智能体学习24——高级提示工程技术

克里斯蒂亚诺·罗纳尔达

449人浏览 · 2026-05-25 19:59:56

克里斯蒂亚诺·罗纳尔达 · 2026-05-25 19:59:56 发布

文章目录

一、核心提示原则

提示工程的有效性依赖于以下基本原则，适用于各种模型和任务复杂度：

原则	说明
清晰与具体	指令必须明确、具体，歧义会导致意外响应
简洁	在保证具体性的前提下简明扼要，避免冗余
动词使用	用动作动词明确期望操作，如 Act、Analyze、Create、Summarize 等
正面指令优于约束	明确期望行为优于强调不希望的行为
实验与迭代	提示工程是迭代过程，需多次尝试优化

动词清单（提示中推荐使用的动作动词）：
Act、Analyze、Categorize、Classify、Contrast、Compare、Create、Describe、Define、Evaluate、Extract、Find、Generate、Identify、List、Measure、Organize、Parse、Pick、Predict、Provide、Rank、Recommend、Return、Retrieve、Rewrite、Select、Show、Sort、Summarize、Translate、Write

正面指令 vs 负面约束示例：

✅ 正面指令：请用简洁、专业的语言回答
❌ 负面约束：不要用啰嗦、不专业的语言

负面约束会让模型聚焦于"规避"而非"目标"，正面指令更符合人类指导习惯

二、基础提示技术

2.1 零样本提示（Zero-Shot Prompting）

仅提供任务描述和输入数据，无需示例
模型完全依赖预训练知识
适用场景：简单问答、文本补全、基础摘要

实例：

将以下英文翻译成法语："Hello, how are you?"

2.2 单样本提示（One-Shot Prompting）

在正式任务前提供一个输入-输出示例
帮助模型理解期望模式
适用场景：输出格式或风格较特殊的任务

实例：

将以下英文翻译成西班牙语：
English: "Thank you." → Spanish: "Gracias."
English: "Please." → Spanish:

2.3 少样本提示（Few-Shot Prompting）

提供 3-5 组输入-输出示例，展示更清晰的期望模式
关键技巧：
- 示例需准确、具代表性，覆盖边界情况
- 分类任务中混合不同类别示例顺序，避免过拟合
- 现代 LLM（如 Gemini）支持更长上下文，可用更多示例

实例：

请将电影评论分类为 POSITIVE / NEUTRAL / NEGATIVE：

评论："The acting was superb and the story was engaging."
情感：POSITIVE

评论："It was okay, nothing special."
情感：NEUTRAL

评论："I found the plot confusing and the characters unlikable."
情感：NEGATIVE

评论："The visuals were stunning, but the dialogue was weak."
情感：

三、提示结构化

3.1 系统提示（System Prompting）

设定模型整体行为和交互目的
定义规则、角色或风格
可用于安全和毒性控制
可通过工具（如 VertexAI Prompt Optimizer）自动优化

实例：

你是一名友好且无害的AI助手。
所有回复需礼貌且信息丰富，不生成有害、偏见或不当内容。

3.2 角色提示（Role Prompting）

为模型分配特定身份或角色
如"作为一名资深旅行博主"、“你是一名数据分析师”
可指定风格，如"幽默且励志"

实例：

作为一名资深旅行博主，写一段关于罗马最佳隐藏景点的精彩短文。
风格：幽默且励志。

3.3 分隔符使用

清晰区分指令、上下文、示例和输入
常用分隔符：三重反引号（```）、XML 标签（<instruction>）、标记（—）

实例：

请总结以下文章的要点。

---文章开始---
[粘贴长文章内容]
---文章结束---

要求：
1. 提炼3个核心观点
2. 每个观点不超过50字

四、推理与思考过程技术

4.1 思维链（Chain of Thought, CoT）

让模型"一步一步思考"，将推理过程显式化
在最终答案前先生成中间推理步骤
适用场景：数学推理、逻辑判断、复杂问题拆解

不加 CoT（容易出错）：

一个商店有 23 个苹果，卖了 15 个，又进货了 8 个，现在有多少个？

加 CoT（准确率大幅提升）：

一个商店有 23 个苹果，卖了 15 个，又进货了 8 个，现在有多少个？
请一步一步思考。

模型输出：

1. 初始有 23 个苹果
2. 卖出 15 个：23 - 15 = 8
3. 进货 8 个：8 + 8 = 16
4. 答案：16 个苹果

4.2 自洽性（Self-Consistency）

多次采样同一提示，取多数答案
通过多次推理路径验证结果的可靠性
比单次 CoT 更稳定

实例：

请对以下逻辑题给出3个不同的推理路径，然后判断哪个答案最可靠：

题目：所有的猫都是动物，有些动物是黑色的，那么是否可以得出"有些猫是黑色的"？

推理路径1：[请推理]
推理路径2：[请推理]
推理路径3：[请推理]

