提示工程入门：让 AI 听懂你的心声 🪄
本指南旨在帮助开发者理解并掌握大语言模型（LLM）的配置参数、逻辑推理技巧及结构化框架，以提升 AI 输出的精准度与工程化稳定性。
1. 模型配置参考 (Parameter Reference)
通过调整模型参数，你可以控制输出的随机性、长度及词汇分布。
| 参数名称 | 技术定义 | 推荐取值范围 | 适用场景 |
|---|---|---|---|
| Temperature | 概率分布的平滑程度。降低该值会使概率分布更陡峭，增强确定性。 | $0.1 - 0.5$ (严谨) $0.7 - 1.2$ (创意) | 逻辑推理、代码生成建议使用低值；文学创作建议使用高值。 |
| Top_p | 核采样（Nucleus Sampling）。仅从累积概率达到 $P$ 的候选词中采样。 | $0.7 - 0.95$ | 保持输出多样性的同时避免出现完全无意义的低频词。 |
| Frequency Penalty | 对已出现词汇进行惩罚，基于词频降低其再次生成的概率。 | $0.1 - 1.0$ | 解决模型“车轱辘话”反复循环的问题。 |
| Presence Penalty | 基于主题存在性进行惩罚，强制模型谈论新话题。 | $0.2 - 0.8$ | 引导模型进行发散性思考，避免围绕单一语义点绕圈。 |
2. 提示技巧
2.1 零样本提示（Zero-Shot Prompting）
原理：模型仅依靠预训练知识直接生成答案，无需示例。
方法：直接提问，不提供任何上下文或示例。
效果：快速响应，适用于简单任务；复杂任务可能不准确。
示例：
提示：
"法国的首都是哪里？"
输出："巴黎"
2.2 少样本提示（Few-Shot Prompting）
原理：提供少量示例引导模型理解任务模式。
方法：在问题前添加2-5个输入-输出示例。
效果：提升复杂任务准确性，降低模型幻觉风险。
示例：
提示：
"苹果 -> 水果 | 汽车 -> 交通工具 | 钢琴 -> ?"
输出："乐器"
2.3 零样本思维链（Zero-Shot CoT）
原理：强制模型分步推理，通过指令（如"逐步思考"）激活逻辑能力。
方法：在问题末尾添加"请逐步推理："或"Let's think step by step."。
效果：显著提升数学/逻辑问题准确率。
示例：
提示：
"若一个篮子里有5个苹果，吃掉2个，又加入3个梨，现在有多少水果？请逐步思考。"
输出："1. 初始苹果：5个 → 2. 吃掉2个：5-2=3苹果 → 3. 加入3个梨 → 4. 总计水果：3苹果+3梨=6个"
2.4 手动思维链（Manual CoT）
原理：人工设计推理步骤示例，教会模型解决同类问题。
方法：提供完整的逐步推理示例，再提问新问题。
效果：精准控制推理路径，适合专业领域（如法律/医学）。
示例：
提示：
"示例：问题：10kg物体以2m/s²加速，需多少力？解答：F=ma → m=10kg, a=2m/s² → F=10×2=20N""新问题：5kg物体以4m/s²加速，需多少力？"
输出："F=ma=5×4=20N"
2.5 自动思维链（Auto-CoT）
原理：用大模型自动生成推理示例，替代人工编写。
方法：输入问题后，追加指令如"生成解决此问题的推理步骤示例"。
效果：节省时间，适用于动态问题；需模型强推理能力。
示例：
提示：
"如何计算圆的面积？首先生成一个推理示例："
输出："示例：问题：半径3cm的圆面积？解答：1. 公式S=πr² → 2. r=3 → 3. S=3.14×9≈28.26cm²"
2.6 自我一致性（Self-Consistency）
原理：多次生成不同答案路径，投票选择最高频结果。
方法：设置temperature>0生成多个回复，或直接要求"生成3种解法并选最优"。
效果：减少随机错误，提升可靠性（尤其数学问题）。
示例：
提示：
"18÷3×(2+1)=？生成三种计算方案并投票："
输出："方案1：18÷3=6, 6×3=18 → 方案2：2+1=3, 3×3=9, 18÷9=2 → 方案3：括号优先，(2+1)=3, 18÷3=6, 6×3=18""投票结果：方案1和3正确（18），占比66%"
2.7 生成知识提示（Generated Knowledge Prompting）
原理：让模型先生成相关知识，再基于知识回答问题。
方法：拆分指令为两步："首先生成关于X的知识" → "基于以上知识回答Y问题"。
效果：深度整合信息，适合开放域问答。
示例：
提示：
"步骤1：生成量子纠缠的三条关键知识""步骤2：解释量子纠缠如何实现超距通信"
输出："知识：1. 粒子状态瞬时关联 2. 测量一方决定另一方 3. 不传递信息""解释：因无法控制粒子状态，不能传递信息，故不违反相对论"
2.8 链式提示（Prompt Chaining）
原理：将复杂任务分解为子任务链，分步解决。
方法：用"首先...其次...最后..."明确步骤，或多次交互。
效果：降低任务复杂度，避免模型迷失方向。
示例：
提示：
"任务：写一篇气候变化短文。步骤：1. 列出3个主要原因 → 2. 给出2个解决方案 → 3. 合成200字短文"
输出："原因：化石燃料、 deforestation、工业排放""方案：可再生能源、碳捕获""短文：气候变化主要由...解决需全球合作..."
