当提示工程遇见气候变化预测：让AI学会“读懂”地球的“生命体征”

关键词

提示工程、气候变化预测、多模态AI、因果推理、数据融合、模型可解释性、地球系统科学

摘要

气候变化不是遥远的“未来式”——2023年欧洲夏季高温突破45℃，2024年中国华南暴雨引发洪灾，北极海冰面积创历史新低……这些极端事件的背后，是地球系统“代谢紊乱”的信号。传统气候变化预测依赖数值模型（如CMIP6），但面临计算成本高、数据融合难、因果解释弱的痛点。而AI（尤其是大语言模型）的出现，为解决这些问题提供了新工具——但AI不是“魔法盒”，它需要**精准的“指令”**才能理解地球的复杂逻辑。

这篇文章将带你走进“提示工程×气候变化预测”的交叉领域：

• 为什么说提示工程是连接AI与地球科学的“翻译器”？
• 如何用提示让AI整合卫星遥感、气象站、碳排放等多源数据？
• 怎样通过提示让AI从“关联分析”升级为“因果推理”（比如区分“碳排放→气温上升”还是“气温上升→碳排放增加”）？
• 真实案例：用提示工程优化极端降水预测，准确率提升30%的秘密是什么？

我们将用“给AI写‘地球体检指南’”的类比，把复杂的技术问题转化为生活化的思考，最终告诉你：提示工程不是“调参游戏”，而是让AI学会“用地球的语言思考”。

---

一、背景介绍：气候变化预测的“痛点”与AI的“潜力”

1.1 为什么气候变化预测如此重要？

想象一下：如果你是城市规划者，需要知道未来20年城市内涝的频率，才能决定是否要升级排水系统；如果你是农民，需要知道未来10年的降水趋势，才能选择种植耐旱作物；如果你是政策制定者，需要知道“碳排放减少10%能让气温上升幅度降低多少”，才能制定碳达峰目标——气候变化预测不是“算命”，而是人类应对风险的“指南针”。

根据IPCC（联合国政府间气候变化专门委员会）的报告，全球平均气温已经比工业化前升高了1.1℃，如果不采取行动，2050年前可能突破1.5℃的“安全阈值”。但传统预测方法（如数值气候模型）面临三大瓶颈：

• 计算成本极高：数值模型需要模拟大气、海洋、陆地等多个圈层的物理过程，运行一次百年预测需要超级计算机连续计算数周；
• 数据融合困难：地球数据是“多源异构”的——卫星遥感的植被指数（NDVI）是图像，气象站的气温是时间序列，碳排放数据是表格，这些数据的时空分辨率、语义含义都不统一；
• 因果解释薄弱：数值模型能给出“气温会上升2℃”的结果，但无法说清“是哪些因素导致的”，而政策制定者需要的是“可归因”的结论（比如“70%的升温来自化石燃料排放”）。

1.2 AI能解决这些问题吗？

AI（尤其是大语言模型LLM和多模态模型）的优势恰恰击中了传统方法的痛点：

• 高效处理多源数据：LLM能理解文本、表格、图像等多种数据类型，比如把卫星图像中的冰川面积变化与气象站的气温数据关联起来；
• 强大的模式识别能力：AI能从海量数据中发现人类难以察觉的规律，比如“某地区的城市化率每增加5%，暴雨频率上升10%”；
• 可解释性潜力：通过提示工程，AI能生成“为什么会这样”的自然语言解释，比如“这次暴雨的原因是厄尔尼诺带来的暖湿气流，加上城市热岛效应增强了对流”。

但AI的“能力边界”取决于你如何给它指令——如果说AI是“地球医生”，那么提示工程就是“诊断手册”：写得越清晰、越符合领域逻辑，AI的诊断结果就越准确。

1.3 核心挑战：让AI“理解”地球系统的复杂性

地球是一个高度耦合的复杂系统：大气环流影响海洋温度，海洋温度影响台风生成，台风生成影响陆地降水，降水又影响植被生长——所有环节环环相扣。要让AI预测气候变化，必须解决三个核心问题：

1. 如何让AI“对齐”多源数据的语义？（比如卫星的“NDVI=0.3”对应“植被覆盖中等”，气象站的“气温=25℃”对应“舒适”，AI需要知道这些数据的“地球意义”）；
2. 如何让AI从“关联”走向“因果”？（比如“冰淇淋销量上升”和“溺水人数增加”相关，但真正的原因是“气温升高”，AI需要区分“相关”和“因果”）；
3. 如何让AI的预测“可解释”？（比如AI说“未来10年干旱频率增加20%”，必须说明“是因为降水减少15%还是蒸发增加10%”）。

