核心内容摘要
精工厂：匠心铸就非凡，精密制造工艺创新传承
提示词工程是系统性设计优化AI模型输入的学科包含直接提示、链式提示、图谱提示等多种类型。
即使推理型大模型发展提示词工程价值不减从指令拆分向目标导向转型并发展出元提示、多模型协作等高级技巧。
提示词工程作为人机协作的翻译器和效率杠杆其
核心价值从弥补模型能力短板转向释放模型潜力上限。
什么是提示词工程提示词Prompt是指在使用大语言模型时用户向模型提供的输入用于引导模型生成特定类型、主题或格式的文本输出。
这种输入可以是一个问题、一个描述、一组关键词或上下文信息提示词工程Prompt Engineering是一门系统性学科涵盖提示词的设计、优化、上下文管理以及与大模型交互的策略。
例如• 格式设计确定指令结构如分步骤、关键词引导• 内容优化通过迭代测试调整措辞提升准确性• 上下文整合利用历史对话或外部知识增强逻辑连贯性。
通过设计和优化输入提示prompt的过程以引导模型生成预期的输出或行为。
它涉及到编写高效、准确的提示词**以确保AI模型能够准确、高效地执行用户的指令**帮助用户将大型语言模型用于各种应用场景和研究领域。
Prompt不仅仅是简单地构造输入文本更是涉及到对模型行为的深入理解以及对各种影响因素的综合考量。
通过不断地实验、优化提示工程师能够设计出最适合特定任务和场景的提示引导大语言模型生成精准、富有洞察力的输出。
这是一个迭代的过程需要不断地调整和改进提示以适应不同的需求和模型特性。
为什么需要Prompt大语言模型LLM本身已具备极高的性能与复杂性但还有很大潜力需要挖掘。
Prompt如同钥匙一般能够精确引导模型生成特定需求的输出。
调整Prompt实际上就是在改变我们与模型交流的语言和方式这种变化往往能带来出乎意料的输出效果差异。
更重要的是这一过程无需微调模型修改参数只需在外部灵活调整提示词输入。
Prompt的核心要素包括明确的任务指示、相关上下文、示例参考、用户输入以及具体的输出要求。
• 指示Instructions想要模型执行的特定任务或指令。
• 上下文Context包含外部信息或额外的上下文信息引导语言模型更好地响应。
• 例子Examples通过给出具体示例来展示期望的输出格式或风格。
• 输入Input用户输入的内容或问题。
• 输出Output指定输出的类型或格式。
推理大模型的发展下未来是否还需要提示词工程尽管推理型大模型如DeepSeek-R1具备更强的自主推理能力但提示词工程的价值并未减弱反而迎来以下转型1从“指令拆分”到“目标导向”• 传统指令型模型需明确步骤如“先分析市场再制定策略”依赖CoT思维链提示。
• 推理型模型只需提供目标和背景如“为环保电商设计市场进入策略”模型自主推导路径。
案例• 差提示“分三步分析特斯拉财报风险”→ 限制模型创造力• 优提示“分析特斯拉2023年财报隐含风险考虑市场、供应链和政策”→ 激发模型深度关联能力。
2高级提示技巧的进化•元提示Meta-Prompting让模型自我优化提示词如“请优化以下提示词以更好完成XX任务”• 提示词缓存Prompt Caching在长上下文场景中复用已验证的高效提示降低计算成本• 多模型协作结合推理型模型创造性任务与指令型模型稳定性任务通过提示工程实现优势互补。
3业务落地的关键保障• 精准性需求医疗、金融等领域需严格规避“幻觉”依赖提示工程约束输出逻辑如“引用最新医学指南”• 经济性考量通过提示优化减少API调用次数如用RAG检索增强减少模型计算量。
提示词的分类以下是提示词工程的类型及其示例的思维导图
不同类型提示词详解接下来我将一个类型一个类型地进行介绍
1 直接提示
Zero-Shot零样本提示定义零样本提示是指直接给模型一个任务不提供任何示例让模型直接生成答案。
原理利用模型的泛化能力理解新任务。
优势无需准备大量的训练数据节省时间和资源。
适用场景适用于模型已经具备一定知识储备的任务如常识问答、简单推理等。
示例提示词请解释什么是人工智能。
输出人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
Few-Shot少样本提示定义少样本提示是给模型提供少量的示例帮助模型理解任务的要求从而更好地生成答案。
原理通过模式模仿降低任务模糊性。
关键要素示例的质量和相关性对结果影响较大。
适用场景适用于需要一定上下文理解或特定格式输出的任务如文本分类、句子改写等。
示例提示词 请将以下句子翻译成英文 示例1好的我来试试。
→ Okay, I’ll give it a shot. 示例2这很简单。
→ This is very simple. 请将“我今天很高兴”翻译成英文。
输出I am very happy today.
