各位未来的“AI耳语者”（Prompt Engineer）们，大家好！欢迎来到这篇可能是你职业生涯中最不正经但绝对有用的技术文章。在2025年的今天，如果你还以为和AI（人工智能）对话，就像和楼下大爷聊天一样随性，那你就“out”啦！🤖

与大型语言模型（LLM）打交道，更像是在跟一个博学多才但偶尔有点“一根筋”的“灯神”许愿。你说得越精准，它实现的愿望就越靠谱；你说得含糊不清，它可能就会给你一头“会飞的猪”而不是一辆“会飞的汽车”。而“提示词工程”（Prompt Engineering），就是那本教你如何正确许愿的“神灯使用手册”。

这门学科的目标，就是通过精心设计和优化我们输入的“提示”（Prompt），让LLM这位超级大脑能够更高效、更准确地为我们服务，无论是在解答问题、写代码，还是进行文学创作等各种任务上。

本指南是系列文章的第一篇，我们将从最基础的概念开始，带你一步步揭开提示词的神秘面纱。准备好了吗？让我们一起学习如何“调教”……啊不，是“引导”我们强大的AI伙伴吧！🚀

第一章：基础提示概念与示例 —— “你好，AI，在吗？”

想象一下，你第一次见到一个功能强大的机器人，你对它说的第一句话是什么？“你好”？“你会干啥”？这些就是最原始、最基础的提示。

1.1 什么是提示（Prompt）？

从本质上讲，提示就是你向大型语言模型（LLM）发出的任何文本输入。它可以是一个问题、一段指令、一句未完的话，甚至只是一堆关键词。LLM会根据这个输入，动用它那庞大的“知识库”和“推理能力”，生成它认为最合适的后续文本。

一个基础的提示通常包含了你希望模型执行的任务或回答的问题。你可以把它看作是与AI沟通的“开场白”。

一个简单的提示示例：

提示：

天空为什么是蓝色的？

在这个例子里，我们直接提出了一个问题。对于一个训练有素的LLM来说，它会立刻理解你的意图，并开始解释瑞利散射等物理现象。

但问题来了，如果我们想让它扮演一个角色来回答呢？或者我们想让它用五岁小孩能听懂的语言来解释？这时候，简单的提问就不够了。一个更有效的提示需要包含更多信息。

一个稍微复杂点的提示示例：

提示：

作为一个拥有天体物理学博士学位的诗人，请用一首短诗来解释天空为什么是蓝色的。

看到区别了吗？我们不仅提出了问题，还给了AI一个 角色（诗人博士） 和 输出格式（短诗） 的要求。这就是提示工程的魅力所在——通过增加细节，精确地引导AI的输出方向。

1.2 提示的“威力”取决于信息量

记住一个核心原则：你给AI的信息越多、越具体，得到的结果就越接近你的预期 。只说“写个故事”，你可能会得到一个关于小猫咪的童话；但如果你说“写一个赛博朋克风格的短篇故事，主角是一个失去记忆的仿生人侦探，故事发生在新东京的雨夜”，那么结果的质量和方向性将截然不同。

这就像点菜，你只说“来个菜”，厨师可能会随便给你炒个青菜；但如果你说“来一份宫保鸡丁，多放花生，少放辣”，厨师才能精准地做出你想要的美味。提示词工程，就是教你如何成为一个懂得“点菜”的顶级吃货。😉

第二章：LLM 参数设置 —— AI 的“情绪”调节器

如果你以为只要写好提示词就万事大吉了，那可就太天真了！与LLM互动时，我们还能调整一些“旋钮”，来控制它的“创作风格”和“性格”。其中最重要、也最有趣的两个参数就是 temperature（温度）和 top_p。

