一、前提

• 提示词工程是生成流程中的另一关键环节。通过有效的指令的设计和组合，可以帮助大模型更好地理解输入内容，从而生成更加精确和相关的回答。精心设计的问题提示词往往能显著提升生成效果，反之则可能导致结果偏差。。
• 如下图所示，经过 RAG 索引流程外部知识的解析及向量化，RAG 检索流程语义相似性的匹配及混合检索，系统进入 RAG 生成流程。生成流程中，首先需要组合指令，指令将携带查询问题及检索到的相关信息输入到大模型中，由大模型理解并生成最终的回复，从而完成整个应用过程。

二、提示工程

• 提示工程（Prompt Engineering）是为生成式 AI 模型设计输入以获取最佳输出的实践。这些输入被称为提示（Prompt），而编写这些提示的过程就是提示工程。其核心理念是，通过提供更优质的输入，可以让生成式 AI 模型（如大型语言模型）生成更符合需求的结果。这意味着模型能够更好地执行各种任务，包括问答、编写邮件、生成代码、分析和合成文本、与客户通过聊天机器人互动等。

• 提示工程是一门较新的技术，旨在通过开发和优化提示来有效利用语言模型的潜力。提示工程师的任务不仅仅是设计提示，而是通过深刻理解模型的功能和局限性，创造能够与模型输入产生最佳互动的提示。研究人员和开发人员通过提示工程来提升模型在执行常见和复杂任务（如问答、推理等）中的能力。提示工程不仅仅是设计和开发提示，而是包含了一系列的技能和技巧，这些技能和技巧有助于与语言模型的有效互动和功能扩展。

• 一个提示通常包含以下几类元素：

  指令（Instruction）：指明模型要执行的特定任务或操作。

  上下文（Context）：为模型提供额外信息或背景，可以帮助引导模型生成更准确的响应。

  输入数据（Input Data）：我们希望模型回答的问题或感兴趣的输入内容。

  输出指示符（Output Indicator）：指定模型的输出类型或格式，例如格式、是否要求生成代码、总结文本或回答具体问题。

  

  在这里插入图片描述

• 这些元素的组合和优化是提示工程的关键，能够直接影响大模型的性能和输出质量。

三、RAG 中提示工程的技巧

• 在 RAG 场景中，提示工程不仅能够提升生成质量，还可以解决常见的 RAG 问题，如缺失内容、格式错误、缺乏细节和回答不全面等。以下是一些在 RAG 任务中常用的提示工程技巧。

• 1、具体指令法

  通过向大模型提供具体、清晰的指令，能够提高输出的准确性。模糊的指示往往导致模型产生不理想的结果，而具体指令则有助于模型明确任务目标，生成更符合预期的内容。

  请根据上传的银行业报告，简洁总结当前的市场趋势，重点分析政策变化对行业的影响，输出为以下Markdown格式：- **市场趋势**- **政策影响**- **竞争风险**
  

• 2、示例学习

  通过给模型提供多个参考示例，模型可以基于这些示例进行模式识别，进而模仿、思考并生成类似的答案。这种方法在无需对模型进行进一步训练的情况下，有效提升了模型的输出质量。

  以下是两个关于银行业的分析示例，请按照这种格式对新的报告进行分析：- 示例 1：**市场趋势**：由于政策放宽，银行贷款增长迅速。- 示例 2：**政策影响**：新的利率政策可能会对中小企业贷款产生负面影响。请对下面报告进行同样的分析。
  

• 3、默认回复策略

  当模型无法从文档中获取足够信息时，通过设定默认回复策略，避免模型产生“幻觉”，即生成虚假的答案。这可以确保模型仅基于文档中的事实进行回答。

  如果文档中没有足够的事实回答问题，请返回{无法从文档中获得相关内容}，而不是进行推测。
  

• 4、任务角色设定

  通过为模型设定特定的角色身份，可以帮助模型更好地理解任务要求和角色责任，从而输出更加一致、专业的内容。你的角色: 知识库专家- 背景：分析银行业市场数据- 目标：生成一份详细的行业趋势分析- 限制：仅根据报告中的数据生成分析

  你的角色: 知识库专家- 背景：分析银行业市场数据- 目标：生成一份详细的行业趋势分析- 限制：仅根据报告中的数据生成分析
  

• 5、解释理由法

  在编写提示时，向模型解释为什么某些任务需要特定的处理方式。这样可以帮助模型更好地理解任务背景，从而提高输出的质量和相关性。

  请生成一份简明扼要的银行业报告摘要，不要逐字重复段落内容。原因：读者可以访问完整文档，如果需要可以详细阅读全文。
  

• 6、文档基础说明

  为模型提供文档的背景信息和文本来源可以帮助奠定任务基础，让模型更好地进行任务推理和回答。

  以下是关于银行业政策变化的相关规则，它们将用于回答有关政策对银行业影响的问题。
  

• 通过这些提示工程技巧，RAG 任务的输出质量可以高效、低成本地提升，解决常见生成问题。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】