提示工程：激发大模型潜力的钥匙

在人工智能迅猛发展的今天，大语言模型（LLM）已成为我们与机器交互的重要桥梁。而如何高效、准确地引导这些“学富五车的天才”输出我们期望的结果？答案就在于——提示工程（Prompt Engineering）。

本文基于张敏老师的《提示工程》课程讲义，系统梳理提示工程的核心理念、发展历程、实用技巧与未来展望，帮助读者掌握这一“惊人的高杠杆技能”。

---

一、什么是提示（Prompt）？

提示（Prompt），也称提示词或提示语，是用户向计算机程序或大语言模型传入的一个或一组指令、一段文本，用以引导其朝着用户的期望进行响应或行动。

在大模型时代，提示一般指人类用于与大模型互动的自然语言文本，如问题、指令或闲聊。它是激发大模型潜力的钥匙。

---

二、提示的发展历程

人机交互经历了三个阶段：

1. 命令行用户界面（CUI）：如 Shell 命令、编程语言，属于硬匹配模式，形式与自然语言差异巨大。
2. 图形用户界面（GUI）：通过点击、拖拽等操作交互。
3. 自然语言用户界面（LUI）：以自然语言直接对话，真正实现类人交流——这正是大模型带来的革命性突破。

在 LUI 范式下，提示的发展可分为两个阶段：

• 基于先验规则的匹配范式：

  • 硬匹配：如编程语言，严格规则，一一对应。
  • 模糊匹配：如 Siri、小艺等语音助手，通过分词、相似度计算等识别意图，但智能有限。

• 基于大语言模型的生成响应范式：

  • 提示与自然语言完全打通，大幅降低人机交互门槛。
  • 编程技能作用下降，创意与表达能力上升。
  • 输出具有随机性，流程为“黑盒”，但具备真正的智能响应能力。

---

三、什么是提示工程？

提示工程（Prompt Engineering），又称提示语工程，是指通过开发与优化提示词，让大模型输出预期结果的过程。简言之，就是“怎样写出好提示”。

其三大关键点：

• 前提条件：明确自己的需求
• 核心工作：开发与优化提示词
• 目标：让大模型返回用户期望的结果

正如 OpenAI 首席执行官 Sam Altman 所言，提示工程是一项“惊人的高杠杆技能”。世界经济论坛更将其列为“未来的工作”之一。维特根斯坦曾说：“我语言的界限意味着我的世界的界限。”在未来，人人都将直接或间接成为提示工程师。

---

四、编写清晰提示的四大技巧

技巧1：让大模型扮演专家角色

原提示：帮我制定一份减肥饮食计划
优化后：现在请你扮演一个营养学专家，并帮我制定一个减肥饮食计划

赋予角色身份，能显著提升输出质量。

技巧2：提供充分的背景/细节信息

例如详细说明身高、体重、运动习惯、口味偏好、减肥目标等，让模型基于真实情境生成个性化方案。

技巧3：用分割符号区分不同输入部分

使用 ''' 或其他符号将“角色信息”“用户信息”“任务要求”等模块清晰分隔，帮助模型理解各部分内容的关联。

技巧4：指定输出格式

如要求“以表格形式输出”，可确保结果结构化、易读、可直接使用。

小结：技巧无定式，核心是让模型充分理解你的意图；若未得理想回复，可多问几次；也可让模型帮你生成专家角色；创建新角色时建议新建对话。

---

五、提供参考示例：零样本与少样本学习

大模型具备上下文学习（In-Context Learning）能力，无需修改参数即可通过示例学习任务。

• 零样本提示（Zero-Shot）：不给示例，直接提问。适用于简单任务。
• 少样本提示（Few-Shot）：提供少量示例，引导模型完成复杂分类或推理。

例如，在情感分析任务中，只需给出几组“文本-情感”对，模型即可学会分类新文本。

---

六、让模型一步步思考：思维链（Chain-of-Thought）

复杂问题常因模型“跳步”而出错。通过思维链提示，引导模型展示中间推理步骤，可大幅提升准确性。

例如：

“这组数中的奇数加起来是偶数：15、32、5、13、82、7、1。请一步步思考。”