2.1 Temperature (温度)：AI的“创意兴奋剂”

Temperature参数控制着LLM输出的随机性。你可以把它想象成AI的“创意兴奋剂”或“胆量值” 。它的取值范围通常在0到1之间。

低 temperature (例如 0.1 - 0.3)：

效果： AI会变得非常“冷静”和“保守”。它会倾向于选择最常见、最合乎逻辑的词语来构建句子。输出结果会非常确定、重复性高，适合需要事实、精准和逻辑的任务。

适用场景：

事实性问答（“法国的首都是哪里？”）

代码生成（需要精确无误的语法）

文本分类、信息提取等严谨任务。

像一个严谨的会计师，每一分钱都算得清清楚楚，绝不即兴发挥。

高 temperature (例如 0.7 - 0.9)：

效果： AI会变得“热情奔放”、“脑洞大开”。它会敢于尝试不那么常见、更有创意的词汇组合，输出结果更多样、更有趣，甚至可能出人意料。

适用场景：

创意写作（写诗、写故事、想广告语）

头脑风暴（“给我10个关于环保APP的新点子”）

角色扮演或对话生成，让对话更自然、不刻板。

像一个喝了假酒的诗人，灵感如泉涌，佳句与“胡话”齐飞。

2.2 Top_p (核采样)：AI的“专注力过滤器”

Top_p 参数，也叫核采样（Nucleus Sampling），它从另一个维度控制输出的多样性。它决定了AI在生成下一个词时，从多大的“候选词库”里进行选择 。top_p 的值是一个0到1之间的概率。

工作原理： 假设 top_p 设置为0.9。AI会计算出所有可能成为下一个词的概率，然后从高到低排序，并累加它们的概率。当累加概率达到0.9时，它就划定一个“核心词库”（Nucleus），并只在这个词库里进行随机选择。

低 top_p (例如 0.1)：

效果： 核心词库非常小，只包含那几个概率最高的词。这使得AI的输出非常集中和确定，类似于低 temperature 的效果。

高 top_p (例如 0.95)：

效果： 核心词库很大，包含了大量可能性，AI的选择范围更广，输出更多样化。

2.3 Temperature vs. Top_p：鱼与熊掌如何兼得？

这两者功能相似，但机制不同。一个常见的最佳实践是：通常只调整其中一个，而不是两个都调！因为同时调整它们，就像一边踩油门一边踩刹车，很难预测最终效果。

官方推荐： OpenAI等机构通常建议优先调整 temperature。

经验法则：

追求创意与多样性： 设置较高的 temperature (如 0.7-0.9)，top_p 保持默认值1。

追求稳定与精确： 设置较低的 temperature (如 0.2)，top_p 保持默认值1。或者将 temperature 设为1，然后降低 top_p 的值。

场景化参数推荐表 (仅供参考，最佳值需实验)：

代码生成/数学计算 0.0 - 0.2 1.0 (或不设置) 需要绝对的精确性和逻辑性，杜绝“创意”发挥。

创意写作/头脑风暴 0.7 - 0.9 1.0 (或不设置) 鼓励AI打破常规，生成新颖、有趣的内容。

事实问答/文本摘要 0.2 - 0.5 1.0 (或不设置) 在保证事实准确性的前提下，增加一点语言的流畅性。

角色扮演/聊天机器人 0.7 - 0.9 1.0 (或不设置) 模仿人类对话的自然性和不确定性，让对话不死板。

记住，没有绝对的“最佳参数”，只有最适合你当前任务的参数。多尝试、多实验，你就能找到与你的AI伙伴最合拍的“情绪频道”。

第三章：提示元素及设计要点 —— “米其林级”AI大餐的秘方

一个强大的提示，就像一道米其林星级菜肴，由多种“食材”精心搭配而成。理解这些基本元素，是成为提示词大厨的第一步。一个结构良好的提示通常包含以下几个核心要素：

3.1 提示的四大核心元素

指令 (Instruction)：

定义： 你希望模型执行的具体任务。这是提示中最核心的部分。

示例： “总结以下文章”、“将这段英文翻译成中文”、“写一首关于秋天的五言绝句”。

厨师比喻： 这是菜谱的“主标题”，比如“清蒸鲈鱼”。

上下文 (Context)：

定义： 为模型提供背景信息或约束条件，帮助它更好地理解任务。

示例： “在下面的对话中，我是用户，你是客服”、“背景：这是一个面向儿童的科普读物”。

厨师比喻： 这是“烹饪环境”，比如“使用蒸锅，时间控制在8分钟”。

输入数据 (Input Data)：

定义： 你希望模型处理的具体信息或问题。

示例： 需要被总结的文章全文、需要被翻译的英文句子。

厨师比喻： 这是“主要食材”，比如那条新鲜的鲈鱼。

输出指示符 (Output Indicator)：

定义： 指定输出的格式、结构或类型。

示例： “以JSON格式输出”、“请用无序列表回答”、“生成的摘要不要超过100字”。

厨师比喻： 这是“摆盘要求”，比如“装在白色长盘中，撒上葱丝”。

一个“四项全能”的提示示例：

提示：

[指令] 请总结以下客户评论。

[上下文] 你是一名专业的电商产品分析师，需要从评论中提炼出优点和缺点。

[输入数据] “这款吸尘器吸力很强，噪音也小，但是电池续航太短了，用了半小时就没电了，而且充电要很久。”

