提示工程指南：从零掌握与大语言模型高效对话的核心技术

1. 项目概述与核心价值

如果你最近在折腾大语言模型，不管是想用它来写代码、分析文档，还是搞点自动化的小工具，大概率都听过一个词——“提示工程”。听起来挺玄乎，好像是什么高深莫测的新学科。其实说白了，它就是你跟AI聊天时，怎么把话说清楚、说到点子上，让它能准确理解并执行你意图的一门手艺。我最初接触GPT这类模型时，也踩过不少坑：明明觉得自己描述得挺清楚，AI给出的答案却总是差那么点意思，要么跑偏，要么过于笼统。后来才发现，问题往往出在我给的“提示”上。

这个名为“yunwei37/Prompt-Engineering-Guide-zh-CN”的项目，就是一个将英文原版《Prompt Engineering Guide》系统化翻译、整理并持续维护的中文指南仓库。它不是什么商业产品，而是一个由社区驱动的开源知识库，目标非常纯粹：降低中文开发者、研究者和爱好者学习提示工程的门槛，把散落在各处的论文、技巧和最佳实践，汇集成一份结构清晰、随时可查的手册。对于任何想要真正用好ChatGPT、GPT-4乃至其他大语言模型的人来说，这份指南就像一份详尽的“用户说明书”和“进阶秘籍”，能帮你从“碰运气式提问”升级到“精准操控式对话”。

2. 指南内容架构深度解析

这份中文指南并非简单的文档堆砌，其内容架构经过精心设计，遵循了从入门到精通、从理论到实践的学习路径。理解这个架构，能帮助你更高效地利用它。

2.1 核心模块划分与学习路径

整个指南可以看作一棵知识树，主干清晰，枝叶丰满。

基础与进阶核心区：这是指南的基石。提示工程 - 简介模块为你建立正确的认知框架，解释为什么需要提示工程，以及它如何影响模型输出。紧接着的基础提示和高级提示是两个最重要的实操模块。基础部分会教你最核心的“咒语”，比如零样本提示、少样本提示。简单来说，零样本就是直接给任务指令，考验模型的泛化能力；少样本则是提供几个例子，让模型“照葫芦画瓢”。高级部分则深入更强大的模式，如思维链，它引导模型将复杂问题分解成中间步骤再回答，显著提升了逻辑推理和数学问题的准确性；还有生成知识提示，在回答前先让模型生成相关背景知识，以此提升回答的信息量和准确性。

专项应用与风险防范区：掌握了核心技巧后，应用模块展示了提示工程在具体场景下的威力，比如代码生成、文本摘要、问答系统构建等。而对抗提示和可靠性这两个模块尤为重要，它们揭示了模型的另一面。对抗提示教你如何通过精心设计的输入去“攻击”或“探测”模型的弱点（例如生成偏见内容或泄露训练数据），这不仅是研究前沿，对于构建安全、可靠的应用也至关重要。可靠性则关注如何让模型的输出更稳定、更可信，比如通过自洽性（让模型多次生成答案并选取最一致的）或投票机制来提升结果质量。

扩展资源与工具生态区：指南的剩余部分构成了强大的支持系统。论文模块链接了该领域最前沿的学术研究，是深入理解其原理的钥匙。工具模块汇集了诸如LangChain、LlamaIndex等当前最流行的提示工程与AI应用开发框架，以及一些专用的提示词管理、测试工具。数据集模块则提供了用于评估和训练提示的数据资源。最后的附加读物和杂项主题，则涵盖了伦理、成本优化、特定模型技巧等延伸话题。

2.2 内容特色与社区价值

这个中文项目有几个突出的特色。首先是同步与迭代。英文原版指南更新非常活跃，而这个中文仓库也尽力保持同步更新，你看到的不仅是经典知识，也包含较新的技术动态。其次是实践导向。很多概念都配有简单的示例代码或伪代码，让你能立刻在类似OpenAI Playground或本地测试环境中尝试。最后是社区驱动。项目明确欢迎PR和Issue，这意味着它凝聚了许多中文开发者的实践智慧和翻译心血，你遇到的困惑可能已经被讨论过，你总结的经验也可以贡献进去。

注意：提示工程并非“万能魔法”。它的效果严重依赖于底层模型的能力上限。一个优秀的提示可以让强大模型的潜力充分发挥，但无法让一个能力孱弱的模型完成它根本做不到的任务。因此，学习提示工程的同时，也需要对所用模型的强项和短板有基本了解。

3. 关键提示技术详解与实战演练

理解了整体框架，我们来深入拆解几个最常用、也最有效的核心提示技术，并结合具体场景看看如何应用。

3.1 思维链提示：让AI“展示思考过程”

