核心信息
该视频是 Tech With Tim 制作的提示工程入门课程，涵盖从基础到高级的完整提示技术栈。课程强调将提示工程视为”自然语言编程”——用语言而非代码指导模型。
关键主题
1. 提示的本质：Steering vs Commanding
核心区分：
- Commanding（命令式）：直接要求模型做事（“总结这个”），模型自行选择长度、风格和焦点
- Steering（引导式）：提供角色、受众、语气和格式等方向性指引，更精确地控制输出
“大多数人的提示更接近坏示例而非好示例。长提示不必然是好提示。“
2. 四大核心要素
任何有效提示都应包含：
- Role（角色）：定义 AI 身份
- Audience（受众）：明确输出面向谁
- Tone（语气）：设定语言风格
- Format（格式）：指定输出结构
3. Few-Shot Prompting
通过提供输入-输出示例让模型推断模式：
- 尤其适用于分类任务和特定格式输出
- 示例质量胜过数量
- 一旦模式建立，同一会话中后续输入可保持一致性
4. Chain of Thought (CoT)
要求模型在给出最终答案前逐步推理：
- 减少逻辑/数学/规划任务的错误
- 现代推理模型内部已自动执行
- 对于非推理模型仍是重要技术
5. Structured Output
要求模型以 JSON、XML、Markdown 等格式输出：
- 便于程序化解析和进一步处理
- 结合 Few-Shot 提供输出格式示例效果更好
6. 约束与否定指令
“告诉模型不要做什么”常常比”告诉模型要做什么”更有效：
- 长度约束（“不超过 3 个要点”）
- 语气约束（“不使用术语”、“不要道歉”）
- 排除项（“不提及竞争对手”）
7. Interview Style Prompting
让模型主动提问以获取所需上下文：
- 解决”不知道模型需要什么信息”的问题
- 模型一问一答收集信息后生成更精准的输出
- 特别适用于个性化内容创作
8. 高级技术
- 系统提示 vs 用户提示：系统提示设定持续行为，用户提示提供具体请求
- Prompt Chaining：将复杂任务拆分为多个步骤，逐步验证
- Self-Evaluation：让模型自我评估输出质量（建议在独立会话中执行以避免偏见）
- Temperature：控制输出的确定性与创造性
核心洞察
- 现代模型的默认行为：GPT-5、Claude 4 等前沿模型内部已内置推理能力，显式 CoT 并非总是必要
- 提示是迭代过程：第一版提示极少达理想效果，应持续精炼而非重新开始
- 语音提示：使用语音输入（如 Whisper Flow）可显著提高提示详细程度和效率
- 模型不具备内置记忆：看似”记忆”的行为来自平台在前端注入的对话历史
关联连接
- Prompt_Engineering — 提示工程总览
- Few_Shot_Prompting — 少样本提示
- Chain_of_Thought — 思维链
- Zero_Shot_Prompting — 零样本提示
- Prompt_Engineering — 提示工程中的结构化输出技术