学字符识别)任务中。

当AI在整理发票时可能会出现错误，如数字单位的混淆;对于要求较高的任务，如计算发票金额，这种错误可能导致不准确的结果。

因此，结合AI的文本数据提取能力和专业OCR工具的准确性，可以提高处理复杂PDF文件时的效率和准确性。

尽管AI在处理复杂PDF文件时能够有效读取和生成内容，但它可能无法直接按照您的特定格式整理信息。

在处理发票数据时，您可以先使用OCR工具提取文本内容，然后将提取的文本和原始图片一起提供给AI。

这样，AI就可以根据OCR工具的结果和提供的图片，按照您的要求生成格式化的结果，从而得到更准确和满足您需求的数据整理。

以下就是用AI整理 OCR 后的文字的Prompt。

'''

您负责将从图像中通过OCR识别文本转换为格式正确的Markdown文档。您的目标是准确地用Markdown格式表示原始图像的内容和结构。



以下是从图像中识别出的OCR文本:

<ocr_texb>

{{OCR_TEXT}}

</ocr texb>



在转换文本时，应参考附件中的图片。



按照以下指示将OCR文本转换为Markdown：



1.使用OCR文本中检测到的相同语言。例如，如果文本是英文，您的输出也必须是英文。



2.保留内容的原始结构，包括标题、段落、列表和图像中可见的任何其他格式元素。



3.使用适当的Markdown语法进行格式化：

\- 使用#表示标题(例如，# 一级标题，## 二级标题，依此类推)

\- 使用*或-表示无序列表

\- 使用1.2.3.表示有序列表

\- 使用**加粗**表示加粗文本

\- 使用*斜体*表示斜体文本

\- 使用`代码`表示内联代码

\- 使用<>表示引用块



4.对于数学公式:

\- 使用$$ 公式 $$ 表示块级公式

\- 使用$ 公式 $表示内联公式



5.忽略OCR文本中可能出现的长水平线或页码。



6.不要在输出中包含任何解释性文本或短语，例如“这是Markdown版本：”。



7.不要用'''markdown'''标签包围您的输出。



8.确保您的Markdown准确反映原始图像的内咨和结构。并对任何明显的OCR错误进行调整。



直接提供您的Markdown转换，不需要额外的评论或解释，在这些指示之后立即开始输出。

'''

技巧III：让AI写Prompt

最后一个技巧是让AI帮助撰写prompt。

有时候，AI可能比人更擅长理解AI的工作方式，尽管这并非总是如此。当你有一个模糊的想法或初步思路时，可以让AI先创建一个结构良好的prompt。

对于英文prompt，AI有时可以写出更准确、效果更好的内容。但如果是中文prompt，咱们可能写得更加流畅，而英文prompt可能由于用词不准确而效果不佳。

在这种情况下，可以使用工具将中文prompt转换为英文，这些工具通常能生成非常准确的英文prompt，克服语言上的障碍。

尽管AI在帮助撰写prompt方面非常有用，但它不能完全替代人的思考。AI无法读懂人的想法，因此必须清楚地表达需求，以便AI能够生成合适的提示词。

Prompt的设计和应用是AI领域的一个重要技能。

掌握它，你将能够更有效地与AI合作，释放其潜力。

希望这篇文章能帮助你深入理解Prompt的底层逻辑，并在实践中不断提升你的Prompt编写能力。

如何从零学会大模型？小白&程序员都能跟上的入门到进阶指南

当AI开始重构各行各业，你或许听过“岗位会被取代”的焦虑，但更关键的真相是：技术迭代中，“效率差”才是竞争力的核心——新岗位的生产效率远高于被替代岗位，整个社会的机会其实在增加。

但对个人而言，只有一句话算数：
“先掌握大模型的人，永远比后掌握的人，多一次职业跃迁的机会。”

回顾计算机、互联网、移动互联网的浪潮，每一次技术革命的初期，率先拥抱新技术的人，都提前拿到了“职场快车道”的门票。我在一线科技企业深耕12年，见过太多这样的案例：3年前主动学大模型的同事，如今要么成为团队技术负责人，要么薪资翻了2-3倍。

深知大模型学习中，“没人带、没方向、缺资源”是最大的拦路虎，我们联合行业专家整理出这套 《AI大模型突围资料包》，不管你是零基础小白，还是想转型的程序员，都能靠它少走90%的弯路：