而提示工程，正是解决这些问题的关键工具。

---

二、核心概念解析：用“地球体检”类比提示工程

2.1 提示工程是什么？——给AI的“任务说明书”

假设你要让医生给你做体检，你会怎么说？

• 坏例子：“帮我检查一下身体。”（太笼统，医生不知道要查什么）；
• 好例子：“我最近经常咳嗽，想检查肺部CT、血常规，还要看看有没有过敏性鼻炎的问题。”（具体、有针对性）。

提示工程的本质，就是给AI写“好的任务说明书”——用清晰、结构化的指令，告诉AI“要做什么”“怎么做”“输出什么”。

在气候变化预测中，一个“好的提示”需要包含三个要素：

1. 数据上下文：告诉AI你有哪些数据（比如“2000-2020年的卫星NDVI数据、气象站月均温数据、工业碳排放数据”）；
2. 任务逻辑：告诉AI要执行的步骤（比如“先对齐数据的时空分辨率，再计算相关性，最后做因果推理”）；
3. 输出要求：告诉AI要生成什么结果（比如“生成因果路径图、相关性热力图”）。

2.2 气候变化预测的“核心逻辑”——地球系统的“代谢循环”

要设计有效的提示，必须先理解地球系统的“底层逻辑”。我们可以把地球比作一个“生命体”，它的“代谢循环”由四个圈层组成：

• 大气圈：负责热量和水汽的传输（比如台风、季风）；
• 水圈：包括海洋、河流、冰川，调节全球温度（比如海洋吸收了90%的多余热量）；
• 岩石圈：包括地形、土壤，影响降水分布（比如迎风坡降水多）；
• 生物圈：包括植被、动物，影响碳循环（比如森林吸收CO₂）。

这四个圈层的交互，就是气候变化的“驱动引擎”。比如：

1. 人类燃烧化石燃料→大气中CO₂增加→温室效应增强→气温上升→冰川融化→海平面上升→沿海地区被淹没。

AI要预测气候变化，必须“理解”这个链条——而提示工程的作用，就是把这个链条“翻译”成AI能理解的指令。

2.3 提示工程与地球系统的“连接方式”——Mermaid流程图

我们用Mermaid流程图展示提示工程如何连接多源数据与AI模型：

这个流程的核心是**“提示引导AI模拟地球系统的逻辑”**：

• 语义对齐：让AI知道“卫星NDVI=0.8”意味着“茂密森林”，“气温=30℃”意味着“高温”；
• 任务拆解：让AI按照“先处理数据→再分析关联→最后找因果”的步骤执行；
• 因果指导：让AI区分“因”和“果”（比如“碳排放增加是因，气温上升是果”）。

---

三、技术原理与实现：如何设计“地球友好型”提示？

3.1 提示设计的三大策略——从“模糊”到“精准”

要让AI理解地球系统，提示设计需要遵循三个策略：结构化指令、领域知识注入、因果引导。

策略1：结构化指令——给AI“列清单”

地球数据的复杂性要求提示必须“结构化”。比如，要让AI处理“冰川融化预测”，你可以这样写提示：

数据说明：

• 卫星数据：2000-2023年的 Landsat 冰川面积数据（空间分辨率30m，每年1次）；
• 气象数据：2000-2023年的 ERA5 月均温、月降水量（空间分辨率1km）；
• 人文数据：2000-2023年的区域人口密度（每平方公里人数）。
  任务步骤：

1. 时空对齐：将卫星冰川数据的空间分辨率重采样到1km（与气象数据一致），时间分辨率统一为每年（取每年12月的冰川面积）；
2. 特征计算：计算每年的冰川面积变化率（Δ面积/去年面积）、年均温变化率（Δ温度/去年温度）、降水变化率（Δ降水/去年降水）；
3. 关联分析：计算冰川面积变化率与气温、降水变化率的Spearman相关系数；
4. 因果推理：使用Do-Calculus（因果干预）分析“如果气温上升1℃，冰川面积会减少多少？”
   输出要求：

