提示词工程（Prompt Engineering），这个听起来带点“玄学”色彩的概念，到底是什么？为什么它被称为“工程”，而不只是简单的“提示词写作”？

Anthropic公司Claude团队的成员，在一场内部圆桌讨论中，把这个问题彻底讲明白了。他们从核心定义聊到实战技巧，从优秀提示工程师的个人特质谈到行业未来趋势，内容非常扎实。

正如团队中的提示工程师Zach Witten所说：“提示工程的核心，是尝试让大模型完成任务，发挥它的最大潜能，帮助我们完成那些原本做不到的事情。很大程度上，这是一门关于清晰沟通的技术。本质上，和模型对话很像和人对话，你需要深入理解模型的‘思维方式’。”

那为什么叫“工程”呢？Zach的解释很巧妙：“工程的部分，来源于不断试错的过程。和模型交流有一个特别好的特点——你有一个重启按钮，一个巨大的‘回到起点’的按钮，允许你从头再来。这给了你从零开始尝试不同方法的能力，而且各种尝试之间不会互相干扰。一旦有了这种实验和设计不同方案的能力，工程的部分就有了发挥空间。”

优秀提示工程师的关键特质

微调团队负责人Amanda Askell分享了她的观察。在她看来，优秀的提示工程师通常具备三个关键特质。

首先是清晰的沟通能力。能够清楚地陈述问题，准确理解任务，深入思考并描述概念——这属于“写作”的部分。但有趣的是，成为好的写作者与成为好的提示工程师，两者之间的相关性并没有人们想象的那么强。

其次是迭代的能力和意愿。“当我坐下来和模型交流时，15分钟内我可能会发送数百个提示，不断来回测试。这种愿意持续迭代、思考‘这里有什么被误解了？’然后修复的能力，非常重要。”

第三点，也是很多人容易忽略的：要思考提示可能出错的各种方式。如果你有一个要应用在400个案例上的提示，很容易只关注典型情况，确保它在正常场景下工作就结束了。但真正应该做的，是找出那些不寻常的边界情况。举个例子，“我要发送给你一堆数据，希望你提取所有名字以G开头的行”，那么你可以问自己：如果数据集中没有这样的名字怎么办？如果我发送的不是数据集怎么办？如果只发送一个空字符串怎么办？这些都是需要测试的场景，这样你才能了解模型在这些边缘情境下会如何反应，从而给出更详细的指令。

团队成员David补充了一个来自一线的观察：“我经常和工程师客户合作，他们在构建产品时，提示中有一部分是留给用户输入内容的。他们都设想用户会输入格式完美的内容，但现实是，用户输入常常充满错别字、缺乏标点和结构。”

核心技巧：深入阅读模型响应

Zach强调了阅读模型输出的重要性。在机器学习领域，有个老生常谈的告诫：“看看你的数据”。而在提示工程中，对应的原则就是“仔细查看模型输出”——大量阅读输出内容，密切关注它们。

他举了个例子：很多人会在提示中加入“逐步思考”的指令，但他们不会去检查模型是否真的在逐步思考。模型可能以更抽象或一般的方式理解了这个指令，而不是字面上“必须在这些特定标签中写下你的思考过程”。如果不去读模型的输出，甚至可能不会注意到它犯了这个错误。

理解模型心智：理论思维的重要性

Alex指出了提示工程中一个重要的“心智理论”成分：“作为提示工程师，你需要思考模型如何看待你的指令。如果你为企业用例编写提示，还需要考虑用户会如何与模型交流，而你在这种关系中其实是第三方。”

David的补充更深入：“为任务写下指令其实非常困难。你很难在自己大脑中解开所有你知道、但Claude不知道的信息，并写下来。这是一个极具挑战性的任务，需要剥离你所有的假设，才能清晰传达完整的信息。”

“这是区分优秀提示工程师与普通提示工程师的一个重要因素。很多人只会写下他们知道的东西，但并没有花时间系统地分解出理解任务所需的全部信息。我经常看到的一个问题是，人们写的提示过于依赖自己对任务的先验理解。当他们展示给我看时，我会说：‘这没有意义，你写的词没有任何意义，因为我对你的具体用例一无所知。’”

那么，一个好的思考方式是什么？关键看你能不能从自己所知道的事情中退一步，与这个“知道很多但不是全部”的奇怪系统沟通，告诉它需要知道什么才能完成任务。

提示澄清：让模型帮助识别问题

Amanda分享了一个非常实用的技巧：“当我拿到一个初始提示时，做的第一件事是——把提示给模型，然后对它说：‘我不希望你按照这些指令行动，我只想让你告诉我，哪些部分不清楚、有歧义，或者你不理解的地方。’模型不会总是完美理解，但这是一种非常有趣的方法。”

