这是一份来自谷歌内部的白皮书深度解读，没有华丽包装，全是硬核干货。如果你还在使用“请帮我写一篇关于XX的文章”这类初级提示词，那么你真的需要了解大厂是如何系统化玩转 Prompt Engineering 的。
为什么 Prompt Engineering 如此重要？
要理解 Prompt 的强大之处，首先需要认清大语言模型的本质——它并非神奇的魔法黑箱，本质上只是一个高级预测引擎。当你输入一段文本，它会在自身庞大的训练数据中搜索，预测下一个最可能出现的词（准确说是 token）。然后把这个预测的词拼接回去，继续预测下一个，如此循环往复。
你编写的 Prompt，就是为这个预测引擎设定初始方向和操控杆——就像给一位不谙世事的天才学徒布置任务，你说得越清晰、越巧妙，他的表现就越出色。模糊的指令只会换来平庸甚至离谱的结果。
因此，Prompt Engineering 并非玄学，而是一门精准引导预测引擎的技术。虽然人人都能写 Prompt，但要想稳定获得高质量输出，就必须理解其背后的机制——结合具体的参数与技巧，才能真正做到得心应手。
控制 LLM 输出：你需要掌握的“调节旋钮”
直接调用 API 或使用 Vertex AI 等平台时，你会发现许多可调参数。这些参数就像控制模型行为的旋钮，理解它们能让你事半功倍：
- 输出长度（Max Tokens）：该参数限制了模型最多能生成多少个 token。注意，它并不会让模型变得简洁——达到上限后就会强行截断。设置太短会导致话没说完，设置太长不仅浪费 token、增加延迟，还可能让模型在任务完成后继续输出无意义的“填充词”。
- 温度（Temperature）：控制输出的随机性。低温度（比如接近 0）时，模型更倾向于选择概率最高的词，输出稳定、确定，适合事实类、固定答案的任务。高温度（比如接近 1）时，模型会考虑更多选项，输出更多样化、更有“创意”，但也可能更离谱。极端温度设置（过高或过低）都可能导致输出陷入循环。
- Top-K 与 Top-P：这两者都用于从概率最高的词中挑选候选。Top-K 只考虑概率排名前 K 的词。Top-P（Nucleus Sampling）则选择累加概率达到 P 的词。它们都能调节输出的多样性与随机性。通常会搭配使用：先用 Top-K 和 Top-P 筛选候选词，再用温度从中采样。
关键在于这些参数会相互影响——极端设置某个参数，可能让其他参数失效（例如温度=0 时，Top-K/P 就无关紧要了）。没有通用方案，需要根据任务反复实验调整。想要稳定结果？试试低温度。想要创意？调高温度、K 和 P。
核心 Prompting 技术：从入门到进阶的“招式”
掌握了基本原理和参数后，接下来就是实战技术了。掌握这些技巧，能显著提升你与 LLM 的协作效率：
- 零样本（Zero-shot）：直接描述任务或提问，不提供任何示例。例如：“将这段话分类为正面、中性或负面”。适合简单任务或能力足够强的模型。
- 少样本（Few-shot / One-shot）：提供一到几个示例，展示期望的输入输出格式。就像教小孩——光说不如做给他看。模型会模仿示例来完成任务。示例要高质量、多样化，甚至要考虑边界情况。
- 角色/系统/上下文提示：
- 角色提示：让模型扮演特定角色，例如“你现在是一位经验丰富的 Python 程序员”，有效设定语气、风格和知识范围。
- 系统提示：给出明确的指令或规则，例如“回答必须是 JSON 格式”、“语言风格要幽默”。
- 上下文提示：提供与任务相关的背景信息，例如“你在为 Niche 网站撰写关于 80 年代复古街机游戏的文章”。
- 这三者经常结合使用，共同精确地指导模型。
- 思维链（Chain of Thought, CoT）：处理复杂推理任务的利器。与其直接要答案，不如让它“一步一步地思考”。模型会先输出推理过程，再给出最终答案——对数学题、逻辑题特别有效。结合少样本思维链效果更佳。
- 自洽性（Self-consistency）：思维链的进阶版。对同一问题，用较高的温度生成多条不同的推理路径，然后统计哪个最终答案出现次数最多——类似“集体投票”，通过多次采样提升结果的稳定性，尤其适用于推理路径不唯一的情况。
- 退一步提示（Step-back Prompting）：遇到复杂问题时，先不直接问，而是让模型思考一个更泛化或更高层次的原则，再把这个“退一步”的见解作为上下文去回答原问题。这能激活模型更深层的知识。
- ReAct（Reason & Act）：不仅让模型思考，还能“行动”——调用外部工具，例如网络搜索或运行代码。模型会生成思考过程和下一步动作，执行后得到观察结果，再继续思考行动，形成循环。这是构建强大 Agent 的基础。
- 代码提示（Code Prompting）：写代码、解释代码、翻译代码、调试代码——将代码相关任务直接交给模型即可。
成为 Prompt 高手的最佳实践（浓缩版）
信息量有点大？别急，记住以下核心原则，在实践中不断体会：
- 示例为王：少样本提示通常优于零样本。清晰的例子是最好的老师。
- 简洁清晰：Prompt 语言要直接、明确，避免歧义。多用动词明确指示。
- 具体化输出要求：不要只说“写个博客”，要说“写一个三段博客，主题是排名前五的游戏主机，信息丰富且吸引人”。明确长度、格式、风格、内容要点。
- 指令优于约束：尽量告诉模型“要做什么”，而不是“不要做什么”。正面指令通常比负面约束更有效。
安全或格式约束除外。 - 控制输出格式：对于提取信息、分类等任务，要求输出 JSON 或 XML 等结构化格式更稳定可靠，还能减少幻觉。注意处理可能的截断。
- 迭代与文档化：Prompt Engineering 是一门实验科学。详细记录每次尝试（模型、参数、完整 Prompt、输出、评估结果）。这不仅能帮你复盘，也是在不同模型版本间保持一致性的关键。推荐使用表格记录。
结语
谷歌这份白皮书，与其说是指南，不如说是一套思维框架和工具箱。有效的 Prompt Engineering 并非一日之功——它需要你理解模型的工作原理，掌握各种引导技巧，并通过大量实践和迭代去打磨。
这里每一项技术、每一条最佳实践，都蕴含着提升 AI 协作效率的巨大潜力。收藏起来，时不时翻出来看看，结合自己的场景去尝试。掌握这门手艺，无论你是想提升工作效率，还是探索新的 AI 应用机会，都将受益匪浅。