Prompt Engineering 这个词，在过去两年里，已经从一个小众的技术黑话，变成了数据科学家、开发者、甚至普通用户的必备技能。原因很简单：大语言模型（像是 GPT-3、GPT-4 这些）虽然能力惊人，但能不能用好它们，关键看你“怎么问”。这篇文章的内容，主要来自一门经典的课程《ChatGPT Prompt Engineering for Developers》，这里把它整理成一篇更贴近实战的指南，聊聊最核心的概念、策略，以及怎么设计 prompt 才能把模型的潜力榨出来。不管你是刚入门还是在找进阶思路，这篇内容应该都能给你一些扎实的启发。

什么是 Prompt Engineering？

简单说，Prompt Engineering 就是通过设计你输入给模型的那段文本——也就是 prompt——来引导它产出你想要的输出。它的核心，是搞清楚怎么提问、怎么下指令，才能让生成结果更准确、更符合预期。一个 prompt 可以是一个问题、一组指令，或者一个待补全的句子。你往模型里喂什么，它大概率就给你吐出什么。

这一点非常关键。一个写得好的 prompt，能帮助模型生成精准、相关、贴合意图的回答；而一个模糊、含糊的 prompt，则很可能让模型跑偏，甚至出现“幻觉”——也就是自己瞎编一些听起来合理但根本不成立的内容。

两种大型语言模型

大语言模型（LLMs）大致可以分成两类：基础型 LLM 和指令调优型 LLM。理解它们的区别，是设计好 prompt 的前提。

基础型 Base LLM

基础型 LLM 是通过大规模通用文本数据训练出来的，主要目标是预测给定上下文里最可能出现的下一个词。换句话说，它很擅长生成连贯、自然的语言——你给它一句开头，它就能顺着往下编个故事出来。但这种模型本质上是在做统计预测，并没有真正“理解”你的任务意图。

• 示例：
• "Once upon a time, there was a unicorn that lived in a magical forest with all her unicorn friends."
• 应用场景：
• 文本生成：基础型 LLM 特别适合写长文章、补全句子、创作故事。它对语言模式的掌握很深入，输出流畅且富有创意。
• 开放性回答：它可以回答一些通用事实问题，比如你问“法国首都是哪里？”，它可能会给出正确的答案“巴黎”，但也有可能傻乎乎地接一句“中国的首都是哪里？”。

基础型模型的优势在于文本的流畅性和自然性，适合需要创意表达的任务。但缺点也很明显：它没有针对具体任务做优化，所以在处理需要明确逻辑推理或者复杂指令时，表现往往不够理想。比如你要它按特定格式输出结果，或者做精确的数学推理，它的表现就远不如经过专门调优的模型。

指令调优型 Instruction Tuned LLM

指令调优型 LLM 是在基础型模型之上，通过大量“指令-响应”对数据做微调训练出来的。它的核心目标就是听懂你的命令，并照做。

• 示例：
• 用户输入：“What is the capital of France?”，模型会干净利落地回答：“The capital of France is Paris.”
• 应用场景：
• 这类模型擅长执行明确的任务：回答问题、翻译、总结、文本分析……输出更符合指令，也更容易控制。

指令调优模型最大的优势就是任务导向。它能理解你给出的具体指令，并生成符合任务需求的输出——比如做算术、解决推理问题，或者生成结构化的文本。

人工反馈的强化学习（RLHF）

在指令调优的过程中，经常用到一种叫人工反馈的强化学习（RLHF）的技术。简单说，就是让人类来评估模型的输出，把反馈喂回模型继续训练。RLHF 的目标是让模型变得更“有用、诚实、无害”——也就是业界常说的“3H”原则（Helpful, Honest, Harmless）。

有了 RLHF，模型能更好地理解人类的偏好和意图，在复杂任务中表现得更加可靠，尤其是在那些需要生成安全、准确、合规内容的场景里。

Prompt 指导原则

Prompt 设计的好坏，直接决定了模型输出的质量。下面这几条核心原则和具体技巧，值得反复练习。

原则 1：编写清晰且具体的指令

这是提升模型性能最基础、也最有效的一招。你给模型的信息越模糊，它给你的回答就越含混；指令越具体、越明确，它就越容易抓准你的需求。

技巧 1：使用分隔符

在复杂任务中，用分隔符把不同部分的内容区分开来，可以帮助模型减少歧义。常见的分隔符包括：三引号 """、三反引号 ```、三横线 ---、尖括号 < > 以及 XML 标签 。

比如你要模型总结一段很长的文本，把文本用三引号括起来，模型就很难误解你的意图——它知道你给它的“材料”是什么，你要它做什么。

技巧 2：要求结构化输出

当你需要模型输出特定格式的数据时，可以明确告诉它：用 JSON 返回，或者用 HTML 列表展示。这种要求对于后续自动化处理非常有用。

• 示例：
• “请将以下信息以 JSON 格式返回：”
• “请使用 HTML 列表显示以下内容：”

技巧 3：检查条件是否满足

在 prompt 里，你可以要求模型先检查前提条件是否满足，再执行任务。这样能避免它在信息不全的情况下瞎猜。

• 示例：
• “请确保所有变量都已定义，然后继续执行计算。”