“另外，当模型犯了错误，人们通常不做的一件事是：直接问模型。你可以对它说：‘你做错了，你能想想为什么吗？你能写一个我的指令的修改版本，让你不会再犯同样的错误吗？’很多时候，模型会给出正确答案，它会说：‘哦，是的，这里有不清楚的地方，这是对指令的修正。’你把修正放进去，问题也就解决了。”

临时工类比：一个强大的思维模型

Alex分享了他常用的一个思维实验：“想象一下，你有个任务，雇了一个临时工来做。这个人到了，相当有能力，也了解你的行业等等，但他不知道你们公司的名字。他刚出现，说：‘嘿，我被告知你们有工作要给我做，告诉我是什么。’那么，你会对那个人说什么？”

“有时候我就想，是的，想象这个人刚刚出现，没什么上下文，但他们很能干，理解世界上很多事情。尝试第一个版本，假设他们可能知道关于世界的事情。如果不起作用，再做调整。而通常我第一件尝试的事，就是发现‘这就起作用了’。”

提供“出路”：处理边缘情况

Amanda强调了在提示中给模型提供“出路”的重要性。这是很多人容易忘记的事。对于边缘情况，你必须考虑你希望模型做什么。因为默认情况下，它会像临时工一样，尽最大努力遵循你的指示。

“给它一个出路，也就是回退机制。如果发生了非常意外的输入，给它一些可以做的事情。这样做不仅能提高你的数据质量，因为你会找到所有出错的例子。”

提示工程的发展历程

关于提示工程如何随时间演变，团队成员们分享了一些洞察。

Zach认为：“每当获得一个非常好的提示工程技巧或技术，下一件事就是如何将其训练到模型中。所以，最好的技巧总是短暂的。例如，过去处理数学问题，你必须告诉模型‘逐步思考’，这会带来巨大的提升。然后我们想，‘如果让模型在看到数学问题时，自然地想要逐步思考呢？’所以现在你不再需要为数学问题这样做了。这些技巧消失了，或者在我们还没注意到的时候，就已经被训练掉了。”

Amanda分享了一个有趣的技巧：“当我想让模型学习一种提示技术时，我会直接给它相关论文。我会说：‘这是关于提示技术的论文。我只想让你写下17个这种技术的例子。’然后它就会做到，因为它阅读了论文。人们往往没有这种直觉，他们会想着自己解释技术，而我认为：论文就在那里，模型可以读，照着样子做就行了。”

提示工程的未来趋势

讨论的最后部分聚焦于未来。David从信息论角度提出了一个观点：“你需要提供足够的信息，使得一件事情被指定——即你希望模型做的事情被明确指定。从这个程度上讲，我认为提示工程会永远存在。能够清晰地陈述目标应该是什么，始终很重要。”

“对我自己来说，我发现自己更多地使用模型来写提示。我一直在做的一件事是：通过给模型一些现实的输入来生成例子，模型写下一些答案，我稍微调整一下。这比我从头开始写完美答案容易得多，然后我就可以生成很多这样的例子。”

提示工程的核心：外化你的大脑

Amanda提出了一个深刻的见解，将提示工程比作哲学写作：“哲学写作中有一种风格，基本上是一种‘反废话装置’。你的论文应该对一个受过教育的外行人来说是可理解的。某人只是找到你的论文，拿起来开始阅读，他们就能理解一切。”

“我习惯于在写作时，考虑那个‘受过教育的外行人’——他们很聪明，但对这个主题一无所知。多年来的这种训练，对提示工程非常有帮助。我已经习惯了：有一个受过教育的外行人，他不知道关于这个主题的任何事情。”

“我需要做的，是接受极其复杂的想法，并让他理解。不会居高临下，不会不准确，但要以一种极其清晰的方式表达。提示工程感觉非常相似。”

“所以，这至少是相似的：把你大脑中的事物拿出来，足够地分析它们，使你感觉完全理解它们。你可以把任何一个路人——一个理性的人——把你的大脑外化给他们。我觉得，这就是提示工程的本质。”

结语：持续学习与实验探索

这场深入的讨论揭示了一点：提示工程不只是一项技术技能，更是一种独特的思维方式。随着AI模型的不断发展，方法也在持续演变，但核心始终没变——清晰的沟通，以及对模型思维方式的深刻理解。

无论你是研究者、开发者，还是企业用户，这些来自一线团队的经验都值得借鉴。关键在于持续学习、实验和适应，随着模型能力的提升，不断调整你的提示策略。

最终，提示工程的本质，是把大脑中复杂的想法转化为清晰指令的能力——让AI理解并实现你的意图。这种“外化你的大脑”的能力，将是未来与AI高效协作的关键所在。