在与大型语言模型（LLM）如ChatGPT、文心一言、Gemini等交互时，我们最常使用的工具就是“提示词”（Prompt）。但为什么有的人能轻松让AI生成一篇结构严谨的报告或一段可运行的代码，而有的人得到的却是泛泛而谈、甚至错误的回答？这背后的奥秘就在于对提示词、提示词工程和上下文工程的理解与运用。本文将从零开始，带你全面了解这三个核心概念。

一、什么是提示词（Prompt）？

提示词，简单来说，就是你给AI的“指令”或“问题”。它是用户与模型进行交互的唯一媒介，决定了模型输出内容的范围、质量和方向。

可以把AI模型想象成一个无所不知但需要引导的超级大脑。如果你只是模糊地说“写点关于太阳的东西”，它可能会给你一篇从小学科普到天体物理学的任何内容。但如果你给出一个清晰的提示词：“用通俗易懂的语言，为小学生解释太阳为什么东升西落，字数在200字以内。” 那么AI的输出就会变得聚焦、准确且符合需求。

一个基本的提示词通常包含：

• 任务（Task）： 你希望AI做什么（例如：总结、翻译、编写、分类）。

• 上下文（Context）： 任务相关的背景信息（可选但很重要）。

• 指令（Instruction）： 对输出形式的具体要求（例如：字数、格式、风格）。

• 输入数据（Input Data）： 需要处理的具体内容。

提示词的核心作用是“唤醒”模型内部已有的知识和能力，并将其引导至解决特定问题的方向上。

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的持续交付

二、提示词工程（Prompt Engineering）

仅仅会写提示词还不够，提示词工程是一门系统性地研究、设计和优化提示词，以从大型语言模型中可靠地获得高质量、高相关性输出的学科。它既是“艺术”（需要创造力和语言技巧）也是“科学”（有可遵循的模式和方法论）。

提示词工程的目标是：最大化模型的性能，最小化其输出的不确定性和错误。

常见的提示词工程技术包括：

1. 零样本提示（Zero-Shot Prompting）： 直接给模型一个任务指令，不提供任何示例。依赖模型自身的知识迁移能力。

   • 示例： “将以下英文翻译成中文： 'Prompt Engineering is a critical skill for the AI era.'”

2. 少样本提示（Few-Shot Prompting）： 在指令中提供几个输入-输出的示例，让模型通过示例来学习任务模式。这对于复杂或新颖的任务特别有效。

   • 示例：

     示例1：
     输入： “这部电影太精彩了，演技一流！”
     情感： 正面
     
     输入： “食物很糟糕，服务也不行。”
     情感： 负面
     
     现在请分析：“这个产品物有所值，非常推荐。”
     情感：
     

3. 思维链提示（Chain-of-Thought, CoT）： 要求模型逐步推理，展示出它的思考过程。这对于解决数学、逻辑推理等复杂问题至关重要，能显著提高准确率。

   • 示例： “小明有5个苹果，他给了小红2个，又买了6个。他现在有多少个苹果？请一步步思考。”

4. 角色扮演提示（Role-Playing）： 为模型设定一个特定的角色，使其输出符合该角色的专业背景和语气。

   • 示例： “假设你是一位资深网络安全专家，向一位非技术人员解释什么是网络钓鱼攻击。”

5. 使用分隔符和格式化： 用引号、XML标签、章节标题等清晰地将指令、上下文和输入数据分开，使模型更容易解析你的意图。

   [这里是大段的文章文本]

   ”

   • 示例： “请总结以下文章的主要内容。

掌握提示词工程，意味着你从“AI用户”变成了“AI引导者”。

三、上下文工程（Context Engineering）

如果说提示词工程关注的是“单次对话”的优化，那么上下文工程关注的则是“整个会话”的战略管理。它指的是在多轮对话中，有意识地构建、管理和利用对话历史（即上下文窗口），来维持对话的一致性、深度和准确性。

LLM的短期记忆存在于它的上下文窗口（通常以token数量衡量）中。窗口内的所有历史对话信息，模型都会记得并用来理解后续的问题。

上下文工程的关键策略：

1. 主动提供上下文： 在开启一个新话题时，主动将必要的背景信息输入给模型，避免它基于错误的假设生成内容。

2. 总结与提炼： 当对话历史非常长时，可以指令模型对之前的讨论进行总结，然后将这个总结作为新的上下文，从而节省token并聚焦核心信息。

3. 纠正与更新： 如果模型之前出了错，在后续对话中指正它。模型会参考这个纠正信息来调整后续的输出，确保对话朝正确的方向发展。

4. 管理对话状态： 在复杂的应用中（如AI代理），需要精心设计上下文结构，记录用户偏好、会话目标、已完成步骤等，确保多轮交互的连贯性。

示例：

• 第一轮： 用户：“我想去旅游，推荐一些地方。” -> AI推荐了巴黎、东京。

• 第二轮： 用户：“我的预算是1万元人民币。” -> （AI会结合“旅游”和“1万预算”这两个上下文，重新推荐符合预算的目的地，如国内或东南亚城市）。

• 第三轮： 用户：“我喜欢有历史古迹的地方。” -> （AI会结合“旅游”、“1万预算”、“历史古迹”三个上下文，推荐如西安、京都等地）。

如果没有有效管理上下文，模型可能会忘记之前的对话内容，导致每一轮都像是在重新开始。

总结与对比

结论：

在AI时代，有效地与模型协作已成为一项关键技能。提示词是发起交互的敲门砖，提示词工程是精进单个问题质量的工具箱，而上下文工程则是掌控整个对话方向和深度的战略地图。从掌握基础提示词开始，逐步学习工程技巧，并有意识地管理对话上下文，你将能真正释放大型语言模型的巨大潜力，将其变为你工作中无所不能的强大助手。

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的持续交付https://ceshiren.com/t/topic/34328