1. 什么是提示词工程？它在大模型里干嘛用？

官方回答

提示词工程是指设计、优化和测试输入提示词（prompts）的过程，以引导大语言模型（LLM）生成更准确、相关和高效的输出。它涉及理解模型的行为，并通过精心构建的文本输入来最大化其性能，而无需修改模型的底层参数。

在LLM应用中，提示词工程的作用包括：提升模型在特定任务（如翻译、总结或推理）上的表现；减少对昂贵模型微调的需求；使模型适应多样化场景；并帮助开发者构建更可靠的AI应用。通过有效的提示词工程，LLM可以更好地处理复杂查询，实现零样本或少样本学习，从而在实际部署中提高整体效率和用户满意度。

教学回答

提示词工程 = 给 AI 写“魔法指令书”
就像你给机器人下命令：“把苹果切成 4 块”，它就切 4 块；你说“切成小丁”，它就切小丁。
提示词工程 就是研究 “怎么写指令最清楚、最管用”，让大模型（比如我）一次就干对事。

例子：

• 不好：写首诗 → 模型可能写儿歌、打油诗、情诗……乱七八糟
• 好：写一首4句、押“ang”韵、主题是“春天”的现代诗 → 模型就老老实实照做

---

2. “提示”（Prompt）和 “上下文”（Context）有什么不一样？

官方回答

**“提示”（Prompt）**通常指用户或开发者直接提供的初始输入文本，用于指导LLM生成响应。它是具体的指令、问题或示例，旨在激发模型的输出。例如，一个prompt可以是“请总结这篇文章”。

**“上下文”（Context）**则更广泛，指模型在生成响应时考虑的整个输入历史，包括当前的prompt、之前的对话记录、系统消息或任何累积的文本信息。上下文帮助模型保持连续性，并在多轮交互中记住先前内容。区别在于：prompt是起点或核心指令，而context是动态的、扩展的背景，帮助模型处理长序列输入（如在聊天机器人中）。

教学回答

项目	像什么	例子
提示（Prompt）	你今天对我说的话	“把‘猫’翻译成英文”
上下文（Context）	整张聊天记录	我记得你之前问过“狗”翻译成“dog”，所以现在知道你要学动物单词

总结：

• Prompt = 你现在说的一句话
• Context = 从头到尾所有说过的话

---

3. “少样本提示”和“零样本提示”有什么区别？

官方回答

**“少样本提示”（Few-Shot Prompting）**是一种提示技术，在prompt中提供少量（通常1-5个）输入-输出示例，帮助模型理解任务模式，从而生成类似输出，而无需额外训练。例如，在分类任务中，提供几个标签示例来引导模型。

**与“零样本提示”（Zero-Shot Prompting）**不同，后者不提供任何示例，仅通过直接指令（如“将这句话分类为正面或负面”）让模型基于其预训练知识推断任务。Few-Shot通过示例增强指导，提高准确性，尤其在模型对任务不熟悉时；Zero-Shot更依赖模型的泛化能力，适用于简单或已知任务，但可能在复杂场景中表现较差。

教学回答

方式	像什么	例子
零样本（Zero-Shot）	直接考你，没给例题	“把‘我爱你’翻译成法语”
少样本（Few-Shot）	先给你看 2 道例题	英文：I love you → 法语：Je t’aime 英文：Thank you → 法语：Merci 英文：Good night → 法语：？

少样本 就像老师先教 2 道题，你马上会第 3 道。
零样本 就是“闭卷考试”，全靠你自己聪明。

---

4. “思维链”（Chain-of-Thought）是什么？它帮模型解决什么难题？

官方回答

“思维链”（Chain-of-Thought, CoT）提示是一种技术，在prompt中鼓励模型逐步分解问题并记录中间推理步骤，而不是直接给出答案。例如，prompt可以是“逐步思考：首先计算A，然后B，最后得出结论”。这模仿人类推理过程，帮助模型生成更逻辑化的输出。

CoT解决了LLM在复杂推理任务中的局限性，如数学问题、多步逻辑推理、常识推理或规划任务。这些任务中，LLM可能直接跳到错误结论，因为其训练数据中缺乏显式推理路径。CoT通过显式引导，提升了模型的准确性和可解释性，尤其在需要多跳推理的场景中。

教学回答

思维链 = 让模型“把思考过程写在黑板上”

