美格知识库

摘要-Google Prompt Engineering 白皮书

3分钟阅读

核心摘要

Google 官方于 2024 年 9 月发布的 Prompt Engineering 白皮书，作者 Lee Boonstra。系统介绍了提示工程的技术原理、配置参数和高级技巧。

核心内容：

1. LLM 输出配置

  • Temperature：控制随机性，0 为确定性，高值产生多样结果
  • Top-K：选择概率最高的 K 个 token
  • Top-P (Nucleus Sampling)：选择累积概率不超过 P 的 token
  • 推荐起点：Temperature=0.2, Top-P=0.95, Top-K=30

2. 提示技术

  • Zero-shot：无示例直接提问，适用于简单明确定义的任务
  • Few-shot：3-5 个示例引导模型学习模式
  • System Prompting：设置整体上下文和目的
  • Role Prompting：分配特定角色（旅行向导、编辑等）
  • Contextual Prompting：提供具体背景信息

3. 高级技术

  • Step-back Prompting：先问一般性问题再解决具体任务，激活背景知识
  • Chain of Thought (CoT)：生成中间推理步骤，显著提升数学和逻辑任务
  • Self-consistency：多次采样取最一致答案
  • Tree of Thoughts (ToT)：同时探索多条推理路径
  • ReAct (Reason & Act)：结合推理与外部工具调用的代理范式
  • Automatic Prompt Engineering (APE)：自动化提示生成和优化

4. 代码提示

  • 代码生成：明确编程语言和版本
  • 代码解释：要求模型逐行解释
  • 代码翻译：跨语言代码转换
  • 代码调试：识别并修复错误

最佳实践：

  • 提供高质量、多样化的示例
  • 简洁设计优于复杂模板
  • 明确指定输出格式
  • 使用指令而非约束（“做 X”而非”不要做 Y”）
  • 控制最大 token 长度以管理成本

关联连接

关系图谱

反向链接