在今天的冒险开始之前，我必须坦白一件事。我的研究团队动用了最先进的数字考古技术，试图挖掘出传说中的《提示词工程指南（二）：基本提示》的完整章节目录。我们翻遍了无数的资料库，但结果却出人意料——似乎并没有一个官方的、刻在石板上的“章节目录” 。这反倒让我们兴奋起来！这说明《指南（二）》并非一本尘封的古籍，而是一份活生生的、通过实践和示例代代相传的“口述历史”。它更像是一张藏宝图，而非一本枯燥的教科书。

所以，今天，我们将亲自绘制这张地图。我们将以指南中提供的核心示例为火种，结合我们广泛的研究发现，点燃一场关于“基本提示”的思维风暴。根据我们搜集到的情报，这些所谓的“基本”任务，如文本摘要、信息提取、问答、代码生成等，正是构筑起宏伟AI应用大厦的基石。

准备好了吗？我们将一起探索如何用最简单的语言，让强大的语言模型（LLM）为我们跳舞。

现在，系好安全带，我们的探险开始了！

第一章：文本摘要 —— 从“一坨”到“一句话”的炼金术

文本摘要，听起来就像是把一大块金矿石提炼成一小颗纯金的魔法。这正是LLM最擅长的表演之一。

基础操作：直接命令

指南中的第一个例子堪称经典中的经典：

提示：

解释抗生素

这是一个“零样本（Zero-shot）”提示的绝佳范例。我们没有给模型任何学习样本，只是下达了一个宽泛的指令。模型的回应相当不错，给出了一个百科全书式的标准答案。

但真正的魔法在于“迭代优化”。假设我们觉得这个答案太啰嗦，想要一个能放在社交媒体上的“懒人包”版本。指南展示了如何通过增加约束来精确控制输出：

提示：

抗生素是用于治疗细菌感染的一种药物。…（此处省略原始段落）

用一句话解释上面的内容：

看，我们把模型的第一次输出作为新的“上下文”，然后给出了一个极其具体的新指令：“用一句话解释”。这就是提示工程的精髓——对话式迭代，逐步求精。我们像一个雕塑家，一刀一刀地剔除多余部分，直到作品完美。

深度挖掘与难度升级

虽然我们的情报人员没能在网络上找到现成的难度分级示例 但这怎么能难倒我们？作为专家，我们现场创造！

低难度（基础浓缩）：正如指南中的抗生素例子，这是最直接的摘要任务。

中等难度（带角色和目标的摘要）：

提示：

我是一名高中生物老师，正在备课。请将下面这段关于“CRISPR-Cas9基因编辑技术”的学术段落，总结成三个要点，确保我的学生们能听懂，语言要生动有趣，可以打比方。

[此处附上一段复杂的学术论文摘要]

在这里，我们不仅要求摘要，还定义了角色（高中老师）、目标受众（学生）和输出格式（三个要点，生动有趣）。这要求模型不仅理解内容，还要进行创造性的转述。

高难度（观点对比与提炼摘要）：

提示：

以下是两位经济学家关于未来五年通货膨胀趋势的辩论。请仔细阅读他们的观点，然后用不超过200字的段落进行总结。总结必须包含：1. 双方的核心分歧点；2. 他们各自依赖的关键数据；3. 最终的共识（如果有的话）。

[此处附上两段立场对立的文本]

这个任务要求模型具备更高的逻辑分析能力，需要它去比较、归纳、寻找冲突与共识，这已经超越了简单的信息压缩。

第二章：信息提取 —— 沙里淘金的精准打击

如果说摘要是炼金，那信息提取就是用高精度磁铁从沙子里吸出铁屑。我们不关心沙子（大部分文本），只想要那闪闪发光的“铁屑”（特定信息）。

基础操作：精确制导

指南中的例子非常巧妙：

提示：

…作者在研究论文中的贡献声明和致谢中应明确并具体说明作者在撰写和分析论文时是否使用了像ChatGPT这样的人工智能技术…

以上段落中提到的大型语言模型产品是？

这个提示的聪明之处在于，它将LLM从一个“创作者”变成了一个“阅读理解机器人”。它迫使模型聚焦于一个具体的问题，并从提供的文本中寻找唯一答案。这在处理大量文档，如法律合同、财务报告或科研论文时，简直是神器。

深度挖掘与格式化输出

信息提取的真正威力在于其与结构化数据的结合。

低难度（单一信息点提取）：如指南中的ChatGPT例子。

中等难度（多信息点提取）：-

提示：

从以下产品描述中，提取产品名称、价格和电池续航时间。

“隆重介绍我们全新的’星辰V1’智能手表！它拥有长达72小时的惊人续航，仅售199美元，是您手腕上的终极伴侣。”

