1.  提示词工程简介 1.1 提示词工程的定义 提示词工程（Prompt Engineering）主要围绕如何有效地与人工智能（AI）模型进行互动，尤其是在生成式人工智能（如ChatGPT、GPT-4、DeepSeek等大语言模型）中的应用。简单来说，提示词工程是指如何设计、优化、调整输入给AI模型的提示词（Prompt），从而获得最有效、最准确的输出。对于AI模型来说，提示词就像是一把钥匙，它打开了模型的思维，帮助引导模型生成特定类型的回应或解决方案。 随着人工智能技术，尤其是自然语言处理（Natural Language Processing，NLP）领域的快速发展，提示词工程逐渐成为技术工作者、产品经理和研究人员需要掌握的技能之一。在实践中，优秀的提示词能够帮助用户更好地引导模型，获得高质量、符合需求的输出，从而提升工作效率，解决复杂的问题。 1.2 提示词工程的核心内容 提示词工程的核心内容包括但不限于以下几个方面： 1.3 提示词工程的应用场景 1.4 提示词工程的发展历程 从提示词工程的发展历程来看，AI 模型经历过结构化的输入等一系列过程，直到现在的提示词工程的样式。 2.  提示词工程的使用 提示词工程的方法有很多，包括但不限于零样本学习、少样本学习、思维链、思维树、RAG、ReAct等内容。本文将介绍其中的部分知识，以启发大家在与大模型交互的过程中的提示词工程方法。 2.1 简单使用 如今的提示词工程的入门也十分简单，直接就可以通过对话的方式与 AI 进行沟通和交流。形如下述格式，用户写一段文本信息或者一句简短的话，模型就可以输出相应的内容。 如果用户觉得上述内容不够完善，有两种常见的方式进行解决。第一种是提供更多的信息（A clearer and more precise prompt），包括上下文的消息、网站最新消息和更加精确的指令，当 AI 接收到这些消息和指令的时候，输出的内容就会更加完善与精确；第二种方法是角色扮演（Role prompting example），就是假设你是一个某某方向的专家，并且在输入的时候告知 AI 模型，AI 模型就会自动承担这个专家的角色并进行内容的输出。 2.2 Zero-shot、One-shot、Few-shot Zero-shot学习指的是模型在没有见过任何与特定任务相关的示例数据的情况下，直接执行该任务。简单来说，就是零样本学习。在Zero-shot学习中，模型依赖其在预训练阶段获得的知识，能够根据输入的指令或描述，完成没有直接训练过的任务。 One-shot学习指的是模型在处理任务时，仅需一个示例来理解任务并进行执行。换句话说，模型通过一个示例就能“学会”如何完成任务，并可以在此基础上继续进行类似任务的推理，就是单样本学习。 Few-shot学习指的是模型通过少量的训练示例来完成任务。通常，few-shot学习会提供比One-shot更多的示例（通常在3到10个之间），使得模型能够更好地理解任务的规律和要求，就是少样本学习。 学习方式 示例数 任务依赖 适用场景 Zero-shot 无示例 无需任何任务特定的训练数据 适用于任务描述明确且模型具备足够语言理解能力的情况。常见于机器翻译、情感分析等任务。 One-shot 1个示例 只需要一个任务相关示例 … Continue reading 提示词工程（Prompt Engineering）