不好例子：
问：一个西瓜 5 元，买 3 个多少钱？
模型直接答：15元（可能猜的）

思维链例子：

一步一步来：
1. 一个西瓜 = 5 元
2. 买 3 个 = 5 × 3
3. 5 × 3 = 15
所以答案是 15 元。

它解决的难题：

• 复杂数学题
• 需要多步推理的逻辑题（比如“谁是凶手”）
• 常识题（“先穿袜子还是先穿鞋？”）

---

5. 为什么在提示中加入 “角色设定”（如 “你是一位专家医生”）有助于提升模型输出质量？

官方回答

在提示中加入角色设定（如“你是一位专家医生”）可以帮助模型采用特定视角或专业身份，从而生成更相关、专业和一致的输出。这利用了LLM的角色扮演能力，使其从预训练数据中调用相关知识，避免泛化响应。例如，在医疗咨询中，这种设定能让模型提供更精确的建议，而非通用的信息。它提升输出质量的原因包括：限制响应范围，减少无关内容；增强可信度和深度；并改善一致性，尤其在多轮对话中，帮助模型维持角色，避免偏差或浅显回答。

教学回答

因为模型会“装”成医生说话！

没角色	有角色
“感冒吃点药就行”	“我是呼吸科医生。根据症状，建议您：① 多喝水 ② 吃对乙酰氨基酚 ③ 3天不好就来医院”

好处：

• 更专业
• 更靠谱
• 少废话

---

6. “提示模板”是什么？开发时为什么好用？

官方回答

**“提示模板”（Prompt Template）**是一种可重用的、参数化的prompt结构，其中某些部分是固定的（如指令框架），而其他部分（如具体输入）可以动态填充。例如，一个模板可以是“将{文本}翻译成{语言}”。

在实际开发中，其优势包括：提高效率，通过标准化prompt减少重复工作；确保一致性，避免不同开发者的prompt变异导致输出不稳；便于测试和迭代，能系统地调整模板以优化性能；支持大规模应用，如在API或批量处理中动态生成prompt；并降低错误风险，使LLM集成更可靠。

教学回答

模板 = 可以反复套的“万能表格”

【翻译模板】
把下面的句子从{原语言}翻译成{目标语言}：
句子：{句子}

填一填就行：

• 原语言：中文
• 目标语言：英文
• 句子：我饿了

→ 自动变成：

把下面的句子从中文翻译成英文：
句子：我饿了

开发时好用：

• 省时间（不用每次重写）
• 不会写错（格式统一）
• 改一次，所有地方都改

---

7. “指令提示”怎么用？举个例子

官方回答

**“指令提示”（Instruction Prompting）**是通过清晰、具体的指令来引导模型执行任务，而非依赖隐含理解。

示例：任务是总结一篇文章。指令prompt可以是：“请阅读以下文章，并生成一个简洁的总结，包括主要观点、关键事实和结论。输出格式为：- 主要观点：…\n- 关键事实：…\n- 结论：…\n文章：[插入文章文本]”。 这个prompt明确了任务（总结）、元素（主要观点等）和格式（列表），引导模型产生结构化输出，避免模糊或无关响应。

教学回答

指令提示 = 像老师出卷子一样，写清楚“怎么做”

任务：给一段新闻写标题（不超过10个字）

【指令】
1. 阅读下面新闻
2. 写一个不超过10字的标题
3. 只输出标题，不要加解释

新闻：昨天北京下了一场大雪，很多学校停课，孩子们在操场堆雪人。

【标题】：北京大雪停课

看到没？
模型只敢输出：北京大雪停课（不敢多说一句）

---

8. “上下文学习”是什么？靠模型什么本事？

官方回答

**“上下文学习”（In-Context Learning）**是指LLM通过prompt中的示例或上下文临时“学习”新任务，而无需更新模型参数或额外训练。它允许模型在推理时从提供的上下文中推断模式。 它依赖LLM的预训练泛化能力和处理长序列上下文的能力。

具体来说，依赖Transformer架构的自注意力机制，能捕捉prompt中示例间的关系，以及模型从海量训练数据中习得的模式识别技能。这使得LLM能在Few-Shot或Zero-Shot场景中适应新任务，而不需微调。

教学回答

上下文学习 = “看例题就学会”

例1：苹果 → 水果
例2：香蕉 → 水果
例3：牛奶 → ？

模型马上答：饮品（不需要你教它“分类”这个词）

靠的本事：

• 超大记忆力（看过几亿条句子）
• 找规律（看到两个“水果”就猜第三个也是分类）

---

9. “温度”参数是啥？怎么影响回答？

官方回答

“温度”（Temperature）实际上不是prompt词的一部分，而是LLM生成过程中的采样参数（通常在API调用中设置）。它控制输出的随机性和多样性：

• 低温度（如0.2）：输出更确定性和重复，模型倾向选择高概率词，适合需要精确、事实性任务（如代码生成）。
• 高温度（如1.0或更高）：增加随机性，输出更创意、多样，但可能更不连贯或出错，适合 brainstorm 或故事生成。 在prompt设计中，虽然不直接嵌入，但开发者可结合prompt调整温度，以平衡创造性和准确性。