模型应该能轻松地识别并列出这三个信息点。

高难度（结构化格式输出 - JSON）：

提示：

请从下面的文本中提取用户信息，并以JSON格式返回。JSON对象应包含’name’、'email’和’order_number’三个键。如果信息不存在，请将对应的值设为null。

“客户张三（邮箱：zhangsan@example.com）刚刚下了一个新订单。订单号是A12345678。”

预期输出：

这个任务不仅考验模型的提取能力，还考验它遵循复杂格式指令的能力，这是构建自动化工作流的关键一步。

第三章：灵魂问答 —— 不止是“知道”，更是“会说”

问答（Q&A）是LLM的看家本领，但一个好的提示词工程师能让它从“谷歌搜索的搬运工”进化成一个“有上下文感知能力的专家”。

基础操作：提供上下文，设定规则

指南中的OKT3例子堪称教科书级别的结构化问答提示：

提示：

根据以下上下文回答问题。回答应简短明了。如果不确定答案，请回复“不确定答案”。

上下文: Teplizumab 的起源可以追溯到…（此处省略上下文）…

问题: OKT3 最初来源于什么？

答案:

这个提示包含了所有黄金要素：

指令清晰： “根据以下上下文回答”。这被称为“植根（Grounding）”，能极大减少模型“一本正经地胡说八道”（即幻觉）。

格式约束： “回答应简短明了”。

异常处理： “如果不确定答案，请回复‘不确定答案’”。这对于建立可靠的AI系统至关重要。

结构化布局： 上下文、问题、答案的清晰分隔，让模型一目了然。

这种结构化方法，正如许多研究所证实的那样，是获得高质量、可信赖答案的关键 。

第四章：文本分类 —— 给思想贴上理性的标签

文本分类就像是给邮件自动打上“工作”、“广告”或“垃圾邮件”的标签。

基础操作：从零到一的进化

指南的例子生动地展示了从“零样本（Zero-shot）”到“少样本（Few-shot）”的进化过程。

零样本的问题：

提示：

将文本分类为中性、负面或正面。

文本：我认为食物还行。

情感：

输出： 中性

这个输出虽然正确，但格式很“自由”。如果我要把这个结果录入数据库，我可能只想要“中性”这两个字，而不是一个完整的句子。

少样本的魔法：

提示：

将文本分类为中性、负面或正面。

文本：我认为假期还不错。

情感：中性

文本：我认为食物还行。

情感：

输出： 中性

看到了吗？我们只给了一个例子，模型就立刻“心领神会”，学会了我们想要的输出格式。这个例子完美诠释了为什么在提示工程中， “Show, don’t just tell.”（展示，而不仅仅是告知）是一条黄金法则。通过示例学习，是引导模型行为最有效的方式之一。

第五章：对话艺术 —— AI也需要“人设”

构建对话系统时，我们不希望AI像一个没有感情的应答机器。我们需要它有“人设”。这就是“角色提示”大显身手的地方。

基础操作：设定角色框架

指南中的AI研究助手例子生动地展示了如何通过一段简单的开场白来设定AI的性格和说话方式。

人设一：高冷学霸

提示： 以下是与AI研究助手的对话。助手的口吻是技术性和科学性的。

…

人设二：亲切学长/学姐

提示： 以下是与AI研究助手的对话，助手的回答应该易于甚至小学生也能理解。

…

这就像给演员一个剧本，第一句话就定义了他是谁。这个初始的“系统提示”或“元提示”会为整个后续对话定下基调。

深度挖掘与创意扮演

让我们来玩点花的：

提示：

你是一只来自17世纪加勒比海的愤世嫉俗的海盗船长，名叫“独眼杰克”。你丢了一只鹦鹉，心情很差。现在，一个菜鸟水手问你：“船长，我们为什么需要每天擦洗甲板？” 请用你的身份和口吻回答他。

你可以想象，模型的回答绝不会是“为了保持船只清洁和安全”，而更可能是：“你这蠢货！再问这种蠢问题，我就把你绑在桅杆上当鱼饵！甲板不干净，绳子就会被腐蚀，到时候巨浪打过来，我们都得去喂鲨鱼！”

这就是角色提示的魔力——它能瞬间将一个通用模型转变为特定领域、特定风格的专家、伙伴甚至是一个有趣的虚拟角色。

第六章：代码生成 —— 从“我想要”到“它能跑”