[输出指示符] 请以JSON格式输出，包含’pros’和’cons’两个键，值为字符串数组。

这样的提示，就像给AI大厨一份详尽无比的SOP（标准作业程序），它想做错都难！

3.2 提示设计的黄金法则

设计提示词是一门艺术，更是一门科学。遵循以下几条“黄金法则”，能让你的提示效果提升一个数量级：

清晰具体，拒绝模糊：

坏例子： “写点关于狗的东西。”

好例子： “写一篇500字左右的短文，描述一只金毛寻回犬在一个阳光明媚的下午，在公园里追逐飞盘的快乐场景。”

要点： 永远假设AI是个“直肠子”，你必须把需求描述得像法律条文一样清晰。

多用“你应该做什么”，少用“你不要做什么”：

坏例子： “写一段描述，不要出现陈词滥调。” (AI可能反而会因为“陈词滥调”这个词而联想到它们)

好例子： “写一段描述，请使用新颖、独特的比喻。”

要点： 正向引导远比反向禁止更有效。

赋予角色，入境三分：

给AI一个明确的身份，能极大地提升输出的专业性和风格一致性。

示例： “扮演一位资深投资银行家，分析一下当前的市场趋势。” vs “分析一下当前的市场趋势。” 前者的回答会更专业、术语更地道。

使用分隔符，结构清晰：

当提示词内容复杂，包含多段文本时，使用 ###、“”" 或 XML 标签等分隔符来区分指令、上下文和输入数据。这能帮助AI更好地解析你的意图。

示例：

指令

总结以下文本。

文本

“”"

[此处放入长长的文本]

“”"

明确输出格式，省去后处理的烦恼：

如果你需要程序直接处理AI的输出，那么在一开始就规定好格式（如JSON、Markdown、CSV）至关重要。

示例： “提取文本中的人名、地名和组织名，并以JSON对象数组的形式返回，每个对象包含’entity’和’type’两个字段。”

掌握了这些设计要点，你就从一个只会说“你好”的门外汉，晋升为懂得排兵布阵的“提示词策略师”了。

第四章：标准提示与 Few-shot Prompting —— 从“授人以鱼”到“授人以渔”

现在，我们来聊聊两种最核心的提示策略：标准提示（通常指零样本提示）和少样本提示（Few-shot Prompting）。

4.1 标准提示 (Zero-shot Prompting)

零样本提示（Zero-shot Prompting），顾名思义，就是不给AI任何具体的执行范例，直接让它根据指令去完成任务 。我们前面见到的大部分例子都属于零样本提示。

示例（情感分类）：

提示：

将以下文本分类为“积极”、“消极”或“中性”。

文本：“这部电影的结局真是太棒了！”

分类：

这种方式的优点是简单直接，对于那些LLM在训练中已经见过无数次的常见任务（如翻译、总结、简单问答），效果非常好。

但是，当你面对一个新颖的、或者格式要求特殊的任务时，只靠零样本提示，AI可能会“蒙圈”。这时候，就需要更高级的玩法了。

4.2 少样本提示 (Few-shot Prompting)

少样本提示（Few-shot Prompting）是一种极其强大的技术。它的核心思想是，在提出正式任务之前，先给AI提供几个“输入-输出”的范例 。这就像老师在教学生新知识时，会先举几个例子一样。

通过这些例子，AI能够“在上下文中学习”（In-context Learning），快速理解你想要的模式和格式，而无需重新训练模型。

示例（创造新词并解释）：

提示：

范例1：

输入：一种早上醒来后不想上班的强烈情绪。

输出：晨间倦怠 (Morning-nertia)

范例2：

输入：因为害怕剧透而不敢上社交媒体的状态。

输出：剧透恐惧症 (Spoiler-phobia)