教学回答

温度 = “模型有多大胆”

温度	像什么人	回答例子（问题：明天天气？）
0.2（低）	胆小鬼	“晴，25度。”
1.0（高）	爱编故事	“明天太阳会穿粉色裙子跳舞，温度大概25度左右吧～”

总结：

• 温度低 → 老实、准
• 温度高 → 创意、可能胡说

---

10. 为什么提示要写清楚“目标”和“格式”？

官方回答

在提示中明确任务目标和输出格式很重要，因为它减少歧义，确保模型理解预期响应，从而提高输出的一致性和可用性。

具体原因包括：帮助模型聚焦，避免无关或冗长内容；便于下游处理，如在应用中解析JSON格式输出；提升准确性，尤其在复杂任务中；减少幻觉（hallucination），通过结构化指导限制自由度；并改善用户体验，使响应更易读和实用。例如，指定“以JSON格式输出”能让模型生成可编程的结构，而非散文。

教学回答

因为模型像个“听话但不聪明”的实习生
你不说明白，它就乱来。

不好：

“分析这篇作文”
→ 模型可能写 500 字乱七八糟

好：

【目标】：找出这篇作文的3个优点和2个缺点  
【格式】：  
优点1：...  
优点2：...  
优点3：...  
缺点1：...  
缺点2：...

→ 模型老老实实按格式写，你直接能用！

11.如何设计一个有效的提示词来让模型生成结构化数据（如 JSON）？

官方回答

设计结构化数据提示需明确输出格式、约束字段类型与层级关系，并提供完整示例。

核心要素包括：① 使用“只输出JSON”或“禁止额外解释”等指令；② 指定 schema（如字段名、数据类型、必填项）；③ 在 Few-Shot 中提供 1-2 个符合 schema 的完整 JSON 示例；④ 可结合温度≤0.3 与 top_p≤0.7 降低随机性。有效提示能将模型输出从自由文本转化为可解析的结构化数据，适用于 API 集成、数据抽取等场景。

教学回答

想让 AI 吐 JSON？就给它一个“填空表格”！

【指令】
1. 分析下面这段话
2. 提取人名、年龄、职业
3. 只输出 JSON，不要任何解释
4. 格式必须是：
{
  "name": "字符串",
  "age": 整数,
  "job": "字符串"
}

文本：小明今年25岁，是程序员。

【输出】
{"name":"小明","age":25,"job":"程序员"}

小技巧：

• 说“只输出 JSON” → 模型不敢加“哈哈”
• 给完整例子 → 它知道长啥样
• 温度调低 → 少胡说

12.请描述 “自洽性”（Self-Consistency）在提示工程中的应用场景。

官方回答

自洽性（Self-Consistency）通过对同一问题生成多个独立推理路径（通常结合 CoT），然后对最终答案进行多数投票（majority vote），提升推理任务的鲁棒性。适用于算术推理、常识推理、多选题等不确定性高的任务。实验表明，在 GSM8K 数据集上，CoT+Self-Consistency 可将准确率从 74% 提升至 94%。

教学回答

自洽性 = “让模型自己考 3 份卷子，取一样的答案”

问题：一个鸡蛋2元，买5个多少钱？

路径1：2×5=10元  
路径2：2+2+2+2+2=10元  
路径3：10个是20元，5个是10元  

→ 3个答案都是10元 → 信了！

用在：

• 数学题
• 逻辑推理
• 容易算错的题
  → 错一次没关系，错三次才算错

13. 什么是 “提示链”（Prompt Chaining）？它与单轮提示相比有哪些优势？

官方回答

提示链（Prompt Chaining）是将复杂任务分解为多个顺序执行的子提示，每轮输出作为下一轮输入，形成流水线。

相比单轮提示，它具有：① 降低单次上下文长度压力；② 便于错误定位与局部优化；③ 支持中间结果校验；④ 提升复杂任务成功率（如多文档问答、长文本生成）。

教学回答

提示链 = 把大象塞进冰箱分 3 步

第1步：总结文章 → “文章讲了AI发展史”
第2步：提取3个时间点 → “2012、2017、2023”
第3步：做时间线JSON → 输出结构化数据

比单轮好在：

• 不会因太长忘前文
• 哪步错改哪步
• 每步都能检查

14.如何利用 “反思提示”（Reflexion Prompting）让模型自我修正错误？

官方回答

反思提示通过在提示中加入“自我检查”指令，引导模型对自身输出进行批判性分析并迭代修正。

典型流程：① 初始生成；② 反思提示要求指出错误、解释原因；③ 重新生成。适用于代码调试、数学求解、事实核查等需要高准确性的任务。

教学回答

反思 = “让模型当自己的老师批作业”