Act/ReAct行动与反思定义ReAct将推理与行动结合在一起利用LLMs解决各种语言推理和决策任务。
原理通过交替生成与任务相关的口头推理轨迹和行动使模型能够执行动态推理以构建和修改行动的高层计划。
适用场景适用于需要动态推理和决策的任务如复杂问题解决、多步骤任务执行等。
示例提示词请解决以下问题并展示你的推理过程和行动。
问题小明有10元钱他想买一支笔和一个笔记本。
笔的价格是3元笔记本的价格是7元。
他能买下这两样东西吗输出 首先我需要计算小明购买这两样东西所需的总金额3元 7元 10元。
然后我比较小明的钱和所需总金额10元 10元。
最后得出结论小明能买下这两样东西。
2 链式提示
CoT思维链Chain of Thought定义COT提示是引导模型逐步进行推理将复杂问题分解成多个中间步骤模拟人类的推理过程。
原理通过让模型展示其推理过程提高多步推理和逻辑分析类任务的表现。
适用场景适用于需要复杂推理的任务如数学问题解决、逻辑推理等。
示例提示词这组数中的奇数加起来是偶数
4、
8、
9、
15、
12、
1。
让我们逐步思考。
输出 首先找出所有的奇数
9、
1。
然后将它们相加9 15 1 25。
最后判断25是否为偶数结果是False。
ToT思维树Tree of Thought定义ToT是一种基于树状分支结构的推理框架允许模型同时探索多种可能的解决方案路径并通过动态评估和择优选择最终答案。
其核心是模拟人类多路径思考与决策过程结合搜索算法如深度优先搜索DFS、广度优先搜索BFS和评估机制解决复杂问题。
原理多路径生成将问题分解为多个中间步骤每个步骤生成多个候选方案如数学问题的不同解法或战略规划的不同路径。
动态评估与筛选通过自评分或外部工具验证路径可行性保留高价值分支并剪枝低效路径。
搜索与收敛利用树状结构管理和回溯路径最终收敛到最优解。
适用场景• 需要战略规划或创造性发散的任务如数独解谜、战略决策、创意写作。
• 高不确定性场景例如复杂游戏策略围棋、国际象棋、多因素影响的商业决策。
示例提示词解决以下数独问题5 3 0 | 0 7 0 | 0 0 06 0 0 | 1 9 5 | 0 0 00 9 8 | 0 0 0 | 0 6 0------±-----±-----8 0 0 | 0 6 0 | 0 0 34 0 0 | 8 0 3 | 0 0 17 0 0 | 0 2 0 | 0 0 6------±-----±-----0 6 0 | 0 0 0 | 2 8 00 0 0 | 4 1 9 | 0 0 50 0 0 | 0 8 0 | 0 7 9请按以下步骤思考列出所有可能的数字填充候选。
评估候选是否导致矛盾。
选择最合理的路径继续填充。
输出步骤1在第一行空缺处列4候选数字为
1、
4。
步骤2若填入1则第三行出现重复数字填入2则无矛盾。
步骤3继续填充下一空缺重复评估逻辑直至完成。
Reflexion自我反思定义Reflexion是一种通过自我验证与外部反馈结合的迭代优化机制模型在生成初步答案后利用批判性评估修正错误最终输出高可靠性结果。
其本质是强化学习框架结合环境反馈与内部推理。
原理
生成-评估闭环初步输出基于任务生成初始答案如代码、法律条文草案。
多维度评估检查逻辑漏洞如代码语法错误、事实矛盾如法律条文与现有法规冲突。
迭代修正根据评估结果调整输出可能涉及多轮优化。
外部工具整合调用编译器、数据库等验证答案可行性如执行代码检查报错。
适用场景高精度要求的修正任务如代码Debug、法律文书修订、学术论文逻辑校验。
动态环境下的决策例如实时数据分析纠偏、机器人动作路径优化。