加入“请一步步思考”后，模型会先识别奇数（15,5,13,7,1），再求和（41），最后判断奇偶性（奇数），从而得出正确结论。

研究显示，思维链能显著提升大模型在数学、逻辑等领域的推理能力。

---

七、调用外部工具弥补模型短板

大模型存在局限：

• 无法获取实时数据
• 复杂逻辑推理能力不稳定
• 在强规则领域（如数学、编程）表现波动

可通过调用外部工具解决：

• 调用 Python 解释器执行精确计算
• 接入搜索引擎获取最新信息
• 访问专业数据库或知识库

例如：“请调用代码执行器完成计算”可确保苹果数量题的准确解答。

注意：不同模型对外部工具的支持程度不同，功能也在快速演进中。

---

八、将复杂任务分解成子任务

面对如“写一篇4000字课程论文”这类复杂任务，直接提问往往效果不佳。

高效策略：分阶段推进

1. 对齐沟通频道：确认模型是否理解“波特五力模型”“企业价值链”等概念
2. 写大纲：结合B公司背景生成论文结构
3. 逐个击破：分章节撰写引言、文献综述、模型分析等
4. 总结收尾：提出创新建议并撰写结论

这种“由浅入深、逐层推进”的方式，能最大化模型在各子任务中的表现。

---

九、采用系统的提示框架

为提升提示设计效率，可借助成熟框架：

1. ICIO 框架

• Instruction：任务指令
• Context：角色与背景
• Input Data：用户输入数据
• Output Indicator：输出格式要求

2. CRISPE 框架

• Capacity & Role：能力与角色
• Insight：背景洞察
• Statement：任务声明
• Personality：个性风格
• Experiment：输出实验要求

这些框架提供方法论支持，但非金科玉律，需结合实际灵活调整。

---

十、用结构化方式进行提示

结构化 Prompt 指以清晰层次、特定符号组织信息，便于模型理解。

例如使用 Markdown 格式：

# Role: 营养学专家
## Profile:
### Description: 北京大学医学部博士，注册营养师
### Skills: 肥胖干预、高蛋白饮食研究
## Goals: 制定个性化减肥饮食计划
## Constraints: 食物分量明确、符合用户口味
## Input: 身高165cm，男，体重80kg...

优势：

1. 结构清晰，符合人类与模型的认知习惯
2. 层级递进，天然契合思维链逻辑
3. 易于模板化，支持“生产级 Prompt”开发

常用标识符：#、##、- 等；属性词如 Role、Profile、Workflow 等可自定义。

---

十一、自动生成 Prompt：用魔法生成魔法

我们甚至可以设计一个“Prompt 工程师”角色，让它将口语化需求自动转化为高质量结构化提示。

例如：

“你是一名优秀 Prompt 工程师，请将以下需求转为结构化 Prompt：帮我设计一门商务数据分析课程大纲。”

模型可输出包含 Role、Background、Attention、Workflow 等模块的专业提示模板。

这标志着提示工程正从“手工技艺”迈向“自动化生产”。

---

十二、总结与展望

提示工程是一门随大模型衍生的新学科，发展迅速、形无定势。其核心原则包括：

1. 编写清晰的提示
2. 提供参考示例
3. 让模型一步步思考
4. 调用外部工具
5. 将复杂任务分解成子任务
6. 采用系统的提示框架
7. 用结构化方式进行提示
8. 自动生成 Prompt

我们正站在一场技术革命的门口。大模型 + 自然语言交互（LUI）补齐了 AI 应用的最后一块拼图。提示工程不仅是“新奇玩具”，更是未来人人必备的生产力技能。

正如灯泡初现时被讥为“奇技淫巧”，今天的提示工程，或许正是照亮数智文明未来的那束光。

会聊天，就是一种直接生产力。
学会表达需求，你便握住了通往智能时代的钥匙。