大模型是AI引擎，提示词工程即精准控制术…

一、 LLM（大模型）

1.国内外主要模型

国外主要模型:

  • GPT系列：
    • ChatGPT (GPT-3.5系列)于2022年底上线，在两个月内用户破亿。它采用RLHF (人类反馈强化学习)，更擅长对话生成。
    • GPT-4于2023年发布，支持多模态输入，逻辑推理能力显著提升。
    • GPT-4o于2024年5月推出，是支持文本/语音/图像输入的多模态版本，速度是GPT-4的两倍但成本更低。
  • Anthropic的Claude： 2021年推出，强调安全与可靠性。最新的Claude 3系列在高级推理和编程任务上达到新标准，并广泛用于对话、编码、写作等场景。
  • Google的Gemini (前Bard)： 2023年推出，擅长搜索与对话。
  • Meta的LLaMA系列： Meta发布的开源大模型，用于研究与商业集成。

国内主要模型：

  • 百度的“文心一言” (ERNIE Bot)： 擅长中文自然语言理解和生成，被媒体称为中国版ChatGPT，支持智能问答、内容创作、翻译等。
  • 阿里的“通义千问” (Qwen)： 自主研发的通用大模型，支持文本、图像、音频和视频等多模态输入。可进行文本创作、摘要、翻译、对话模拟等。
  • DeepSeek 大模型：推出了多个开源大语言模型（如 DeepSeek-VL、DeepSeek-Coder、DeepSeek-MoE 等），具备较强的中文和英文处理能力，特别在代码生成和多模态推理方面表现优异。
    • DeepSeek-VL 支持图文多模态输入
    • DeepSeek-Coder 专注于代码生成与解释，已被广泛用于开源社区和企业开发中

1.1【ChatGPT】常见的自定义GPT有哪些？

2.LLM工作原理简介

大语言模型（Large Language Model, LLM）是一类经过海量文本数据训练的深度神经网络模型，具备理解和生成自然语言的能力。如：当前主流的LLM（如GPT 系列）基于 Transformer 架构，擅长处理序列数据，尤其适用于语言任务。

LLM工作原理

用一句话总结：通过对【上下文理解】和一定的【概率生成】, 【预测下一个词】。

注意：

  • 上下文理解：上下文并非是一个词或一句话，而是模型捕捉上下文窗口中的一系列文本内容，作为【上下文语义和逻辑关系】。
    • 上下文窗口（Context Window）：表示模型在一次处理过程中能“记住”的最大输入长度。举例：GPT-4 Turbo 支持的窗口长度为128k token（相当于几本小说的长度），超出窗口的内容将被截断或忽略，需合理控制输入量。
  • 概率生成：模型会为所有可能生成的词分配概率（不同温度设置temperature会影响输出的随机性与创造性），并选择最合理的那个。

对工程师的意义：模型不会主动思考。工程师作为”协作者“，负责通过【提示词】去“设定目标 + 编写指令”，控制模型的行为。

二、提示词工程（Prompt）

1.什么是提示词工程？

提示词工程（Prompt Engineering）是指通过精心设计输入给大语言模型（LLM）的指令（Prompt），以引导其输出更准确、相关和结构化的结果。

Prompt的目标：是与模型高效交互

  • 精准控制模型行为 ：明确指令去减少“猜意图”的不确定性。
  • 提高输出质量，提升开发效率：在代码生成、文档编写、调试辅助等场景中节省时间。
  • 增强一致性：确保不同请求下输出风格和格式统一，便于集成使用。

适用场景：

  • 自动生成函数或类代码（如：“用typescript写一个快速排序算法，并添加类型注解”）
  • 编写技术文档（如：“为用户登录接口生成API说明文档，包含参数、返回值和示例”）
  • 数据分析脚本（如：“写一个nodejs脚本，读取CSV并统计各城市的订单总数”）
  • 单元测试生成（如：“为该组件生成5个e2e测试用例，使用playwright框架”）