正式任务：

输入：打开冰箱门，盯着里面看了半天，然后忘记自己要拿什么的现象。

输出：

看到这个提示，AI会迅速领悟到你的模式：将一种现代生活现象，创造一个复合词来描述。它很可能会生成类似“冰箱失忆症 (Fridge-amnesia)”或“开门茫然 (Door-mnesia)”这样有趣的答案。

在实际应用中，我们甚至可以结合代码模板来动态构建少样本提示，例如使用Python的 LangChain 库中的 FewShotPromptTemplate。

通过这种方式，我们可以动态地、结构化地构建强大的少样本提示，让AI能够处理各种复杂和定制化的任务。

One-shot Prompting： 只给一个范例。

Few-shot Prompting： 给出多个（通常是2-5个）范例。

少样本提示是提示工程中从入门到精通的“分水岭”，掌握它，你就真正拥有了“调教”AI的能力。

第五章：实际案例分析与常见错误 —— “翻车现场”与“拯救指南”

理论说了这么多，是时候上点“干货”，看看在真实世界中，这些技巧是如何应用的，以及新手们最容易在哪些地方“翻车” 。

5.1 案例：智能客服邮件摘要机器人

**业务场景：**一家电商公司希望开发一个工具，能自动将用户的投诉邮件总结成结构化的摘要，方便客服快速跟进。

数据来源： 真实的用户投诉邮件。

初始尝试（一个糟糕的提示）：

提示 (版本1.0)：

总结这封邮件。

邮件内容：

“你好，我上周买的那个型号为X-2025的咖啡机，昨天第一次用就坏了！开机没反应，屏幕也不亮。我查了订单号是#12345，希望能尽快给我换一个新的，或者退款也行。你们的质量太让人失望了！”

AI可能的输出：

“一位顾客的咖啡机坏了，他想要换货或退款。”

这个输出虽然没错，但信息量太低，对客服来说价值不大。它缺少了关键信息，比如产品型号、订单号和具体故障。

5.2 常见错误分析

这个“翻车”的提示犯了以下几个典型错误：

指令过于模糊： “总结”是一个很宽泛的词。什么样的总结？需要包含哪些关键信息？完全没说。

缺少输出格式要求：AI以自然语言的形式返回，不方便程序进行后续的自动化处理。

未提供上下文或角色：AI不知道它是为“客服快速跟进”这个特定目的服务的，因此没有主动提取那些关键信息。

5.3 优化与迭代（一个优秀的提示）

现在，让我们用前面学到的知识来“拯救”这个提示。

[输入数据 - 邮件]

“”"

你好，我上周买的那个型号为X-2025的咖啡机，昨天第一次用就坏了！开机没反应，屏幕也不亮。我查了订单号是#12345，希望能尽快给我换一个新的，或者退款也行。你们的质量太让人失望了！

“”"

[输出]

AI理想的输出：

分析这次成功的原因：

清晰的指令和角色：明确了AI的身份和任务。

具体的上下文和要求：详细列出了需要提取的“关键信息”。

严格的输出格式：使用JSON格式，并定义了键名，甚至考虑了信息缺失的情况。

清晰的结构：使用分隔符 — 和 “”" 将不同部分隔开，让AI一目了然。

通过这样的迭代优化，我们把一个几乎无用的摘要，变成了一个可以直接被系统集成的、高价值的结构化数据。这就是提示工程的真正力量所在——它不仅仅是“和AI聊天”，而是在设计一种高效的人机协作流程。

你的“耳语者”之旅刚刚开始

恭喜你！读到这里，你已经成功完成了“提示词工程”的新手村任务。你了解了什么是提示，学会了如何调节AI的“情绪”（temperature 和 top_p），掌握了构建提示的“食材”和“菜谱”，甚至还亲眼见证了一个“翻车现场”是如何被力挽狂澜的。

但这仅仅是个开始。提示词工程的世界远比这更广阔，还有诸如思维链（Chain-of-Thought）、自洽性（Self-Consistency）等更高级的魔法等着你去探索。

记住，与AI合作的未来，属于那些懂得如何巧妙提问、精准引导的“AI耳语者”。现在，关上这份指南，去打开你的AI工具，开始你的第一次“许愿”吧！祝你好运，未来的大师！👋✨

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！