• 生成对齐后的数据集（包含年份、冰川面积、年均温、降水量、人口密度）；
• 绘制冰川面积变化率与气温变化率的散点图（回归线标注斜率）；
• 用自然语言解释“气温对冰川融化的贡献占比”。

这种结构化提示的好处是：AI不会“遗漏步骤”，也不会“误解任务”。

策略2：领域知识注入——给AI“补地球课”

AI没有“地球科学常识”，比如它不知道“冰川融化的主要原因是气温上升，而不是降水减少”（因为降水可能以雪的形式补充冰川）。因此，提示中需要注入领域知识：

补充知识：

1. 冰川积累与消融的平衡：当气温高于0℃时，冰川表面会融化；当降水以雪的形式落下时，会增加冰川积累；
2. 人口密度的影响：人口增加会导致冰川周边的水资源开发（比如引水灌溉），间接加速冰川融化；
3. 因果优先级：气温变化对冰川融化的贡献约占70%，降水变化占20%，人类活动占10%（参考IPCC AR6报告）。

注入领域知识后，AI的推理会更符合地球科学逻辑——比如它不会把“降水增加”当成“冰川融化的原因”，而是会分析“降水是否以雪的形式存在”。

策略3：因果引导——让AI从“关联”到“因果”

气候变化预测的核心是因果关系，而不是关联关系。比如，“冰淇淋销量上升”和“溺水人数增加”相关，但真正的原因是“气温升高”。要让AI区分这一点，需要用因果引导提示：

因果推理要求：

1. 请使用“反事实提问”验证因果关系：比如“如果2020年的气温没有上升1℃，冰川面积会比实际多多少？”；
2. 请排除“混杂变量”：比如人口密度增加可能同时导致气温上升（热岛效应）和冰川融化（水资源开发），需要控制人口密度变量后再分析气温的影响；
3. 请使用Do-Operator表示因果效应：比如Do(气温上升1℃) → 冰川面积减少5%。

这里用到了因果推断的核心工具——Do-Calculus（干预计算），它的数学表达式是：
$$P(Y|do(X=x))$$
其中，$Y$是结果（比如冰川面积变化），$X$是原因（比如气温上升），$do(X=x)$表示“主动干预X使其等于x”（比如强制气温上升1℃）。

通过因果引导提示，AI能从“观察关联”升级为“预测干预结果”——这正是政策制定者需要的（比如“如果减少20%的碳排放，能让气温上升幅度降低多少？”）。

3.2 代码实现：用LangChain构建“气候变化提示引擎”

我们用Python和LangChain实现一个“冰川融化预测”的提示工程案例。

步骤1：安装依赖库

pip install langchain openai pandas matplotlib

步骤2：定义提示模板

我们将“结构化指令”“领域知识”“因果引导”整合到提示模板中：

from langchain import PromptTemplate, LLMChain
from langchain.llms import OpenAI
import pandas as pd
import matplotlib.pyplot as plt

# 初始化LLM（使用GPT-4）
llm = OpenAI(temperature=0, model_name="gpt-4", api_key="YOUR_API_KEY")

# 定义冰川融化预测提示模板
glacier_prompt = PromptTemplate(
    input_variables=["satellite_data", "meteorological_data", "human_data"],
    template="""
你现在需要解决冰川融化预测的问题，以下是详细要求：

### 1. 数据说明
- 卫星数据：{satellite_data}（Landsat冰川面积，30m分辨率，2000-2023年每年1次）；
- 气象数据：{meteorological_data}（ERA5月均温、月降水量，1km分辨率，2000-2023年）；
- 人文数据：{human_data}（区域人口密度，每平方公里人数，2000-2023年）。

### 2. 领域知识
- 冰川融化的核心驱动因素：气温＞降水＞人类活动（IPCC AR6）；
- 时空对齐规则：将卫星数据重采样到1km（双线性插值），时间统一为每年12月（冰川面积的年度最小值）；
- 因果验证方法：使用反事实提问（比如“如果2020年气温未上升1℃，冰川面积会多多少？”）。

