一、提示词与提示词工程

  提示词（Prompt）是用户输入给AI模型的指令、问题或上下文信息，用于引导模型生成特定输出。例如“用一句话解释相对论”就是一个提示词。

  提示词工程（Prompt Engineering）是通过设计和优化提示词，使AI模型更准确、高效地完成特定任务的技术与实践。其常用方法包括明确指令、提供示例、分解任务、设定输出格式等。核心目标是提升模型输出的质量、相关性和可控性。

  简单类比：提示词是向AI发出的“问题或命令”；提示词工程则是琢磨“如何把问题问得更清楚、更有效”的系统性方法。

二、提示词原则

2.1 明确的角色定位

明确的角色定位是指在提示词中为AI设定一个具体身份或专业背景（如“你是一位资深翻译”），使模型从特定视角生成更贴合需求的回答。作用是限定回答风格和知识范围。

2.2 清晰的指令

2.2.1 需求背景

提供任务相关的上下文、示例或使用分隔符（如###、———）区分信息，帮助模型理解问题的来龙去脉。例如：“以下是客服对话记录（用###包裹），请从中提取用户投诉的产品名称。”

2.2.2 示例

在提示词中给模型提供一个或几个输入输出的配对范例（称为少样本学习，Few-shot Learning），让模型模仿范例的格式、风格或逻辑来完成新任务。例如：“将以下中文翻译成英文。范例：你好 -> Hello；再见 -> Goodbye。请翻译：谢谢。”

2.2.3 分隔符分隔

使用特定的符号（如###、———、###、<tag>等）将提示词中的不同部分（如背景、指令、示例、输入数据）清晰隔开，帮助模型准确区分哪些内容是指令、哪些是需要处理的数据，从而减少混淆。例如：“请总结以下用###包裹的文本：### 文本内容 ###”

2.2.4 结果要求

在提示词中明确指定模型输出的具体形式、格式或约束条件，例如要求输出JSON、表格、列表、特定字数、特定风格或仅输出关键点。作用是让模型的回答更直接可用，减少后处理成本。例如：“请以无序列表形式列出三个原因，每个原因不超过20字。”

2.3 文本参考

基于文本文档，辅助大模型问答，降低模型"幻觉"（一本正经的胡说八道）问题。

问答模板如下：

请根据三引号中的内容作为上下文回答问题：
"""
{context}
"""
问题：{question}

案例6：基于文本参考的回答

请根据三引号中的内容作为上下文回答问题：
"""
人工智能（AI）的核心驱动力是数据、算法和算力。数据是训练AI模型的基础原料，算法是处理数据、从中学习的计算模型，而算力则提供了执行复杂计算所需的硬件支持。目前，深度学习是AI领域最活跃的分支之一。
"""
问题：根据上文，人工智能发展的三个核心驱动力是什么？

模型回答：

根据上文，人工智能发展的三个核心驱动力是数据、算法和算力。其中数据是训练AI模型的基础原料，算法是处理

2.4 复杂任务拆分为简单子任务

复杂任务拆分为简单子任务，就是把一个大难题拆成几个小问题，一步一步解决。

举个例子：
不要直接问AI：“帮我写一份奶茶店创业计划书。”
而是拆成几步问：

1. 先问：“开奶茶店需要准备哪些东西？”

2. 再问：“奶茶店的目标顾客一般是谁？”

3. 然后问：“根据上面两点，帮我写一个简单的计划书大纲。”

为什么要这样做？
因为一次性问太难的问题，AI容易答得乱或者漏掉重点。拆开问，AI每一步都能答得更清楚，你也能随时调整方向。

2.5 引导模型思考

引导模型思考，就是通过提示词要求AI在输出最终答案前，先展示中间的推理过程，而不是直接跳到最后结果。

举个例子：
基础版：“预测明天会不会下雨。”
引导思考版：“请根据以下步骤分析：1. 今天是否有积雨云？2. 最近三小时气压是否下降？3. 综合前两步，给出明天是否会下雨的结论。”

为什么要这样做？
AI直接给答案时，可能凭表面关联就下结论，容易出错。让它展示推理步骤，有两个好处：一是答案更可靠，二是如果错了，你能看出它在哪一步跑偏了，方便修正。