2.提示词的设计技巧和案例

2.1 设计技巧和案例

提示词通常由以下四个部分构成，根据任务灵活组合：

组成部分作用示例
指令（Instruction）清晰、具体1-清晰：明确任务目标；2-具体：精确描述格式/要求/边界用 Python 写一个函数，判断一个数是否为质数。
上下文（Context）丰富提供必要背景信息和和角色信息，增强理解说明开发目标、使用环境、你是谁、模型扮演谁
示例（Examples）展示任务模式，增强理解输入：2 → 输出：True；输入：4 → 输出：False
输出格式（Output Format）规定结果的形式或结构结果请用JSON格式输出：{“is_prime”: true}

高级提示技巧详解:

  • 思维链提示（Chain-of-Thought, CoT）
    • 用途：处理涉及多步推理、逻辑计算、流程拆解的任务。
    • 策略：引导模型“逐步分析”而不是“一步到位”。
  • 角色扮演提示（Role-playing）
    • 用途：增强输出的专业性或风格一致性。
    • 策略：明确模型的“身份角色”和任务背景。
  • 链式提示词（Prompt Chaining）
    • 用途：处理复杂任务（如代码生成 + 解释 + 测试）
    • 策略：将大任务拆成小步骤，逐一引导。(支持条件分支、循环调用)

2.2 案例和优化策略

常见案例:

类型特点示例应用场景
零样本（Zero-shot）不提供示例，靠语言常识直接提问、基础代码生成
少样本（Few-shot）提供1~3个示例，增强理解数据转化、格式学习
思维链（CoT）要求模型逐步思考数学推理、逻辑判断、流程拆解

3. 提示词评估和优化

3.1 评估和调试

从三大维度，评估模型输出效果：

维度说明示例判断方式
准确性（Accuracy）回答是否正确、符合事实或逻辑生成的SQL语句是否能正确运行？
相关性（Relevance）输出是否紧扣任务、避免偏题是否回应了指令的关键需求？
一致性（Consistency）结构、风格、格式是否稳定统一输出是否前后一致、符合规范格式？

调试提示词的技巧

  • 1 - 分析输出找症结
    • 输出错在哪里？（语法、逻辑、风格）
    • 是否缺乏上下文、边界条件不清？
    • 模型是否误解了指令、示例或角色？
  • 2 - 逐一调整并观察
    可调项调整建议
    指令更明确任务目标，去掉模糊表达
    上下文增加背景、角色、目标说明
    示例更贴近实际输入输出结构
    输出格式明确要求结构、格式、长度限制等

小步调整，每次只改一个要素，便于定位问题

3.2 提示词常见问题与优化策略

常见问题

问题类型现象优化建议
忽略指令模型答非所问、不按格式输出重写指令更简洁具体，加“仅返回…”限定
内容冗长出现大量背景解释、重复内容加上“不要解释”、“仅输出核心代码”等限制语
偏离主题输出包含无关信息或无效片段提供更清晰的上下文/角色/输入边界

优化策略：借助大模型能力

  • A/B版【提示词一致性测试】（Cross-Model Prompt Testing）：

    • 用相同的输入样例分别调用模型，测试不同版本的提示词。
    • 设置维度（如准确性、相关性、一致性 ）对比输出差异，进行人工评估或基于业务指标（如正确率、运行成功率）打分持续迭代

  • 【提示词评审员】：选择更强的模型（如 GPT-4 或 Claude 4）对你的提示词进行评估和改进建议

    你是一个提示词专家，请分析下面这个提示词的问题，并给出优化建议：

原始提示词：
"总结一下这篇文章的主要观点"

要求：
- 是否清晰？
- 是否有歧义？
- 是否需要提供更多上下文？
- 是否适合多种模型理解？

请给出修改后的版本

参考

最后， 希望大家早日实现：成为编程高手的伟大梦想！
欢迎交流~

微信公众号

本文版权归原作者曜灵所有！未经允许，严禁转载！对非法转载者, 原作者保留采用法律手段追究的权利！
若需转载，请联系微信公众号：连先生有猫病，可获取作者联系方式！