• ✅ 小白友好的「从零到一学习路径图」（避开晦涩理论，先学能用的技能）
• ✅ 程序员必备的「大模型调优实战手册」（附医疗/金融大厂真实项目案例）
• ✅ 百度/阿里专家闭门录播课（拆解一线企业如何落地大模型）
• ✅ 2025最新大模型行业报告（看清各行业机会，避免盲目跟风）
• ✅ 大厂大模型面试真题（含答案解析，针对性准备offer）
• ✅ 2025大模型岗位需求图谱（明确不同岗位需要掌握的技能点）

所有资料已整理成包，想领《AI大模型入门+进阶学习资源包》的朋友，直接扫下方二维码获取~

① 全套AI大模型应用开发视频教程：从“听懂”到“会用”

不用啃复杂公式，直接学能落地的技术——不管你是想做AI应用，还是调优模型，这套视频都能覆盖：

• 小白入门：提示工程（让AI精准输出你要的结果）、RAG检索增强（解决AI“失忆”问题）
• 程序员进阶：LangChain框架实战（快速搭建AI应用）、Agent智能体开发（让AI自主完成复杂任务）
• 工程落地：模型微调与部署（把模型用到实际业务中）、DeepSeek模型实战（热门开源模型实操）

每个技术点都配“案例+代码演示”，跟着做就能上手！

课程精彩瞬间

② 大模型系统化学习路线：避免“学了就忘、越学越乱”

很多人学大模型走弯路，不是因为不努力，而是方向错了——比如小白一上来就啃深度学习理论，程序员跳过基础直接学微调，最后都卡在“用不起来”。

我们整理的这份「学习路线图」，按“基础→进阶→实战”分3个阶段，每个阶段都明确：

• 该学什么（比如基础阶段先学“AI基础概念+工具使用”）
• 不用学什么（比如小白初期不用深入研究Transformer底层数学原理）
• 学多久、用什么资料（精准匹配学习时间，避免拖延）

跟着路线走，零基础3个月能入门，有基础1个月能上手做项目！

③ 大模型学习书籍&文档：打好理论基础，走得更稳

想长期在大模型领域发展，理论基础不能少——但不用盲目买一堆书，我们精选了「小白能看懂、程序员能查漏」的核心资料：

• 入门书籍：《大模型实战指南》《AI提示工程入门》（用通俗语言讲清核心概念）
• 进阶文档：大模型调优技术白皮书、LangChain官方中文教程（附重点标注，节省阅读时间）
• 权威资料：斯坦福CS224N大模型课程笔记（整理成中文，避免语言障碍）

所有资料都是电子版，手机、电脑随时看，还能直接搜索重点！

④ AI大模型最新行业报告：看清机会，再动手

学技术的核心是“用对地方”——2025年哪些行业需要大模型人才？哪些应用场景最有前景？这份报告帮你理清：

• 行业趋势：医疗（AI辅助诊断）、金融（智能风控）、教育（个性化学习）等10大行业的大模型落地案例
• 岗位需求：大模型开发工程师、AI产品经理、提示工程师的职责差异与技能要求
• 风险提示：哪些领域目前落地难度大，避免浪费时间

不管你是想转行，还是想在现有岗位加技能，这份报告都能帮你精准定位！

⑤ 大模型大厂面试真题：针对性准备，拿offer更稳

学会技术后，如何把技能“变现”成offer？这份真题帮你避开面试坑：

• 基础题：“大模型的上下文窗口是什么？”“RAG的核心原理是什么？”（附标准答案框架）
• 实操题：“如何优化大模型的推理速度？”“用LangChain搭建一个多轮对话系统的步骤？”（含代码示例）
• 场景题：“如果大模型输出错误信息，该怎么解决？”（教你从技术+业务角度回答）

覆盖百度、阿里、腾讯、字节等大厂的最新面试题，帮你提前准备，面试时不慌！

以上资料如何领取？

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】

为什么现在必须学大模型？不是焦虑，是事实

最近英特尔、微软等企业宣布裁员，但大模型相关岗位却在疯狂扩招：

• 大厂招聘：百度、阿里的大模型开发岗，3-5年经验薪资能到50K×20薪，比传统开发岗高40%；
• 中小公司：甚至很多传统企业（比如制造业、医疗公司）都在招“会用大模型的人”，要求不高但薪资可观；
• 门槛变化：不出1年，“有大模型项目经验”会成为很多技术岗、产品岗的简历门槛，现在学就是抢占先机。

风口不会等任何人——与其担心“被淘汰”，不如主动学技术，把“焦虑”变成“竞争力”！

最后：全套资料再领一次，别错过这次机会

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】