2.9 思维树（Tree of Thoughts, ToT）
原理：模拟多路径决策树，评估不同推理分支。
方法：要求模型"列出所有可能解法→评估优劣→选择最优"。
效果：解决高不确定性问题（如策略制定），需强模型支持。
示例：
提示：
"问题：减少城市交通拥堵的方案""步骤：1. 列出5种方案 2. 分析各方案成本/效果 3. 推荐最佳方案"
输出："方案：限行(成本低但效果有限)、地铁扩建(效果久但成本高)...""推荐：智能交通系统+公交优先（平衡成本与效果）"
2.10 检索增强生成(Retrieval-Augmented Generation, RAG)
原理：从外部知识库检索信息，结合生成回答。
方法：系统自动检索知识库，或手动提供引用"基于以下资料回答：[文档]"。
效果：解决知识截止问题，提升事实准确性。
示例：
提示：
"资料：2023年诺贝尔医学奖授予mRNA疫苗研究者""问题：2023年诺贝尔医学奖得主的贡献是什么？"
输出："开发mRNA疫苗技术，革新传染病防控"
2.11 ReAct框架
原理：交替执行推理（Reason）和行动（Act，如搜索/计算）。
方法：结构化指令如"思考：... 行动：搜索[X]... 最终答案："。
效果：动态整合工具（如计算器/搜索引擎），适合实时数据任务。
示例：
提示：
"思考：需比较iPhone15和三星S23价格 → 行动：搜索最新报价 → 发现iPhone15 $799, S23 $699 → 答案：三星便宜$100"
2.12 Reflexion
原理：生成结果后自我批判并修正错误。
方法：追加指令"检查上述答案的潜在错误并改进"。
效果：迭代提升质量，减少事实/逻辑错误。
提示工程框架指南：KITE, RICE 与 CRISPE
在与大语言模型（LLM）协作时，提示词（Prompt）的结构直接决定了输出的质量。以下三种提示框架可以帮助开发者更好的理解提示词的结构。
1. KITE 框架：精准控制型
核心逻辑：像放风筝一样，既给予创作空间，又通过“控制线”确保不偏离轨道。 适用场景：文案撰写、数据格式化、有严格规范限制的任务。
| 要素 | 说明 | 示例 |
|---|---|---|
| K (Knowledge) | 注入知识：提供背景、角色或参考资料。 | “你是一位精通粤菜的资深美食家。” |
| I (Instruction) | 明确指令：清晰描述具体要完成的任务。 | “请为该餐厅撰写一篇 300 字的评论。” |
| T (Target) | 设定目标：定义预期效果或交付标准。 | “突出招牌菜特色，并包含明确的推荐等级。” |
| E (Edge) | 界定边界：规定禁止项或必须遵守的规则。 | “严禁编造虚假信息，使用 Markdown 格式。” |
2. RICE 框架：情境驱动型
核心逻辑：通过构建完整的任务画像，增强输出的“代入感”与“相关性”。 适用场景：角色扮演、模拟对话、创意写作、客服回复。
- R - Role (角色)：定义身份（如：面试官、科普作家）。
- I - Input (输入)：提供素材（如：待分析的数据、原始文本）。
- C - Context (上下文)：补充背景（如：受众群体、使用场合）。
- E - Expectation (期望)：明确结果（如：输出 JSON 格式、总结为三点）。
3. CRISPE 框架：工业级质量型
核心逻辑：引入项目管理思维，通过全维度拆解，保障复杂任务的严谨性。 适用场景：方案设计、技术文档、代码开发、深度研究。
- Clarify (澄清)：阐明核心目标，避免方向偏离。
- Role (角色)：指定专业领域身份。
- Input (输入)：提供任务所需的原始信息。
- Structure (结构)：预设输出内容的“骨架”（如：原理 > 步骤 > 示例）。
- Prompt (指令)：使用具体动作词（如：“诊断”、“优化”、“重构”）。
- Evaluate (评估)：设定验收标准（如：“代码需通过单元测试”）。
4. 框架选型对比
下表从控制力、复杂度及应用场景三个维度对框架进行对比，协助你选择最优方案：
| 维度 | KITE | RICE | CRISPE |
|---|---|---|---|
| 设计核心 | 边界约束 | 角色模拟 | 流程闭环 |
| 优势 | 结构清晰，能有效抑制模型幻觉。 | 轻量直观，输出更具专业口吻。 | 维度全面，保障高难度任务质量。 |
| 劣势 | 限制过多可能削弱创造力。 | 对格式和评估的控制较弱。 | 编写耗时，对于简单任务过于繁琐。 |
| 上手难度 | ⭐⭐ | ⭐ | ⭐⭐⭐ |
| 推荐用途 | 规范化内容生成 | 日常交互与创意表达 | 专业技术与逻辑分析 |
💡 专家提示： 无论使用哪种框架，请遵循 “一条指令，一个目标” 的原则。如果任务过于复杂，建议将大 Prompt 拆解为多个子步骤进行链式调用。
4. 最佳实践 (Best Practices)
- 先理解，后写作：在编写 Prompt 之前，先手动跑通一遍任务逻辑。
- 拒绝含糊：使用“不要超过 200 字”而非“简短一些”；使用“以 Markdown 表格输出”而非“整理一下”。
- 版本化管理：像管理代码版本一样管理 Prompt 迭代，记录不同版本对应的模型表现变化。
- 失败案例驱动：收集模型输出错误的案例，针对性地在
Edge(边界) 部分增加限制规则。
5. 快速开始模板 (README Style)
# [任务名称] Prompt 模板
## 角色设定
你是一名 [专业角色]，拥有 [X 年] 的 [领域] 经验。
## 背景上下文
当前正在处理 [项目名称]，目标是解决 [具体痛点]。
## 任务指令
1. 分析 [输入数据]
2. 提取 [关键特征]
3. 生成 [交付物]
## 输出规范
- 格式：Markdown
- 语言：简体中文
- 严禁：出现 [敏感词/编造事实]