示例提示词请编写一个Python函数计算斐波那契数列的第n项并确保处理边界条件。
输出迭代过程
初始答案Python def fibonacci(n): if n 1: return n else: return fibonacci(n-
fibonacci(n-
2)
评估问题1递归效率低n较大时栈溢出。
问题2未处理n为负数的情况。
修正后答案Python def fibonacci(n): if n 0: raise ValueError(“n必须为非负整数”) a, b 0, 1 for _ in range(n): a, b b, a b return a
3 生成类提示
LTMLeast-to-Most最少到最多提示定义LTM提示是一种策略通过从简单到复杂的方式引导模型先解决简单的问题再逐步增加难度。
策略帮助模型逐步建立对任务的理解提高解决复杂问题的能力。
适用场景适用于需要逐步引导模型理解任务的场景如复杂文本生成、多步骤推理等。
示例提示词 第一步请列出三个水果的名称。
输出苹果、香蕉、橙子。
第二步请描述苹果的外观特征。
输出苹果通常是红色或绿色的形状呈圆形表面光滑。
第三步请根据以上信息写一段关于苹果的描述。
输出苹果是一种常见的水果通常呈红色或绿色形状为圆形表面光滑。
它不仅美味可口而且富含营养。
Generate Knowledge知识生成定义Generate Knowledge 要求模型在回答问题时先生成与任务相关的知识片段如事实、规则、原理等再基于这些知识生成最终答案。
其核心是通过预先生成的结构化知识提升模型在复杂推理任务中的准确性和逻辑性。
原理
知识生成模型根据任务需求生成相关背景知识例如科学原理、行业规则或程序性步骤形成辅助推理的信息库。
知识整合将生成的知识片段与问题结合引导模型基于知识库进行逻辑推理和答案生成。
置信度筛选通过评估生成知识的可靠性如模型自评分或外部验证选择高置信度知识用于最终决策。
适用场景•需要背景知识支撑的任务如科学问题解答、技术文档撰写、法律条文分析。
•常识推理类任务例如解释物理现象、验证历史事件因果关系。
示例提示词量子计算的核心原理是什么请先列出三大原理再解释其应用场景。
输出生成的知识
量子叠加Qubit可同时处于0和1状态
量子纠缠粒子状态相互关联
量子隧穿粒子穿越势垒应用场景
量子加密通信利用纠缠特性
药物分子模拟依赖叠加加速计算
Automatic Prompt Engineer自动提示定义Automatic Prompt EngineerAPE是一种通过模型自动生成、测试和优化提示词的框架利用搜索算法如贝叶斯优化和模型自反馈替代人工设计提示词的过程。
原理
候选生成由模型生成多种候选提示词如通过逆向推理或任务示例填充模板。
动态评估基于任务执行结果如准确率或模型对数概率评分筛选最优提示词。
迭代优化采用蒙特卡洛搜索或多臂老虎机算法在优质提示词附近生成语义变体并重复评估直至收敛。
适用场景•大规模提示词优化如企业级AI客服系统需快速适配多场景提示模板。
•跨模型适配需为不同LLM如GPT-
Claude自动生成适配指令。
示例提示词优化流程
初始指令请解释机器学习中的过拟合现象。
APE生成候选“分步骤解释过拟合的定义、成因及解决方案。
” “用比喻说明过拟合并对比训练集与测试集表现。
”
最优选择Plain Text 评估后选择“过拟合指模型在训练集表现优异但测试集差。
成因包括数据量不足或模型复杂度过高可通过交叉验证或正则化解决。
”
4 图谱提示
知识图谱引导定义知识图谱引导是一种通过结构化知识库如三元组、实体关系网络为模型提供背景知识辅助其进行深度语义推理的提示工程技术。
