大模型应用开发基础-Prompt工程

1. 什么是Prompt？

Prompt（提示词）是用户输入给AI模型的指令或问题，用于引导模型生成特定输出。

• 示例对比：
  • 模糊Prompt：“写一篇关于人工智能的文章”
  • 精准Prompt：“以科普风格写一篇800字文章，介绍AI在医疗影像诊断中的应用，包含3个实际案例”

2. Prompt工程的定义

Prompt工程（Prompt Engineering）是通过优化输入指令的结构、措辞和上下文，使大语言模型（LLM）输出更准确、可靠且符合需求的技术。

• 核心目标：
  • ✅ 减少歧义：明确任务边界，避免模型“自由发挥”
  • ✅ 提高可控性：让AI的输出格式、风格、深度符合预期
  • ✅ 适配专业场景：针对不同领域（如编程、法律、教育）定制指令

3. 为什么需要Prompt工程？

大语言模型（如GPT-4、Claude、Gemini）本质是“概率生成器”，它们会根据输入提示猜测用户意图。如果没有精心设计的Prompt，可能会出现：

• 输出偏离需求（如要求“总结文章”，却得到“续写文章”）
• 信息冗余或缺失（如生成冗长但不聚焦的回答）
• 幻觉（Hallucination）（虚构不存在的事实）

案例： 普通提问：“Python怎么排序列表？” → 可能返回多种方法，但未指定需求。
优化Prompt：“用Python对列表进行降序排序，要求代码简洁，并解释关键函数的作用”

4. Prompt工程的五大核心技巧

Prompt工程的核心在于如何设计清晰、有效的指令，让AI生成更符合预期的输出。

---

技巧1：明确需求——减少歧义，精准表达

问题：模糊的Prompt会导致AI自由发挥，输出偏离目标。

解决方案：

✅ 用动词驱动任务（如“总结”“生成”“对比”）。

✅ 限定范围（如字数、格式、重点内容）。

案例对比

❌ 模糊Prompt：

“介绍一下机器学习。”

→ AI可能返回冗长的概述，缺乏重点。

✅ 优化Prompt：

“用200字简要介绍机器学习的核心概念（监督学习、无监督学习、强化学习），并各举一个实际应用例子。”

→ 输出结构清晰，包含关键信息。

---

技巧2：角色扮演——限定AI的知识边界

问题：通用模型可能给出不专业的回答。

解决方案：

✅ 为AI指定角色（如“资深Python工程师”“医学专家”）。

✅ 明确知识来源（如“基于最新官方文档”）。

案例对比

❌ 普通提问：

“如何优化SQL查询？”

→ 可能返回泛泛的建议。

✅ 角色扮演Prompt：

_“你是一位10年经验的数据库工程师，请针对以下SQL查询提供优化建议，重点分析索引使用和查询执行计划：SELECT_ FROM orders WHERE user\_id = 100 AND status = 'completed';”*

→ 输出更专业，直接给出可落地的优化方案。

---

技巧3：格式化输出——让AI返回结构化数据

问题：自然语言输出难以直接解析或集成到系统中。

解决方案：

✅ 强制指定格式（如JSON、Markdown、表格）。

✅ 定义字段要求（如键值对、列表）。

案例对比

❌ 自然语言请求：

“列出中国GDP排名前5的城市。”

→ 可能返回一段文字描述。

✅ 结构化Prompt：

“以JSON格式返回中国GDP排名前5的城市，包含字段：城市名、GDP（亿元）、同比增长率。”

→ 输出可直接用于程序解析：

---

技巧4：提供样本（Few-Shot Learning）——让AI模仿示例

问题：AI可能不理解复杂任务的特殊要求。

解决方案：

✅ 提供1-3个输入-输出示例，让AI学习模式。

✅ 适用于风格转换、数据提取等任务。

案例对比

❌ 直接提问：

“把这段口语化文本改写成正式邮件。”

→ AI可能无法准确把握正式邮件的语气。

✅ Few-Shot Prompt：

示例1：  
输入：*“嘿，明天能交报告吗？”*  
输出：*“您好，请问报告能否在明日提交？期待您的回复。”*  

任务：改写以下句子：*“这方案行不行？快点反馈！”*  

→ AI模仿示例风格，输出：“请问该方案是否可行？请您尽快反馈，谢谢。”

---

技巧5：思维链（Chain-of-Thought, CoT）——引导AI分步推理

问题：复杂问题直接提问可能导致逻辑混乱。

解决方案：

✅ 要求AI展示推理过程（如“请分步骤解释”）。

✅ 适用于数学计算、逻辑分析等任务。

案例对比

❌ 直接提问：

“小明有12个苹果，吃掉1/3后分给朋友一半，还剩多少？”

→ AI可能直接给出答案，不展示计算过程。

✅ CoT Prompt：

“请分步骤解答：小明有12个苹果，吃掉1/3后分给朋友一半，还剩多少？

1. 计算吃掉的数量
2. 计算剩余数量
3. 分给朋友的数量
4. 最终剩余数量”

→ AI输出：

1. 吃掉的数量：12 × 1/3 = 4  
2. 剩余数量：12 - 4 = 8  
3. 分给朋友：8 ÷ 2 = 4  
4. 最终剩余：4个  

不过2023年后发布的主流大模型（GPT-4 Turbo、Claude 3、Gemini 1.5）已原生集成思维链推理能力。