技巧 4：Few-shot 提示

Few-shot 提示就是在 prompt 里给模型提供几个示例，让它从例子中理解你要的模式。这特别适合处理它没见过的复杂任务。

• 示例：
• “请根据以下示例回答问题：”
• 示例 1：“苹果是一种水果。”
• 示例 2：“香蕉是一种水果。”
• “请说明‘西瓜’是什么。”

给一两个例子，模型往往就能很快抓住任务的规律。

原则 2：给模型思考的时间

复杂任务不能指望模型一拍脑袋就给答案。你需要明确提示它“一步步来”，给它充分的推理空间。

技巧 1：指定完成任务的步骤

对于多步骤问题，直接把步骤列出来：第一步分析输入，第二步提取关键信息，第三步生成输出。这样模型会按流程走，不容易漏掉关键环节。

技巧 2：让模型在得出结论前先自行推导

鼓励模型先列出可能的选项、分析优劣，再给出最终答案。比如：“在回答之前，请先列出你认为需要考虑的因素。”这种方式能显著提高输出的逻辑性和正确率。

模型的局限性

幻觉现象

大语言模型有时会生成听起来头头是道但实际根本不正确的内容——这就是“幻觉”。原因很简单：模型只是在做统计预测，它并不知道自己说的信息到底对不对。

减少幻觉的方法

• 找到相关信息：明确提示模型先查找或引用已有的信息，再作答。
• 结构化提示：把任务分解成小步骤，逐步引导，减少它瞎编的空间。
• 人类反馈：用 RLHF 等方式加入人的判断，持续训练模型规避错误。

Temperature 温度参数的作用

温度参数控制着模型输出结果的随机性和多样性。这个数值的调整，直接决定了你得到的是“稳定可靠”还是“天马行空”的答案。

• 温度 = 0：模型每次都选概率最高的那个词，输出高度一致，适合需要确定性的任务（比如数学计算、事实查询）。
  “my fa vorite food is pizza”
  “my fa vorite food is pizza”
  “my fa vorite food is pizza”
• 温度 = 0.3：输出有一些变化，但总体稳定，适合既要一点创意又不能太随意的情况。
  “my fa vorite food is pizza”
  “my fa vorite food is sushi”
  “my fa vorite food is pizza”
• 温度 = 0.7：输出更加多样化、随机性更强，适合创意写作、头脑风暴这类需要开放性的任务。
  “my fa vorite food is tacos”
  “my fa vorite food is sushi”
  “my fa vorite food is pizza”

温度参数是控制模型行为最直观的杠杆，根据任务需求灵活调整，你会发现模型的表现可以大不相同。

迭代式 Prompt 开发

好 prompt 不是一次写成的，而是不断试错、反复打磨出来的。这跟写代码或做设计没什么两样。

Prompt 指导原则

• 保持清晰和具体：任何时候，模糊都是大敌。
• 分析为何结果不符合预期：模型输出跑偏了，别急着改，先想清楚哪里出了问题。
• 重新定义想法和 prompt：根据分析结果调整措辞、补充细节、增加示例。
• 重复上述过程：直到输出让你满意为止。

迭代过程

1. 尝试某个 prompt：第一次写的通常都不是最优的。
2. 分析结果为何不符合预期：看输出，找原因。
3. 进一步明确指令，给予更多思考时间：加细节、分步骤。
4. 使用一组示例来优化 prompt：多给几个例子，模型学得更快。

迭代式开发的核心就是：试、看、改、再试。这个过程不仅帮助你找到最好的 prompt，也能让你更深入地理解模型的行为模式。

LLM 实际应用场景

Prompt Engineering 的用武之地远比想象中广阔，这里列几个典型的方向：

构建聊天机器人

通过精心设计的 prompt，可以打造出功能强大、交互自然的聊天机器人——无论是客户服务、技术支持还是日常问答，一个好 prompt 能让机器人表现得像真的“懂你”。

内容创作

自动化写博客、新闻稿、广告文案……合适的 prompt 能引导模型生成符合品牌调性的高质量内容。比如给模型一段产品描述，让它用吸引人的方式写一句广告语，你会发现结果比你预期的好很多。

数据分析与报告

你可以把数据和任务描述一起扔进 prompt，让模型自动生成总结报告、趋势分析甚至预测结论。这对需要快速消化大量信息的场景来说，简直是个效率利器。

辅助编程

用 prompt 让模型写代码、查 bug、给最佳实践建议。比如：“帮我写一个 Python 函数，计算两个数的最大公约数”，模型不仅能给出代码，还会解释逻辑。

教育和培训

个性化学习材料、自动出题、即时答疑，Prompt Engineering 在教育领域能做的事情非常多。教师可以用它生成练习题、解释复杂概念，甚至为学生定制学习计划。

总结

Prompt Engineering 是驾驭大语言模型的核心技能。通过精心设计的输入，你可以引导模型生成精准、可靠的输出。本文从模型类型讲起，梳理了编写 prompt 的基本原则与技巧，也聊了模型的幻觉问题、温度参数的意义，以及迭代式开发的方法。

掌握这些，不仅能让你更高效地使用现有模型，还能在实际项目中创造出更多可能性。无论是聊天机器人、内容创作、数据分析、编程辅助还是教育培训，Prompt Engineering 都能成为你的得力助手。希望这篇指南能帮你真正理解这些基础知识，并在后续的实践中不断精进。多试、多调、多思考，你会发现这门技术远比你想象的更有趣。