其核心是将知识图谱中的实体、关系、属性等结构化信息与问题结合增强模型对复杂逻辑和隐性关联的理解能力。
原理
知识注入将知识图谱中的实体、关系、属性等结构化信息嵌入提示词为模型提供明确的语义关联和领域背景。
路径推理基于知识图谱的图结构引导模型沿实体关系路径进行多跳推理如从“贾宝玉”到“贾母”再到“家族权力结构”。
动态筛选结合知识图谱的图神经网络GNN技术对候选推理路径进行权重评估优先选择高置信度路径适用场景需要深度语义关联的任务如文学分析、法律案件推演、医疗诊断。
跨领域知识融合例如金融风控结合企业图谱与供应链数据、跨学科研究如历史事件与地理数据联动。
示例提示词分析《红楼梦》中贾宝玉与林黛玉的关系结合家族背景和事件线索生成人物关系图及关键事件影响分析。
输出知识图谱构建实体贾宝玉荣国府继承人、林黛玉姑苏林家嫡女、贾母家族权力核心关系贾宝玉与林黛玉为表兄妹血缘关系贾母偏袒宝玉权力影响黛玉寄居荣国府社会地位差异关键事件推理元妃省亲事件贾府地位提升→宝玉婚姻选择受政治影响→宝黛爱情受阻黛玉葬花性格孤傲→与家族利益冲突→人际关系边缘化关系可视化生成包含人物情感线、权力层级的事件影响图谱。
实体关系引导推理定义实体关系引导推理是通过显式定义实体间的关联规则如因果关系、时空关联约束模型的推理方向解决高复杂度问题的方法。
其特点是利用关系网络缩小搜索空间提升推理效率。
原理1关系建模定义实体间关系类型如“导致”“属于”“反对”构建关系约束矩阵。
2规则驱动通过预置逻辑规则如“若A导致B则B发生时间晚于A”限制无效推理分支。
3动态剪枝基于关系权重实时淘汰低相关性路径如供应链中断分析中剔除无关企业节点适用场景•多实体交互的复杂系统如供应链风险预测、法律案件证据链分析。
• 时序依赖强的问题例如流行病传播路径推演、历史事件因果关系验证。
示例提示词某企业供应链因台风中断请基于实体关系分析潜在风险链实体供应商A芯片、物流公司B、港口C关系A依赖B运输、B使用港口C、台风影响C运营输出一级影响港口C停运→物流公司B无法交货→供应商A库存耗尽3天内二级扩散替代路径分析若B切换至港口D需评估D容量与海关效率长尾风险A客户转单竞品→市场份额永久性流失决策建议优先启用应急仓库库存并与物流公司B协商空运方案。
5 集成式提示
RAG检索增强生成定义RAGRetrieval-Augmented Generation是一种通过结合外部知识库检索与生成模型的技术框架旨在提升生成内容的准确性和可信度。
其核心是通过检索实时、动态的外部知识弥补大模型训练数据局限性和时效性问题。
原理1检索-增强-生成闭环**• 检索阶段**利用向量数据库对用户查询进行语义编码通过相似度匹配从知识库中召回相关文本片段如文档、图表描述等。
**• 增强阶段**将检索结果与原始查询结合构建包含上下文信息的提示词模板如“根据以下资料回答…”。
**• 生成阶段**大模型基于增强后的上下文生成答案并验证答案与检索内容的一致性减少“幻觉”风险。
3技术融合• 结合文本清洗、向量嵌入Embedding和索引优化技术提升检索质量• 支持动态知识更新无需重新训练模型即可适配新数据。
适用场景•高精度需求场景法律条文分析、医疗诊断辅助需引用最新医学指南•私有化数据应用企业内部知识库问答如财务报告解读•实时信息处理新闻事件摘要生成、股票市场趋势预测。
示例提示词根据公司2024年财报数据分析新能源汽车业务的市场份额变化趋势。
输出流程检索从企业数据库召回2024年销量、竞品分析、行业白皮书等文档增强构建提示词“根据《2024年新能源汽车市场报告》Q3特斯拉占比22%…请分析市场份额变化”生成输出结构化分析“2024年Q3公司新能源车市占率提升至18%同比5%主要得益于东南亚市场扩张但面临特斯拉价格战的竞争压力。