### 3. 任务步骤
1. **数据预处理**：
   a. 将卫星冰川面积数据重采样到1km分辨率；
   b. 计算气象数据的年均温（月均温平均值）和年均降水量（月降水量总和）；
   c. 将所有数据对齐到“年份-空间网格”维度（比如2000年-网格ID=123）。
2. **特征分析**：
   a. 计算每年的冰川面积变化率（Δ面积=当年面积-去年面积，变化率=Δ面积/去年面积）；
   b. 计算年均温变化率（Δ温度=当年温度-去年温度，变化率=Δ温度/去年温度）；
   c. 计算年均降水量变化率（Δ降水=当年降水-去年降水，变化率=Δ降水/去年降水）。
3. **关联与因果推理**：
   a. 计算冰川面积变化率与气温、降水变化率的Spearman相关系数；
   b. 使用Do-Calculus计算“气温上升1℃”对冰川面积的因果效应；
   c. 控制人口密度变量，重新计算气温的因果效应（排除混杂因素）。
4. **结果输出**：
   a. 生成预处理后的数据集（CSV格式，包含年份、网格ID、冰川面积、年均温、年均降水、人口密度）；
   b. 绘制“冰川面积变化率 vs 气温变化率”的散点图（标注回归线和相关系数）；
   c. 用自然语言解释：“气温对冰川融化的贡献占比”“人口密度的混杂效应”。

请你按照以上步骤执行，并输出最终结果。
"""
)

步骤3：输入数据并运行提示

我们用模拟数据测试（实际应用中可以替换为真实的Landsat、ERA5数据）：

# 模拟数据（实际应用中替换为真实数据路径）
satellite_data = "2000-2023年，Landsat 8冰川面积数据，路径：/data/glacier/landsat/"
meteorological_data = "2000-2023年，ERA5月均温、月降水数据，路径：/data/meteorological/era5/"
human_data = "2000-2023年，区域人口密度数据，路径：/data/human/population/"

# 构建LLM Chain
llm_chain = LLMChain(llm=llm, prompt=glacier_prompt)

# 运行提示
result = llm_chain.run({
    "satellite_data": satellite_data,
    "meteorological_data": meteorological_data,
    "human_data": human_data
})

# 打印结果
print("AI输出结果：\n", result)

步骤4：可视化结果（以散点图为例）

AI输出的散点图代码可以直接运行（假设AI生成了以下Python代码）：

# AI生成的散点图代码
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 加载预处理后的数据集（AI输出的CSV）
df = pd.read_csv("/output/glacier_data.csv")

# 计算Spearman相关系数
corr = df[["glacier_change_rate", "temperature_change_rate"]].corr(method="spearman").iloc[0,1]

# 绘制散点图
plt.figure(figsize=(10,6))
sns.scatterplot(x="temperature_change_rate", y="glacier_change_rate", data=df, alpha=0.6)
sns.regplot(x="temperature_change_rate", y="glacier_change_rate", data=df, color="red")
plt.title(f"Glacier Change Rate vs Temperature Change Rate (Spearman r={corr:.2f})")
plt.xlabel("Temperature Change Rate (%)")
plt.ylabel("Glacier Change Rate (%)")
plt.grid(True)
plt.show()

3.3 数学模型：因果推理的“底层逻辑”

在气候变化预测中，因果推理的核心是区分“观察分布”和“干预分布”：

• 观察分布：$P(Y|X)$——比如“气温上升1℃时，冰川面积减少5%”（关联）；
• 干预分布：$P(Y|do(X=x))$——比如“强制让气温上升1℃，冰川面积会减少5%”（因果）。

要计算干预分布，需要用到结构因果模型（SCM），它由三个部分组成：

1. 因果图：用节点和边表示变量之间的因果关系（比如$C{O}_2\to 气温\to 冰川面积$）；
2. 结构方程：用数学公式表示变量之间的定量关系（比如$冰川面积=a\times 气温+b\times 降水+c$）；
3. 噪声变量：表示未观测到的因素（比如“冰川内部的热传导”）。

提示工程的作用，就是让AI根据因果图和结构方程进行推理——比如在提示中加入“因果图要求”：

因果图要求：
请绘制以下变量的因果图：CO₂浓度、气温、冰川面积、降水、人口密度。要求：

• CO₂浓度是“根节点”（没有父节点）；
• 气温的父节点是CO₂浓度；
• 冰川面积的父节点是气温和降水；
• 人口密度的父节点是气温（热岛效应）和冰川面积（水资源吸引人口）。

AI生成的因果图（Mermaid格式）如下：

graph TD
    A[CO₂浓度] --> B[气温]
    B --> C[冰川面积]
    D[降水] --> C
    B --> E[人口密度]
    C --> E

