定义
提示工程（Prompt Engineering）是设计和优化输入给大型语言模型（LLM）的文本提示，以引导模型生成准确、有用、符合预期输出的技术学科。它是人机交互与 NLP 的交叉领域，涉及清晰表达意图、提供上下文、设定约束和示例选择。
“Prompt 工程是迭代过程。不充分的提示可能导致模糊、不准确的响应，阻碍模型提供有意义的输出。” —— Google 白皮书
核心要素
根据 Anthropic、OpenAI 和 Google 的共识，有效提示包含七个核心组件：
| 组件 | 作用 | 示例 |
|---|---|---|
| Role/Persona | 激活领域知识 | ”你是财富 500 强公司的高级数据科学家” |
| Task Context | 背景和受众信息 | ”结果将呈现给董事会” |
| Clear Instructions | 核心请求 | ”用 3 个要点总结” |
| Sequential Steps | 确保执行顺序 | 编号步骤列表 |
| Few-shot Examples | 演示期望格式 | 3-5 个相关多样化示例 |
| Output Format | 响应结构 | ”返回 JSON，字段包括…” |
| Constraints | 限制输出空间 | ”200字以内，不使用术语” |
主要技术
基础技术
- Zero-Shot：无示例直接提问，适用于简单任务
- Few-Shot：提供 3-5 个示例引导模型学习模式
- Role Prompting：分配角色以激活特定知识域
- Contextual Prompting：提供任务特定背景信息
高级技术
- Chain-of-Thought (CoT)：要求模型展示推理步骤，显著提升数学和逻辑任务表现
- 注意：现代推理模型（GPT-5、Claude 4、Gemini 3）内部自动思考，显式 CoT 可能反而有害
- Self-consistency：多次采样取最一致的答案
- Tree of Thoughts (ToT)：同时探索多条推理路径
- ReAct：结合推理（Reasoning）与行动（Acting）的代理范式
- Step-back Prompting：先问一般性问题再解决具体任务
范式演变
Prompt Engineering → Context Engineering
2024-2025 年领域的重要转变：
- 过去：专注于单个提示的词句优化
- 现在：理解为”上下文工程”——策划系统提示、工具、外部数据和消息历史的最优 token 集合
“最佳提示不是最复杂的，而是用最少的必要上下文达成目标的。” —— Anthropic
最佳实践
- 具体明确：每个词都应帮助 AI 准确理解需求
- 简洁优先：研究表明 150-300 词是最佳长度，超过 3,000 tokens 性能显著下降
- 使用分隔符：XML 标签（
<context>,<task>）或 Markdown 标题 - 示例质量胜过数量：3-5 个高质量、多样化示例优于大量雷同示例
- 指令优于约束：说”做 X”比”不要做 Y”更有效
- 迭代优化：基于输出反馈持续改进
模型特定注意事项
| 模型 | 特点 | 建议 |
|---|---|---|
| Claude 4.x | 字面理解指令 | 明确表达期望行为，使用 XML 标签 |
| GPT-4.1/5 | 对冲突指令敏感 | 避免矛盾指令，注意推理模型不要 CoT |
| Gemini 3 | 内置思考机制 | 简化提示，thinking_level: "high" |
关联连接
- 5C_Framework — 5C 提示契约框架
- Chain_of_Thought — 思维链详解
- Few_Shot_Prompting — 少样本提示
- Context_Engineering — 上下文工程
- Zero_Shot_Prompting — 零样本提示
- 摘要-gemini-api-prompting-strategies — Gemini 策略来源
- 摘要-anthropic-prompting-best-practices — Claude 最佳实践来源
- 摘要-google-prompt-engineering-whitepaper — Google 白皮书来源