2.6 借助外部工具

大模型并不是万能的，比如一些实时问题等等大模型不能很好的回答，所以需要一些外部工具来帮助处理。接下来我们将学习如何使用外部工具来增强ChatGPT的功能。

1、联网搜索工具

解决：模型不知道实时信息的问题。

例子：调用搜索引擎 API，获取最新新闻、论文、股市信息。

2、代码执行工具

解决：需要精确计算或数据处理时，模型自身“算得不准”的问题。

例子：调用 Python 解释器运行数学计算、绘图、数据分析。

3、数据库 / 知识库工具

解决：模型记忆有限，无法覆盖企业内部数据或特定领域知识。

例子：知识图谱、向量数据库（如 Milvus、FAISS）来存储和检索信息。

4.、外部 API 调用

解决：专业需求，比如天气查询、航班查询、地图导航、医疗工具调用。

案例： 根据北京未来15天的气温，调用数据分析插件分析气温变化情况。

日期	最低气温	最高气温
11 月 25 日	-2℃	7℃
11 月 26 日	-1℃	8℃
11 月 27 日	-2℃	6℃
11 月 28 日	-1℃	8℃
11 月 29 日	0℃	9℃
11 月 30 日	-2℃	7℃
12 月 1 日	-2℃	4℃
12 月 2 日	-5℃	3℃
12 月 3 日	-4℃	5℃
12 月 4 日	-3℃	5℃
12 月 5 日	0℃	10℃
12 月 6 日	0℃	10℃
12 月 7 日	0℃	10℃
12 月 8 日	-3℃	9℃
12 月 9 日	-3℃	4℃

分析气温变化情况

选择数据分析插件：

模型回答：

# 北京11月25日-12月9日气温变化情况分析
基于15天的气温数据，从整体规律、阶段动态及特殊节点三方面展开分析，全面呈现气温变化特征，为出行及生活安排提供参考。

## 一、整体气温变化规律
1. **温度区间与温差**：最低气温介于-5℃~0℃，最高气温在3℃~10℃，整体处于秋冬低温过渡区间；昼夜温差集中在5℃~8℃，如11月25日温差9℃，12月2日温差8℃，符合此季节昼夜热量差异特点。
2. **变化主基调**：无持续升温或降温趋势，以“波动-降温-回升-回落”为核心节奏，冷暖交替频繁，温度稳定性差，需频繁调整衣物。

---

## 二、分阶段气温动态分析
按气温变化幅度和趋势，可划分为四个阶段，各阶段特征清晰且差异显著：

|阶段|时间|最低温变化轨迹|最高温变化轨迹|阶段核心特征|
| ---- | ---- | ---- | ---- | ---- |
|波动上升期|11.25-11.29|-2℃→-1℃→-2℃→-1℃→0℃|7℃→8℃→6℃→8℃→9℃|低温缓慢向0℃靠近，高温逐步升至9℃，日际波动小，天气温和稳定|
|快速降温期|11.29-12.02|0℃→-2℃→-2℃→-5℃|9℃→7℃→4℃→3℃|3天内低温骤降5℃、高温下降6℃，降温速度快，低温突破-5℃，进入阶段性寒冷期|
|稳步回升期|12.02-12.07|-5℃→-4℃→-3℃→0℃→0℃→0℃|3℃→5℃→5℃→10℃→10℃→10℃|低温5天回升5℃至0℃，高温从3℃飙升至10℃并稳定3天，形成短期“回暖窗口”|
|急剧回落期|12.07-12.09|0℃→-3℃→-3℃|10℃→9℃→4℃|2天内高温骤降6℃，低温下降3℃，回暖期结束，气温快速回归寒冷区间|

---

## 三、关键气温节点解读
1. **最冷节点**：12月2日最低温-5℃、最高温3℃，为15天内低温极值日，全天处于低温状态，体感寒冷，需加强保暖，防范户外设备冻损。
2. **最暖节点**：12月5日-12月7日，最高温连续3天稳定在10℃，低温维持0℃，是此期间最温暖时段，适合户外出行，但需注意后期气温骤降衔接。
3. **最大降幅节点**：12月7日-12月9日，最高温从10℃降至4℃，2天降幅达6℃，为15天内最大单日跨度降温，易引发感冒等健康问题，需提前做好防寒准备。

  如果把大模型当成一个大脑，使用外部工具的调用，就好比给大脑装上了一具身体，拓宽大模型能力边界，让它不仅仅只是“思考”，还可以帮助我们“做事”。