尽管原始指南文本中未包含代码生成的示例，但我们的研究表明，这是基本提示最令人兴奋的应用之一。LLM正在成为每个程序员的“结对编程”伙伴。

低难度（基础函数生成）：

提示：

用Python写一个函数，计算一个列表里所有偶数的和。

中等难度（带上下文的脚本）：

提示：

我正在使用Pandas库处理一个名为 df 的DataFrame。这个DataFrame有’age’和’salary’两列。请写一段代码，筛选出所有年龄大于40岁的行，并计算他们平均薪资。

高难度（复杂逻辑与自我解释）：

提示：

用Python写一个函数 validate_email(email_str)。它需要检查一个字符串是否是有效的电子邮件地址。有效规则是：1. 包含一个’@'符号。2. ‘@‘符号后至少有一个’.’。3. '@'不能是第一个字符。4. '.'不能是最后一个字符。请为你的代码添加详细的注释，解释每一步的逻辑。

这里的关键在于，我们不仅要求代码能跑，还要求它“可读”、“可维护”（通过注释）。

第七章：推理游戏 —— 让AI学会“想一想”

推理是衡量AI智能的试金石。虽然复杂的推理需要更高级的技巧，但我们可以用基本提示引导模型进行简单的逻辑推理。

低难度（简单算术应用题）：

提示：

一个农场里有5只鸡和3头牛。请问总共有多少条腿？

中等难度（逻辑判断）：

提示：

房间里有三个人：汤姆、杰瑞和斯派克。汤姆戴着红帽子。杰瑞戴的不是红帽子。斯派克看到的两个人戴着不同颜色的帽子。请问杰瑞戴的是什么颜色的帽子？

高难度（引入“思维链”的雏形）：

提示：

问：一个杂耍演员开始时有16个球。他在第一场表演中掉了6个，在第二场表演中捡回了5个，然后又掉了8个。他现在还有多少个球？

请一步一步地思考并解答。

这句“请一步一步地思考并解答”是开启模型“思维链（Chain-of-Thought）”能力的钥匙。它鼓励模型不直接给出答案，而是先输出其推理过程，这不仅能大大提高复杂问题的正确率，也让我们能洞察它的“思考”逻辑。

第八章：Python笔记本的奇妙联动

我们的研究档案显示，将LLM与Python Notebook（如Jupyter）结合是一种强大的实践方式。这不仅仅是生成代码，而是创造了一个动态的、人机协作的探索环境。

想象一下这个工作流：

在Notebook的第一个单元格（Prompt）：

任务1：获取数据`

提示：请生成Python代码，使用yfinance库下载苹果公司（AAPL）过去一年的股票数据。`

模型生成代码，你执行它。 数据被加载到名为aapl_df的DataFrame中。

在第二个单元格（Prompt）：

任务2：数据可视化`

提示：基于上一步的aapl_df，请生成代码，使用matplotlib绘制收盘价（Close）的时间序列图，并给图表加上合适的标题和坐标轴标签。`

模型再次生成代码，你执行它。 一张精美的图表立刻呈现在你眼前。

这种“提示-生成-执行-观察-再提示”的循环，将LLM的快速开发能力与Notebook的即时反馈和状态保持能力完美结合，是未来数据科学和研究的强大范式。

最终章：我们的“基本”冒险与未来的“高级”魔法

我们今天的探险即将结束。回顾我们的旅程，我们发现所谓的“基本提示”一点也不“基本”。它们是构建一切复杂AI交互的原子。我们学会了：

结构为王：清晰的指令、上下文和格式是成功的关键。

示例是最好的老师：“少样本”提示能以极低的成本教会模型你想要的格式和行为。

人设定义交互：“角色提示”能让AI瞬间化身为你需要的任何角色。

迭代通向完美：好的提示往往不是一次成型，而是在与AI的“对话”中不断打磨而成。

那么，如何衡量我们的提示词写得好不好呢？在实际项目中，我们会用到各种评估指标。对于分类任务，我们会看准确率、精确率和召回率 ；对于摘要任务，可能会用到ROUGE分数 。但对于今天的我们来说，最好的指标就是：“模型给出的答案，是你想要的那个吗？”

这次的指南只是一个开始，它为我们推开了通往更高级提示工程技术的大门。在未来的探险中，我们还会遇到更强大的魔法，如“思维链”、“自洽性”等等。

但请记住，无论技巧多么高级，它们都建立在今天我们所探索的这些坚实的基础之上。现在，拿起你的键盘，去创造属于你自己的提示词魔法吧！旅途愉快，未来的魔法师们！

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”！