最终答案（基于多数结论）：

4.3 反思提示（Step-Back Prompting）

让模型先退后一步思考问题的基本原则
再基于原则推导具体答案
提升抽象推理能力

实例：

问题：Python 的列表和元组有什么区别？

请先退后一步思考：
1. 什么是可变类型和不可变类型？
2. 为什么编程语言需要这两种概念？
然后再回答列表和元组的区别。

4.4 思维树（Tree of Thoughts, ToT）

将推理过程展开为树状结构
探索多条推理路径，评估每条路径的价值
选择最优路径继续深入

实例：

我需要在3个月内学会Python编程，用于数据分析工作。
请用思维树方法规划学习路径：
1. 列出3种可能的学习策略
2. 评估每种策略的优缺点
3. 选择最优策略并给出详细计划

五、行动与交互技术

5.1 工具使用/函数调用

让模型调用外部工具获取信息或执行操作
模型决定何时调用、传递什么参数

实例：

你是一个天气助手，可以使用 get_weather(city) 工具查询天气。

用户：北京明天适合户外运动吗？
思考：我需要先查询北京明天的天气
行动：调用 get_weather("北京", date="明天")
思考：明天北京晴，25度，适合户外运动
回答：北京明天天气晴朗，气温25度，非常适合户外运动！

5.2 ReAct（Reason & Act）

推理与行动交替进行
模型先推理需要什么信息，再采取行动获取
循环直到问题解决

实例：

问题：2024年奥斯卡最佳影片导演的出生地在哪里？

请交替使用推理(Thought)和行动(Action)：

Thought：我需要先知道2024年奥斯卡最佳影片是什么
Action：搜索 "2024 Oscar Best Picture winner"
Observation：最佳影片是《奥本海默》，导演是克里斯托弗·诺兰
Thought：现在我需要查找诺兰的出生地
Action：搜索 "Christopher Nolan birthplace"
Observation：诺兰出生于伦敦，英国
Thought：我已经得到了答案
Answer：克里斯托弗·诺兰出生于英国伦敦

六、高级技术

6.1 自动提示工程（APE）

用 LLM 自动生成和优化提示词。

实例：

你的任务是生成一个高质量的提示词，用于让AI写出吸引人的产品描述。

产品：无线降噪耳机
目标受众：25-35岁的科技爱好者

请生成3个不同版本的提示词，每个版本侧重不同的卖点角度（技术参数、生活方式、性价比）。
然后评估哪个版本最好，并说明原因。

6.2 负面示例

提供不期望的输出，帮助模型避免错误。

实例：

请为一款智能手表写产品文案。

❌ 不好的写法（不要这样写）：
"这个手表很好，功能很多，值得买。"

✅ 好的写法（参考这种风格）：
"抬腕即见心率，抬腕即接电话。50米防水，陪你从会议室到游泳池。"

现在请写一段类似风格的产品文案。

6.3 任务拆分（分解认知）

将复杂任务拆分为多个简单子任务。

一步到位（效果差）：

帮我写一篇关于AI在教育领域应用的完整研究报告。

拆分为子任务（效果好）：

第一步：列出AI在教育领域的5个主要应用场景
第二步：针对每个场景，分析当前的优势和局限
第三步：总结3个最大的挑战
第四步：预测未来5年的3个发展趋势
第五步：将以上内容整合为一篇结构清晰的报告

6.4 结构化输出

明确指定输出格式。

实例：

请分析以下代码的时间复杂度，并按JSON格式输出：

{
  "algorithm_name": "算法名称",
  "time_complexity": "大O表示法",
  "explanation": "一行解释",
  "is_optimal": true/false
}

代码：
def binary_search(arr, target):
    left, right = 0, len(arr) - 1
    while left <= right:
        mid = (left + right) // 2
        if arr[mid] == target:
            return mid
        elif arr[mid] < target:
            left = mid + 1
        else:
            right = mid - 1
    return -1

6.5 RAG 式提示

从外部知识库检索信息注入提示。

实例：

你是一个技术文档助手。请根据以下检索到的文档片段回答用户问题。
如果文档中没有相关信息，请明确说明"文档中未找到相关信息"。

---检索到的文档---
[文档1] OpenClaw 是一个开源的AI Agent框架，支持多种大语言模型...
[文档2] OpenClaw 的 Cron 系统支持定时任务，可以通过 CLI 或 API 管理...
---文档结束---

用户问题：OpenClaw 支持哪些定时任务功能？

6.6 其他高级技术

技术	说明
迭代提示/精炼	基于输出反馈持续优化提示
类比使用	用类比帮助模型理解复杂概念
用户画像模式	让模型以特定用户视角生成响应
用 LLM 优化提示	元方法——用 LLM 生成更好的提示词