第一步：写代码（错的）
```python
print("Hello" + 123)  # 报错

第二步：反思提示

【指令】
1. 运行上面代码会报错吗？
2. 错在哪？为什么？
3. 写出正确代码

→ 错误：字符串不能直接加数字
→ 正确：print("Hello" + str(123))

效果：模型自己发现错，自己改对！

15. 在多轮对话中，如何管理上下文长度限制？有哪些常见策略？

官方回答

LLM 上下文窗口有限（如 4k/8k/32k tokens），多轮对话易超限。常见策略包括：① 滑动窗口：仅保留最近 N 轮；② 摘要压缩：用模型总结历史对话；③ 关键信息提取：存入外部向量数据库（RAG）；④ 状态机管理：用变量存储用户意图、阶段等。

教学回答

上下文像手机内存，聊多了就卡！
4招清理：

1. 删旧的 → 只留最后3句
2. 总结一下 → “前面你说想学英语”
3. 记在小本本 → 名字、目标存在外面
4. 分阶段 → 学单词 → 练习 → 考试，换阶段清内存

16. 请解释 “检索增强生成”（RAG）与提示词工程的关系。

官方回答

RAG（Retrieval-Augmented Generation）通过在生成前检索外部知识（如文档、数据库）并注入提示，解决模型知识滞后与幻觉问题。提示词工程在 RAG 中负责：① 设计检索查询提示；② 融合检索片段与任务指令；③ 控制引用格式（如 [1][2]）。二者相辅相成，RAG 提供事实基础，提示工程确保生成逻辑。

教学回答

RAG = “给模型发外挂资料”

普通：问“2025年诺贝尔奖谁得？” → 模型瞎猜  
RAG：
1. 搜新闻 → “2025物理奖：张三”
2. 塞进提示：

根据最新资料[2025新闻]：
2025物理奖得主是张三。
请回答：谁获得了2025年诺贝尔物理学奖？

→ 模型老实答：张三

提示工程负责：怎么把“外挂资料”写进提示才自然。

17. 如何使用 “对比提示”（Contrastive Prompting）来提升模型对细微差别的敏感度？

官方回答

对比提示通过在 Few-Shot 中并列展示正例与反例，强化模型对关键特征的区分能力。适用于情感分析、意图识别、细粒度分类等任务。结构为：正例 → 标签；反例 → 标签；测试输入 → 标签。

教学回答

对比提示 = “给模型看‘对错对照表’”

任务：判断是“正式”还是“随意”邮件

正例：尊敬的先生... → 正式  
反例：嘿，哥们... → 随意  
测试：您好，请查收... → ？

→ 模型学会抓“尊敬”“嘿”等关键词，判断更准！

18. 什么是 “提示微调”（Prompt Tuning）？它与传统微调有何区别？

官方回答

**提示微调（Prompt Tuning）**是一种参数高效微调方法，仅训练一组可学习的连续提示向量（soft prompts），而保持主模型冻结。

相比传统全模型微调（更新全部参数），其参数量减少 99.99%，存储成本低，支持多任务共享前缀。

教学回答

项目	传统微调	提示微调
改啥	整个模型（上百亿参数）	只改“提示前缀”（几千个数字）
像啥	给大脑做手术	给嘴巴贴个“咒语贴纸”
省吗	不省，存不下	超省，一个任务1MB

19. 如何设计提示词以减少模型的 “幻觉”（Hallucination）？

官方回答

减少幻觉的提示策略包括：① 要求“仅基于给定内容回答”；② 使用 CoT 强制推理透明；③ 加入“如果不确定请说不知道”；④ 结合 RAG 注入真实数据；⑤ 设定角色为“严谨研究员”。

教学回答

防幻觉 = “给模型戴 3 个紧箍咒”

1. “不许瞎编” → “只用下面这段话回答”
2. “不会就说不会” → “不确定就说‘我不知道’”
3. “一步步来” → “请说明推理过程”
   → 模型不敢乱说！

20. 在跨语言任务中，提示词工程需要注意哪些问题？

官方回答

跨语言提示需关注：① 语言对齐性（指令语言 vs 目标语言）；② 文化语境差异；③ 词序与语法结构；④ 翻译一致性；⑤ 是否允许代码切换（code-switching）。建议使用目标语言写指令，或提供双语 Few-Shot 示例。

教学回答

跨语言 = “别用中文教英文语法”