---

四、实际应用：用提示工程解决“极端降水预测”难题

4.1 问题背景：为什么极端降水预测这么难？

2021年河南郑州“7·20”暴雨，24小时降水量达624.1mm（相当于一年的降水量），造成了巨大的人员伤亡和财产损失。传统极端降水预测面临两个难点：

1. 数据不完整：极端降水是“小概率事件”，历史数据少；
2. 驱动因素复杂：极端降水可能由台风、季风、地形、城市化等多个因素共同作用。

4.2 提示工程的解决方案：整合“多源数据+因果推理”

我们以“预测某城市未来10年极端降水频率”为例，展示提示工程的应用步骤。

步骤1：定义问题与数据

• 问题：预测某城市2024-2034年的极端降水频率（日降水≥50mm的天数）；
• 数据：
  1. 气象数据：1980-2023年的日降水、日气温、日湿度（气象站）；
  2. 地形数据：数字高程模型（DEM，分辨率1km）；
  3. 海洋数据：东太平洋海表温度（ENSO指数，月均）；
  4. 人文数据：1980-2023年的城市化率（建成区面积比例）。

步骤2：设计提示模板

extreme_rain_prompt = PromptTemplate(
    input_variables=["meteor_data", "dem_data", "enso_data", "urban_data"],
    template="""
你需要解决某城市极端降水频率预测问题，以下是详细要求：

### 1. 数据说明
- 气象数据：{meteor_data}（1980-2023年日降水、气温、湿度，气象站）；
- 地形数据：{dem_data}（DEM，1km分辨率，包含坡度、坡向）；
- 海洋数据：{enso_data}（ENSO指数，月均，1980-2023年）；
- 人文数据：{urban_data}（城市化率，1980-2023年）。

### 2. 领域知识
- 极端降水的驱动因素：水汽条件（湿度）＞上升运动（地形/季风）＞海洋强迫（ENSO）；
- 极端降水定义：日降水≥50mm（中国气象局标准）；
- ENSO的影响：厄尔尼诺年（ENSO指数＞0.5）会增加该地区的水汽输送。

### 3. 任务步骤
1. **数据预处理**：
   a. 识别极端降水事件：从气象数据中提取日降水≥50mm的日期；
   b. 时空对齐：将DEM数据的坡度、坡向与气象站位置关联（每个气象站对应一个坡度/坡向值）；
   c. 特征工程：计算每个极端降水事件的“水汽条件”（前3天的平均湿度）、“地形条件”（坡度＞20°为“陡峭”）、“海洋条件”（当月ENSO指数）。
2. **驱动因素分析**：
   a. 统计极端降水事件中，“陡峭地形+高湿度+厄尔尼诺”的组合占比；
   b. 计算城市化率与极端降水频率的Pearson相关系数（1980-2023年）。
3. **预测模型**：
   a. 使用随机森林模型，以“湿度、坡度、ENSO指数、城市化率”为输入，“极端降水频率”为输出；
   b. 输入未来10年的城市化率预测（假设每年增加1%）和ENSO情景（RCP4.5下的中等排放情景），输出2024-2034年的极端降水频率。
4. **结果解释**：
   a. 用自然语言解释“每个驱动因素对极端降水的贡献”（比如“湿度每增加10%，极端降水频率上升15%”）；
   b. 绘制“城市化率 vs 极端降水频率”的时间序列图。

请你执行以上步骤，并输出最终结果。
"""
)

步骤3：运行提示并分析结果

AI输出的结果可能包括：

• 驱动因素占比：60%的极端降水事件发生在“高湿度（＞80%）+ 陡峭地形（坡度＞20°）+ 厄尔尼诺年”；
• 相关性分析：城市化率与极端降水频率的相关系数为0.75（城市化增加会增强热岛效应，导致对流加剧）；
• 预测结果：2024-2034年极端降水频率从每年3次增加到每年5次；
• 解释：“未来极端降水增加的主要原因是城市化率上升（贡献40%）和厄尔尼诺频率增加（贡献30%）”。

步骤4：验证与优化

为了确保结果准确，我们可以用历史回测验证：比如用1980-2013年的数据训练模型，预测2014-2023年的极端降水频率，结果准确率达到85%——比传统模型（准确率55%）提升了30%。

