在AI大模型与智能体应用日益普及的今天，为何有些人能得心应手、精准操控，而您却遭遇答非所问、屡试不顺？问题的关键往往在于Prompt（提示词）。不必将Prompt神化，它并不复杂——事实上，每次使用AI大模型、智能体或进行AI对话时，您都在与Prompt打交道。本文将深入解析Prompt，助您实现对AI的精准引导。
一、什么是Prompt？提示词的核心概念
当你看到下面这些界面：
你输入的内容、你设置的那些位置上的信息，其实都是Prompt。
那么，到底什么是Prompt？
记住这一点：Prompt是我们唯一可以和LLM打交道的方式。
在应用技术层，无论我们做了多么炫酷的设计，最终目的都是为了找到合适传递给LLM的Prompt。
比如：
- 为了让LLM在专业领域避免胡说八道，需将专业参考资料嵌入Prompt；
- 为确保LLM输出数字准确，需将最新数据整合进Prompt；
- 为使分析更全面，需将多维度思考角度纳入Prompt；
- 为让LLM正确处理Excel数据，需将表头信息加入Prompt；
- 为让LLM高效总结调研报告，需将各项调研结果输入Prompt；
- ……
- 为让LLM生成更多应用场景，需将上述样例也放入Prompt。
但Prompt能容纳的字数是有限的。所以应用层的其他技术，就是在想尽办法，在对的时间，将对的内容加入Prompt，让整个语言模型更好地工作。
二、Prompt的分类与类型详解
在大多数语言工具中，Prompt会被分为两类：
- System prompt（系统提示词）用于设定全局任务指令或约束条件，告诉模型如何理解和生成响应。
- User prompt（用户提示词）通常是用户直接提供的问题或请求，系统在特定回合中将它视为生成响应的核心输入。
比如下图，只有User prompt的输入位置，没有System prompt的位置：
而下面这张图，则既有System prompt又有User prompt：
虽然这些页面将prompt当做两个参数，但对LLM来说，它们本质上是一个prompt：
- 预处理的代码会将system prompt和user prompt拼接在一起，system prompt在前，user prompt在后。
- 当system prompt + user prompt的长度超出模型上下文窗口宽度时，预处理代码会优先截取user prompt，而让system prompt完整保留。
还有另外几种分类方式：
1. 按Prompt中的内容结构分类：参考资料、样例、指令
将参考资料、样例放在Prompt中，称为In-Context-Learning（基于上下文的学习），主要依靠LLM的能力理解Prompt中的内容，但需要较长的K窗口宽度。目前主流模型的K窗口宽度（context window size）在32k – 200k之间，即最高20万tokens。1个汉字可能对应1个、2个甚至3个token。下面可以看看20万tokens大概对应的内容，心里有个概念：
2. 按Prompt中的样例数量分类：Zero-Shot、One-Shot、Few-Shot
Zero-Shot就是不给样例，One-Shot给一个样例，Few-Shot给多个样例。比如前面说的“让LLM能替我写出更多场景”就是Few-Shot。
场景：妈妈在给小孩挑游戏机做礼物，正在比较Switch和PS5。
- 用户：感觉价格方面，Switch性价比高，PS5要贵不少吧？
- 店员：……
针对问题，利用大模型进行打分，然后根据打分情况判断不同样例数下的满意回答情况。打分也可以借助LLM来进行，通常不同大模型之间互相打分最为直观。评分标准可以如下：
3. 按Prompt的任务类型分类
包括问答型、检索型、生成型、翻译型、分类型、排序型、摘要型、解释型、逻辑型、格式整理型等。例如内容解释型，就是给一大段公司规章制度作为prompt，LLM基于给定内容回答，对回答精准度所做的限制越多，回答越精准。
更多类型见下图：
4. 按Prompt指令模块分类
包括身份设定、背景设定、目标设定、输入示例、输出格式设定、输入-输出示例、限制条件等。例如，做一个垂直领域的Agent或智能体，可以在prompt中设置限制条件，超出垂直领域的问题就不回答，避免LLM自行解答非必要问题。
讲到这里，内容可能比较散，但相信大家对Prompt已经有个大致的了解。还是开头那句话：Prompt是我们唯一可以和LLM打交道的方式。记住这一点，在使用大模型或智能体时，就不至于南辕北辙了。