• 错：用中文说“把这个翻译成英文” → 模型可能中英混杂

• 对：全英文提示

  Translate to English: 我爱你
  → I love you
  Now: 你好世界 → ?
  

• 或者双语例子，让模型看懂规律

21. 请举例说明如何使用 “元提示”（Meta-Prompting）来动态生成提示。

官方回答

元提示是指提示的提示，用于让模型根据任务描述自动生成最优提示。常用于自动化提示优化（APE）。流程：输入任务目标 → LLM 输出具体提示 → 执行任务。

教学回答

元提示 = “让 AI 帮你写 AI 指令”

【元提示】
你是一个提示词工程师。
任务：教小学生加法。
请生成一个清晰、有例子、带思维链的提示。

【AI输出】

小朋友，我们来学加法！
例1：2个苹果 + 3个苹果 = ？
一步步想：

1. 先数左边：2个
2. 再数右边：3个
3. 加起来：2+3=5
   所以答案是5个苹果。

现在：4个糖 + 1个糖 = ？

→ 直接拿去用，超省事！

22. 什么是 “提示压缩”（Prompt Compression）？为什么需要它？

官方回答

提示压缩通过删除冗余 token、摘要历史对话或用嵌入表示上下文，减少输入长度。

必要性：① 规避上下文窗口限制；② 降低推理成本（按 token 计费）；③ 提升长对话稳定性。

教学回答

压缩 = “把10页聊天记录缩成1段话”

原始（1000字）：用户问了天气、股票、新闻...
压缩后：【摘要】用户关心北京天气、特斯拉股价、最新AI新闻。

为啥要：

• 模型内存不够
• 钱包受不了（1万字 = 贵）

---

23. 如何评估一个提示词的有效性？有哪些关键指标？

官方回答

评估指标包括：① 准确率/精确率/召回率（分类、抽取）；② BLEU/ROUGE（生成）；③ 人类评分（流畅性、相关性）；④ 成功率（结构化输出符合率）；⑤ 鲁棒性（不同输入下的稳定性）；⑥ 效率（token 消耗、延迟）。

教学回答

评估提示 = 给提示打分

项目	怎么看
准不准	10题对8题 → 80分
像不像	让3个人打分（1-5星）
稳不稳	换10句话问，都对才行
省不省	100字搞定 > 1000字

24. 在代码生成任务中，提示词设计有哪些最佳实践？

官方回答

最佳实践：① 明确编程语言与版本；② 提供输入输出示例；③ 指定错误处理与边界条件；④ 使用 CoT 要求分解步骤；⑤ 要求添加注释；⑥ 输出完整可运行代码。

教学回答

写代码提示 = “给程序员下任务书”

【任务】
语言：Python 3.10
功能：输入一个数字列表，返回偶数列表
要求：
1. 写完整函数
2. 加3行注释
3. 处理空列表
4. 示例：
   输入：[1,2,3,4]
   输出：[2,4]

→ 模型乖乖写出：

def get_evens(nums):
    # 过滤偶数
    if not nums: return []
    # 用列表推导式
    return [x for x in nums if x % 2 == 0]

25. 如何利用 “反事实提示”（Counterfactual Prompting）进行模型鲁棒性测试？

官方回答

反事实提示通过构造与事实相反但逻辑一致的假设场景，测试模型是否过度依赖表面模式而非深层理解。用于检测过拟合、偏见或推理脆弱性。例如：将“猫追老鼠”改为“老鼠追猫”，观察模型是否仍能正确推理。

教学回答

反事实 = “假如猪会飞，故事怎么编？”

正常：猫吃鱼，狗吃肉，奥特曼吃小怪兽。  
反事实：鱼吃猫，肉吃狗，小怪兽吃奥特曼。  
问：谁吃奥特曼？ → 小怪兽

→ 如果模型答“奥特曼”，说明它死记硬背！

测试用：

• 模型是不是真懂？
• 换个说法还行吗？
• 有没有偏见？

小结：10 个技巧记口诀

“清、例、步、角、模、指、学、温、目、格”

1. 清：指令要清楚
2. 例：少样本给例子
3. 步：思维链走一步
4. 角：角色要装好
5. 模：模板反复套
6. 指：指令写规范
7. 学：上下文能学
8. 温：温度调大胆
9. 目：目标要明确
10. 格：格式要统一

背会这 10 个字，你就能当“提示词魔法师”啦！✨