这是提升模型复杂推理能力的关键技术。其核心思想是，当要求模型回答一个需要多步推理的问题时，在提示中明确要求它“逐步思考”或“展示推理步骤”。

基础示例：

• 普通提示：“如果小明有5个苹果，他吃了2个，又买了3个，最后有几个苹果？”
• 思维链提示：“如果小明有5个苹果，他吃了2个，又买了3个，最后有几个苹果？请逐步推理。”

在实际测试中，对于更复杂的问题，普通提示可能直接给出一个错误或武断的答案。而思维链提示能显著提升准确性，因为模型被强制将问题分解。

实战进阶：少样本思维链你可以提供几个带有完整推理步骤的例子，让模型学习这种模式。

示例1： 问题：一个书架有3层，每层放40本书。移走了15本，还剩多少本？ 推理：首先计算总书数：3层 * 40本/层 = 120本。然后减去移走的：120本 - 15本 = 105本。 答案：105本。 示例2： 问题：餐厅有30个座位，中午来了4批客人，每批8人。还有几个空位？ 推理：计算总客人数：4批 * 8人/批 = 32人。客人比座位多，所以空位数为0。 答案：0个。 请用同样的方式解答： 问题：一支铅笔8角钱，小明买了3支，付了5元钱，应找回多少钱？ 推理：

这种“示例教学”法，能让模型快速掌握你期望的推理格式和深度。

3.2 角色扮演与系统提示：设定对话边界与风格

这是与ChatGPT等对话式模型交互时最实用的技巧之一。通过“系统提示”或开场白，为AI设定一个明确的角色和对话规则。

应用场景：

• 代码助手：“你是一位经验丰富的Python开发专家，擅长编写简洁、高效且符合PEP 8规范的代码。请只回答与代码相关的问题，对于无法实现或存在安全风险的需求，请明确拒绝并说明原因。”
• 内容审校：“你是一名严谨的文本编辑，专注于检查语法错误、用词不当和逻辑不清。请直接输出修改后的文本，并用批注说明修改原因。”
• 创意写作：“你是一位科幻小说家，风格偏向赛博朋克。请根据我的简短构思，扩展成一个包含环境描写和人物对话的片段。”

实操心得： 系统提示的设定需要具体、可操作。模糊的指令如“请帮我”效果很差，而清晰的指令如“请用Markdown列表形式，分点列出……”则能获得结构化输出。此外，在长对话中，模型可能会“忘记”最初的系统提示，这时需要适时地重复或强化核心指令。

3.3 结构化输出与格式控制

让模型按照特定格式（如JSON、XML、YAML）输出，可以极大地方便后续的程序化处理。

基础示例：

请分析以下产品评论的情感倾向（正面、负面、中性）并提取关键特征。 评论：“手机拍照效果很棒，尤其是夜景，但电池续航太短，一天要充两次电。” 请以JSON格式输出： { "sentiment": "", "positive_aspects": [], "negative_aspects": [] }

高级技巧：嵌套结构与样例提供对于更复杂的结构，可以在提示中直接给出一个输出样例。

请将以下会议纪要的要点结构化。参考如下输出格式： { "topic": "会议主题", "date": "日期", "key_decisions": [ {"decision": "决定内容", "owner": "负责人", "deadline": "截止日期"} ], "action_items": [ {"item": "行动项", "assignee": "分配人", "due_date": "到期日"} ] } 会议纪要文本：[此处粘贴文本]

提示：在要求JSON输出时，明确指定键名和值的数据类型（如字符串、数组），能减少模型“自由发挥”导致的解析错误。对于关键任务，可以结合“输出验证”步骤，即让模型在输出JSON后，再附加一句“我已确保上述JSON格式正确且完整”。

4. 从学习到实践：构建你的提示工作流

掌握了单项技术，如何将它们系统性地应用到实际项目中？这就需要建立一个高效的提示工作流。

4.1 提示词的开发与迭代流程

不要指望一次就能写出完美的提示词。它应该是一个“编写-测试-分析-优化”的循环过程。

1. 定义明确目标：首先想清楚，你究竟想要模型完成什么？是总结、翻译、分类、创作还是推理？目标越具体，提示越容易设计。
2. 编写初始提示：根据目标，组合使用角色设定、任务指令、格式要求等元素，写出第一版提示。
3. 设计测试集：准备一组具有代表性的输入用例（最好包含一些边界案例和困难案例）。不要只用一两个例子就下结论。
4. 批量测试与评估：使用你的测试集，运行初始提示，收集输出结果。评估标准应与目标对齐（如准确性、完整性、风格符合度、格式正确率）。
5. 分析失败案例：仔细检查输出不理想的案例。是模型理解错了指令？还是忽略了部分约束？或者是格式乱了？这是优化提示的关键。
6. 迭代优化提示：根据分析结果，修改提示词。可能需要：增加更明确的指令、提供更清晰的示例、调整角色设定、加入约束条件（如“不超过50字”）。
7. 固化与文档化：当提示在测试集上表现稳定后，将其版本化保存，并记录其用途、输入输出示例、适用模型版本和已知限制。