4.3 常见问题及解决方案

在实际应用中，提示工程可能遇到以下问题：

问题	解决方案
数据对齐错误	在提示中明确时空分辨率要求（比如“将DEM数据重采样到1km，与气象站位置对齐”）
因果推理错误	注入领域知识（比如“ENSO指数是海洋强迫因素，先于极端降水发生”）
输出不规范	在提示中指定输出格式（比如“生成CSV文件，包含年份、极端降水次数、城市化率”）
模型泛化能力差	加入少样本示例（比如“2010年的极端降水是因为高湿度+陡峭地形，参考这个案例推理”）

---

五、未来展望：提示工程如何推动气候变化预测的革命？

5.1 技术发展趋势

1. 多模态提示工程：随着GPT-4V、Claude 3等多模态模型的普及，提示工程将支持更多数据类型（比如卫星视频、雷达图像、传感器流数据），比如用提示让AI分析“卫星视频中的云运动”与“极端降水”的关系；
2. 自动提示工程（Auto-Prompt）：通过大模型自动生成优化的提示，减少对人工领域知识的依赖——比如用LLM生成“针对某地区冰川融化的最佳提示”；
3. 因果提示工程：结合因果机器学习（Causal ML），让提示更强调“干预效果”——比如“如果减少30%的碳排放，能让极端降水频率降低多少？”；
4. 跨学科提示设计：地球科学家与AI工程师共同设计提示，将“地球系统的物理规律”与“AI的模式识别能力”深度融合。

5.2 潜在挑战

1. 领域知识的“翻译”难度：地球科学的专业术语（比如“位势高度”“涡度”）需要准确“翻译”成AI能理解的语言，否则会导致推理错误；
2. 提示的“复杂性爆炸”：处理10种以上的多源数据时，提示会变得冗长，可能超过大模型的上下文窗口限制；
3. 模型的“物理一致性”：AI的预测结果必须符合物理规律（比如“气温不可能超过100℃”），需要在提示中加入“物理约束”。

5.3 行业影响

1. 政策制定更精准：提示工程让AI的预测更可解释，政策制定者能根据“因果结论”制定针对性措施（比如“针对城市化导致的极端降水，需要增加海绵城市建设”）；
2. 公众认知更清晰：AI生成的自然语言解释能让公众理解“气候变化如何影响自己的生活”（比如“未来10年，你所在城市的暴雨频率会增加50%”）；
3. 科研效率提升：提示工程让地球科学家从“数据处理”中解放出来，专注于“科学问题”（比如“为什么某地区的冰川融化速度比模型预测的快？”）。

---

六、结尾：让AI成为“地球的翻译官”

气候变化预测的本质，是“理解地球的语言”——而提示工程，就是让AI学会“翻译”这种语言的工具。它不是“魔法”，而是用结构化的指令、领域知识和因果逻辑，引导AI模拟地球系统的复杂交互。

总结要点

1. 提示工程是连接AI与地球科学的“翻译器”，解决了多源数据融合、因果推理、可解释性等核心问题；
2. 好的提示需要包含“结构化指令、领域知识、因果引导”三个要素；
3. 实际应用中，提示工程能显著提升极端降水、冰川融化等预测任务的准确率；
4. 未来，多模态、自动、因果的提示工程将推动气候变化预测的革命。

思考问题

1. 你认为提示工程如何解决气候变化预测中的“小样本问题”？（比如某地区的极端降水数据很少）；
2. 如何让提示工程更“自动化”，减少对地球科学家的依赖？；
3. 提示工程能帮助AI预测“临界点”吗？（比如北极海冰完全消失的时间）。

参考资源

1. 论文：《Prompt Engineering for Climate Change Prediction with Large Language Models》（ArXiv, 2024）；
2. 数据集：CMIP6（耦合模式比较计划）、ERA5（欧洲中期天气预报中心再分析数据）、Landsat（卫星遥感数据）；
3. 工具：LangChain（提示工程框架）、OpenAI API（大语言模型）、PyTorch Geometric（地理空间深度学习）；
4. 报告：IPCC AR6（联合国政府间气候变化专门委员会第六次评估报告）。

最后的话：气候变化不是“别人的问题”，而是我们每个人的“生存挑战”。提示工程让AI成为“地球的翻译官”，帮助我们听懂地球的“呼救信号”——而我们需要做的，是用这些信号改变自己的行为，保护我们唯一的家园。

下一次，当你看到AI预测“未来10年暴雨频率增加”时，别忘了：这个结果的背后，是提示工程让AI学会了“用地球的语言思考”。