深入解析提示工程，掌握与AI高效对话的核心技巧。
核心内容：
1. 提示工程的定义与本质，如何通过迭代优化AI提示
2. 优秀提示工程师的六大核心特质及其重要性
3. 提升提示技能的实用建议与提示工程的未来发展趋势
六个月前，Anthropic发布了一部长达1小时16分钟的深度视频：“AI prompt engineering: A deep dive”。该视频从研究、消费者与企业等多个维度，对提示工程展开了全面探讨。四位经验丰富的嘉宾依次亮相：
Alex (@00:30)：Anthropic的开发者关系负责人，曾担任提示工程师。
David (@00:52)：专注于微调与语言模型应用的客户技术支持专家。
Amanda (@01:10)：微调团队负责人，致力于让Claude更加诚实友善。
Zach (@01:22)：负责提示生成器及教育材料开发的提示工程师。
起初尝试用Gemini提炼核心要点，却发现许多宝贵的细节难以通过这种方式获取，最终我完整地看完了整段视频。
视频中探讨了几个极为清晰且重要的议题：
- 提示工程的本质与定义
- 优秀提示工程师的核心特质
- 与模型的互动方式与信任建立
- 角色扮演的实际必要性
- 提升提示技能的具体建议
- 提示工程的演变与未来走向
提示工程的本质与定义
视频开头探讨了一个耐人寻味的问题：为什么称为“工程”？几位嘉宾通过实例指出，这个“工程”体现在试错与迭代的过程中——通过不断实验和设计来优化提示。他们甚至将提示视为一种“自然语言代码”，但同时也强调，应避免过度抽象，保持任务描述的清晰与直接。
从“工程”的角度理解，就能看出大模型对话对普通用户而言并不友好。大多数用户习惯的是“尝试-评价”模式：用一下觉得好用就用，不好用就放弃。但实际上，与AI沟通更像是一种工程行为，需要你反复调整，直至它的输出逐渐符合你的期望。这一点在DeepSeek刚流行时体现得淋漓尽致。一开始，“深度思考”模式让许多人觉得“我也行”，但随着用户增多，质疑“胡编”的声音也出现了。这其实与大模型本身的机制关系不大——它的生成是一种高级的“算法”，而非基于人类智力的判断、分析与回复。而且这种生成是黑箱行为，需要用户自己判断对错。因此，当有人问我“AI能不能做这个，能不能做那个”时，我的第一反应通常是：你首先得确定自己是否知道该怎么做。
优秀提示工程师的核心特质
关于优秀提示工程师应具备哪些特质，几位嘉宾达成了共识：
- 清晰的沟通能力：能够准确理解并表达任务需求。
- 迭代能力：愿意反复试验，持续改进提示方案。
- 风险意识：能提前预判提示可能出现的问题。
- 深入分析模型输出：从输出中发现漏洞与优化方向。
- 具备“思维理论”：能站在模型角度思考推理过程。
- 剥离自身假设：能完整传达任务所需信息，不预设模型“应该知道”。
这六点再次印证了上一节的结论：AI“能不能做”某件事，主要取决于人“知不知道”如何做。这六点对人的要求极高，也说明“普通人很难用好大模型”这一观点。不过，我们至少可以朝这个方向努力，学会如何与AI进行更高效的对话。
与模型的互动方式与信任建立
在这一点上，Amanda分享了一个非常实用的技巧：遇到错误时，直接问AI：“I don't want you to follow these instructions. I just want you to tell me the ways in which they're unclear or any ambiguities, or anything you don't understand.” 换句话说，你可以让模型自行评估你的提示是否存在问题，以及需要补充什么才能让它更有效。值得注意的是，Amanda坦言自己“从未完全信任过大模型”——即使作为Anthropic的工程师，每次Claude输出后，她都会仔细阅读以确保内容准确。同时她也指出，AI并非万能，要避免陷入“完美提示”的误区，适时放弃那些根本无法解决的问题，才是明智之举。