4.2 工具链集成：以LangChain为例

手动管理提示词和调用API效率低下。这时就需要用到指南中提到的工具，比如LangChain。它是一个将LLM与外部数据、工具连接起来的强大框架。

一个简单的LangChain提示模板应用：

from langchain.prompts import PromptTemplate from langchain.chat_models import ChatOpenAI # 1. 定义提示模板 template = """ 你是一位专业的{language}翻译。请将以下英文技术文档片段翻译成{language}，要求术语准确、行文流畅，符合技术文档风格。 英文原文： {english_text} {language}翻译： """ prompt = PromptTemplate.from_template(template) # 2. 填充模板 filled_prompt = prompt.format(language="中文", english_text="The quick brown fox jumps over the lazy dog.") # 3. 调用模型 llm = ChatOpenAI(model_name="gpt-4", temperature=0.3) # temperature控制创造性 response = llm.predict(filled_prompt) print(response)

通过LangChain，你可以轻松地将提示词参数化、模板化，并与链式调用、记忆、工具使用等功能结合，构建复杂的AI应用流水线。

4.3 成本与性能优化考量

提示工程也关乎实用经济学。尤其是使用GPT-4这类按Token收费的API时。

• 精简提示：在保证效果的前提下，移除提示中不必要的描述和冗余信息。每一个Token都在花钱。
• 缓存结果：对于频繁出现、答案固定的问题（如FAQ），可以将模型的输出缓存起来，避免重复调用。
• 模型分级调用：对于简单的分类、提取任务，可以先使用更便宜、更快的模型（如GPT-3.5 Turbo）进行尝试，如果置信度不高，再调用更强大的模型（如GPT-4）进行复核或重做。
• 设置合理的temperature和max_tokens：temperature参数控制随机性（0表示确定性高，1表示创造性高）。对于事实性任务，设为较低值（如0.1-0.3）；对于创意任务，可以调高。max_tokens限制生成长度，避免生成过长无关内容导致费用激增。

5. 常见陷阱、问题排查与进阶思考

即使遵循了最佳实践，在实际操作中仍然会遇到各种问题。这里记录一些典型的“坑”和解决思路。

5.1 典型问题速查表

5.2 超越基础提示：系统化思维

当单个提示无法解决复杂问题时，需要考虑系统化的解决方案。

• 提示链：将一个大任务分解为多个子任务，每个子任务由一个专门的提示完成，并将上一个提示的输出作为下一个提示的输入。例如，“分析报告 -> 提取关键发现 -> 生成执行摘要”。
• 验证与修正循环：设计一个“生成-验证-修正”的循环。例如，先让模型A生成一份草案，再让模型B（或同一模型扮演不同角色）从特定角度（如逻辑、事实、格式）进行评审并提出修改意见，最后让模型A或C根据意见进行修正。
• 动态提示构建：根据用户输入或中间结果，动态组装不同的提示模板。这需要一定的程序逻辑，但能极大提升交互的灵活性和准确性。

5.3 伦理与安全边界

提示工程能力越强，责任也越大。在构建应用时，必须主动考虑：

• 偏见与公平性：你提供的示例或指令是否隐含了性别、种族、文化等偏见？这可能会被模型放大。
• 信息真实性：避免设计可能诱导模型生成虚假信息或进行欺诈的提示。
• 隐私与数据安全：切勿在提示中嵌入真实的个人身份信息、密码、密钥等敏感数据。
• 滥用防范：思考你的提示模板或应用是否可能被轻易用于生成垃圾邮件、虚假评论、恶意代码等。

这份“yunwei37/Prompt-Engineering-Guide-zh-CN”指南，正是你系统化学习、实践并最终驾驭这些技巧的绝佳起点。它提供的不是一堆死板的命令，而是一套关于如何与AI有效协作的思维模式和方法论。我的体会是，最好的提示工程师，往往是那个最懂业务、最清楚自己想要什么，同时也最愿意像调试代码一样，不断调试自己与AI沟通方式的人。从今天起，不妨把你下一个需要AI协助的任务，当作一次提示工程的小实验，从这份指南中找一个技巧用起来，看看效果如何。