”
多模态提示定义多模态提示是通过融合文本、图像、音频等多种输入形式引导模型生成跨模态关联内容的技术。
其本质是模拟人类多感官协同认知提升复杂任务的解决能力。
原理特征对齐与融合•跨模态编码使用CLIP等模型将图像/音频编码为与文本对齐的向量空间•联合表示学习通过注意力机制整合多模态特征如将产品图与文案关键词关联。
动态交互机制• 支持时序对齐如视频帧与语音解说同步和空间关联如图像区域与文本描述映射。
适用场景•创意内容生成广告文案配乐建议如运动鞋宣传片搭配电子音乐•工业质检辅助结合产品缺陷图片生成维修方案文本•教育交互根据历史事件地图生成讲解音频与互动问答。
示例提示词参考这张智能手表产品图图略写一段电商文案并建议配乐风格。
输出
多模态解析图像特征圆形表盘、钛金属表带、健康数据屏显文本关键词科技感、运动场景、精准监测。
文案生成“全新XX智能手表钛金属机身诠释硬核美学24小时心率血氧监测精准如医疗级设备。
跑步时实时轨迹映射与配速分析让你掌控每一公里。
”
配乐建议风格电子音乐科技感 环境音效森林风声增强户外联想。
未来提示词工程的核心方向1从“人工设计”到“自动化优化”• 自动提示工程APE利用模型生成候选提示词并通过A/B测试筛选最优方案如谷歌OPRO框架提升数学题准确率
4%动态知识注入结合知识图谱或实时数据库实现提示词与外部信息的联动更新。
2跨模态与场景适配• 多模态提示融合图像、语音等输入如“根据产品图写文案并建议配乐”需设计跨模态对齐机制• 行业专用模板针对电商、法律等场景开发标准化提示库如跨境文案优化模板。
总之提示词是“工具”提示词工程是“使用工具的方法论”。
即使推理型大模型普及提示词工程仍将作为人机协作的“翻译器”和“效率杠杆”存在其
核心价值从“弥补模型能力短板”转向“释放模型潜力上限”。
那么如何系统的去学习大模型LLM到2026年大型语言模型将不再是“实验性工具”而将成为核心基础设施。
过去三年大型语言模型LLM已从研究实验室走向生产系统为客户支持、搜索、分析、编码助手、医疗保健工作流程、金融和教育等领域提供支持。
但在这股热潮背后一些重要的事情正在发生企业不再招聘“人工智能爱好者”而是招聘大语言模型LLM工程师。
在2026年迅速成为排名前五的科技职业之一。
我在一线互联网企业工作十余年里指导过不少同行后辈。
帮助很多人得到了学习和成长。
为了让大家不浪费时间踩坑2026 年最新 AI 大模型全套学习资料已整理完毕不管你是想入门的小白还是想转型的传统程序员这份资料都能帮你少走 90% 的弯路这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】下面是我整理的大模型学习资源希望能帮到你。
扫码免费领取全部内容大模型资料包分享
AI大模型学习路线图含视频解说
从入门到精通的全套视频教程
学习电子书籍和技术文档
AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。
各大厂大模型面试题目详解【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】
大模型项目实战配套源码适用人群扫码免费领取全部内容
这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。
本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】