Prompt 工程是什么

Prompt 工程是什么

Prompt 工程依赖于大语言模型本身的泛化能力。通过设计更清晰的提示词，可以让模型在不进行下游任务训练的情况下，更准确地理解任务要求并提升输出质量。

换句话说，Prompt 工程的目标不是重新训练模型，而是把任务描述得足够清楚，让模型知道“要做什么、依据什么做、怎么回答”。

一个基础的 Prompt 通常包含四个核心元素：

1. 任务说明
2. 上下文
3. 问题
4. 输出格式

例如：

任务说明：请判断下面这段评论的情感倾向。
上下文：情感倾向只分为“正面”“负面”“中性”三类。
问题：这家店的服务还行，但上菜太慢了。
输出格式：只输出分类结果和一句简短理由。

任务说明

明确告诉模型要做什么

任务说明是 Prompt 中最直接的部分，用来向模型提出明确要求。

如果希望模型完成分类任务，就应该在提示词里直接说明“请完成分类”。这类任务不一定需要专门训练一个分类模型，因为大语言模型本身具有较强的泛化能力，并且在大规模数据上训练过，所以能够理解和完成多种不同类型的任务。

例如：

请将下面的文本分为“技术问题”“产品建议”或“其他反馈”三类。
文本：登录页面有时候会卡住，刷新后才能进入。

这里的“请将下面的文本分为……”就是任务说明。它让模型知道当前任务不是续写、总结或翻译，而是分类。

分词方式与 Token 消耗

Prompt 太长会占用较多 Token，因此理解分词方式也很重要。

大语言模型不会直接按照人类理解的“字”或“词”来处理文本，而是先通过分词器把文本切分成 Token。不同模型使用的分词器不同，切分方式也可能不同。

例如，“你”和“好”单独看是两个字，但“你好”组合后形成了新的常用表达。分词器可能会把“你好”视为一个整体 Token，也可能根据具体规则拆分。这样做有两个作用：

1. 帮助模型更好地区分单字、词语和固定表达。
2. 在推理时减少 Token 数量，从而降低消耗。

所以，写 Prompt 时不一定越长越好。更好的方式是用清晰、紧凑的语言表达任务要求，避免无关背景占用上下文空间。

上下文学习

通过上下文帮助模型理解任务

上下文学习指的是：通过给模型提供背景、规则或示例，让模型更好地理解任务范式和回答范式。

根据示例数量的不同，可以分为：

1. 零样本学习：不给示例，直接让模型完成任务。
2. 单样本学习：给一个示例，让模型模仿格式。
3. 少样本学习：给多个示例，让模型从中归纳规律。

如果只是普通问答，且不需要固定格式，通常可以使用零样本提示。
如果希望模型按照指定格式输出，或者希望增强模型对任务的理解，可以使用单样本或少样本提示。

例如，零样本提示：

请总结下面这段话的核心观点。

单样本提示：

示例：
输入：今天下雨，但我还是按时到公司了。
输出：事件：下雨；结果：按时到公司。

请按照上面的格式处理：
输入：电脑突然蓝屏，我重启后恢复正常。

少样本提示则可以给出多个类似示例，让模型更稳定地理解输出格式。

示例选择

示例选择的关键在于相似性和多样性。

如果示例和当前任务差异太大，模型就难以理解真正需要模仿的范式。
如果示例过于单一，模型也可能只学到很窄的模式，无法应对稍有变化的问题。

常见的示例检索方法包括：

1. 直接检索：根据当前问题查找最相似的示例。
2. 聚类检索：先把示例按类型分组，再从相关分组中选择代表性示例。
3. 迭代检索：先用初步结果检索示例，再根据反馈继续调整和补充。