角色扮演的实际必要性
这一部分的结论颇为意外。Amanda认为，随着模型越来越“智能”，角色扮演的必要性反而越来越低。在她看来，让AI扮演一个角色更像是一种“欺骗”。对于更强大的模型，完全没必要“说谎”，直接清晰地表达意图即可。这给我的启发是：在对话中，应更强调用户的角色，让AI从用户角色的角度来组织输出。举个例子，只要说清楚“我是一个小学生，我的知识背景是这样的”，AI就能根据你的背景来输出内容，而不必让它“扮演一个小学老师”。你只需将AI想象成一个刚到岗的新员工，给它清晰的任务描述和背景信息就够了。
提升提示技能的具体建议
几位工程师共同给出了以下几条实用建议：
- 多研读优秀的提示示例：学习它们的结构与技巧 [51:14]。
- 反复实践：保持好奇心与乐趣，多在“练”中学 [51:55]。
- 把提示交给他人阅读：获取外部反馈，往往能发现自己忽略的问题 [51:55]。
- 尝试让模型完成超出其能力范围的任务：这能帮你更好地理解它的边界 [52:49]。
提示工程的演变与未来走向
这个主题中有一个非常重要的观点：哲学思辨能力在提示工程中具有特殊价值，它能帮助人们清晰地表达复杂概念 [01:14:26]。
这个说法与提示词大神李继刚的观点不谋而合：哲学思想是人类思维的极致压缩。
- 哲学思辨训练人们清晰、准确地表达复杂的想法与概念 [01:14:26]。这与提示工程的核心需求完全吻合——你需要将需求和期望精准传达给模型。
- 哲学思辨强调逻辑与批判性思维，能帮助你更好地分析和理解问题，从而设计出更有效的提示。
- 哲学思辨鼓励抽象思维，这对于理解模型的行为并预测其输出非常有帮助。
- 哲学思辨能帮你更准确地表达想法，避免歧义，从而提高提示的有效性 [01:15:32]。
- 哲学思辨还能帮你定义新概念，并把它传达给模型 [01:13:39]。
Amanda认为，随着模型能力的提升，过去的许多提示技巧可能会失效，但哲学思辨能力依然是提示工程中一种至关重要的底层能力。
最后
以上便是视频的核心内容。在视频结尾，Amanda提到了一个很有意思的概念——“大脑外部化”。我反复听了数遍，才真正理解其含义。它指的是：将你大脑中关于如何解决问题、完成任务的思考过程、知识与策略，清晰地、结构化地表达出来，使其能够被外部系统（也就是大模型）所理解和执行。
你可以这样理解：
清晰地表达思考过程： 你需要将原本可能模糊、直觉式的思考，分解成具体的步骤、规则与约束。就像在教一个不了解情况的人一样，详细说明每一步的原因和目的。
知识的显性化： 你需要将所拥有的相关知识明确表达出来，即使这些知识在你看来是“理所当然”的。模型不具备你所有的背景知识，因此你需要将必要的信息提供给它。
策略的传达： 你需要告诉模型，你希望它采取什么策略来解决问题。是让它一步步推理，还是先进行头脑风暴，或者遵循某个特定框架。
将内在意图转化为外在指令： 你大脑中想要达成的目标和意图，需要被准确翻译成模型能理解和执行的自然语言指令（即提示）。
用一个比喻来说：
想象你是一位经验丰富的厨师，你脑海中有一套完美的菜谱和烹饪技巧。而大型语言模型就像一位刚刚入门的学徒。
- “分析大脑中的想法” 就像你仔细回忆和梳理你的烹饪步骤与技巧。
- “传递给一个受过教育的普通人” 就像你用清晰易懂的语言将菜谱和技巧写下来，确保一个没有你经验的人也能看懂。
- “将你的大脑外部化” 就是你将这套菜谱和技巧变成了一份详细的书面指令，学徒（模型）可以完全按照这份指令做出和你一样美味的菜肴。
在提示工程的语境下，“大脑外部化”意味着你需要将你解决问题的逻辑、所需的知识、期望的输出格式等，都清晰地体现在你的提示中，从而引导模型按照你的意图工作。