实际使用中，Prompt 为什么有效，很多时候也是通过不断试验总结出来的。理论可以提供方向，但具体效果仍然需要结合模型和任务进行测试。

思维链

什么是思维链

思维链提示（Chain-of-Thought，CoT）是一种让模型模仿人类解题过程的提示方法。它不是只要求模型给出答案，而是引导模型按步骤进行推理。

以数学题为例，老师通常会要求写出解题过程，而不是只写最后答案。对大模型来说，推理过程也能帮助它更稳定地完成复杂任务。

不过，现在很多模型的内部推理过程会被隐藏或压缩，不一定完整展示给用户。这有点像人做题时会在草稿纸或脑子里思考，但最后写在答题纸上的只是必要步骤和答案。

按部就班

“按部就班”的思维链方式，是把问题拆成多个步骤，让模型沿着给定思路继续推理。

如果把一段思考过程和问题一起交给模型，模型通常会沿着前面的推理继续生成结果，或者根据这个思路处理类似问题。

这是因为大语言模型本质上是在预测下一个 Token 的概率。清晰的思考步骤可以减少模型随意发散的空间，让它更容易按照用户预期的方向继续推理。

例如：

请按以下步骤回答：
1. 先列出已知条件。
2. 再判断需要求什么。
3. 最后给出计算过程和答案。

三思后行

“三思后行”的方式不一定要求用户提前提供完整推理过程，而是让模型在回答前先检查自己的思路，删除不必要或不可靠的部分，保留更可能正确的路径。

这种方法的难点在于：模型是否真的能判断哪些思路正确，哪些思路错误。人类有时也难以完全理解自己的思考过程，更不用说模型。因此，这类方法有一定帮助，但不能完全依赖。

更稳妥的做法是让模型给出可验证的中间结论，例如：

请先列出可能的原因，再逐条排除，最后给出最可能的结论。

集思广益

“集思广益”的方式是让模型从多个角度并行思考，再选择其中更合适的答案。

它类似于让模型提出多个解法、多个假设或多个判断标准，然后再进行比较。这个过程有点像多头注意力机制中从不同角度捕捉信息，但在 Prompt 层面上，它体现为“多方案生成 + 选择最优解”。

例如：

请分别从性能、可维护性和用户体验三个角度分析这个方案，然后给出综合建议。

这种方式适合开放性问题、方案评估和复杂决策。

规范 Prompt 编写

按结构组织提示词

规范的 Prompt 可以按照“四个基本元素”来组织：

1. 任务说明：告诉模型要做什么。
2. 上下文：提供背景、规则、限制条件或示例。
3. 问题：给出需要模型处理的具体输入。
4. 输出格式：说明希望模型如何回答。

例如：

任务说明：请帮我把下面的会议记录整理成待办事项。

上下文：
- 待办事项需要包含负责人、任务内容和截止时间。
- 如果没有明确截止时间，写“未说明”。

问题：
小王负责整理用户反馈，下周三前完成。小李需要检查新版登录页，但没有说具体时间。

输出格式：
| 负责人 | 任务内容 | 截止时间 |
| --- | --- | --- |

复用优秀 Prompt

如果觉得从零编写 Prompt 比较麻烦，可以直接参考别人写得好的 Prompt，再根据自己的任务稍作修改。

但复用时不要只复制表面格式，而要看清楚它解决了什么问题：

1. 是否明确说明任务？
2. 是否提供了足够上下文？
3. 是否给出了具体输入？
4. 是否规定了输出格式？

只要这四部分清楚，Prompt 通常就会更稳定、更容易复用。

小结

Prompt 工程的核心不是写得越复杂越好，而是让模型更准确地理解任务。

一个有效的 Prompt 通常需要明确任务、提供上下文、提出具体问题，并规定输出格式。对于复杂任务，可以通过示例、思维链和多角度分析来提升模型的回答质量。不过，这些方法都会增加一定的 Token 消耗；有时给模型更多思考模式，可以减少模型无效发散，但也会增加人脑设计 Prompt 的成本。简单来说，就是用脑力换 Token 和稳定性。