網(wǎng)上充斥著各種 Prompt “最佳實踐”指南，很多都流于表面。你可能已經(jīng)看過不少，感覺就像食譜一樣，告訴你加幾勺這個、幾勺那個。但今天，我們來點硬核的，看看搜索巨頭谷歌內(nèi)部是如何系統(tǒng)性地理解和實踐 Prompt Engineering 的。這份來自 Google 的白皮書，扒開了 Prompt Engineering 的外殼，直指核心。準備好，這篇東西值得你收藏和反復(fù)琢磨。

為什么 Prompt Engineering 這么重要？

首先，得明白 LLM（大語言模型）到底是個啥。別被那些花哨的術(shù)語迷惑，它的本質(zhì)是一個預(yù)測引擎。你給它一段文本，它就根據(jù)自己“見過”的海量數(shù)據(jù)，預(yù)測下一個最可能出現(xiàn)的詞（或者說 token）是什么。它不斷重復(fù)這個過程，把預(yù)測出來的詞加到輸入后面，繼續(xù)預(yù)測下一個。

你寫的 Prompt，就是在給這個預(yù)測引擎設(shè)定初始狀態(tài)，引導(dǎo)它走向你期望的預(yù)測序列。這就像給一個極其聰明但缺乏具體目標的學(xué)徒布置任務(wù)。你說得越清楚、越巧妙，他完成得就越好。反之，模糊不清的指令只會得到平庸甚至錯誤的結(jié)果。

所以，Prompt Engineering 不是什么魔法，它是一門手藝，關(guān)乎如何精確、高效地引導(dǎo)這個預(yù)測引擎產(chǎn)出我們想要的東西。人人都能寫 Prompt，就像人人都能寫幾行代碼，但要寫出好 Prompt，寫出能穩(wěn)定解決問題的 Prompt，就需要理解其背后的機制并掌握一些技巧。

控制 LLM 輸出：那些你需要知道的“旋鈕”

直接和模型 API 或 Vertex AI 這樣的平臺打交道（而不是簡單的聊天機器人），你會發(fā)現(xiàn)可以調(diào)整很多參數(shù)。這些參數(shù)就像是你控制 LLM 輸出行為的旋鈕：

1. 輸出長度 (Max Tokens):這決定了模型最多生成多少內(nèi)容。注意，它不是讓模型變得更簡潔，而是到字數(shù)上限就強行停止。設(shè)太短可能話沒說完，設(shè)太長又可能增加成本和響應(yīng)時間，甚至導(dǎo)致模型在完成任務(wù)后繼續(xù)輸出無意義的“填充詞”。
2. 溫度 (Temperature):控制輸出的隨機性。低 T 值（比如接近 0），模型傾向于選擇最可能的詞，輸出更穩(wěn)定、確定，適合需要事實性、固定答案的任務(wù)。高 T 值（比如接近 1），模型會考慮更多可能性，輸出更多樣、更“創(chuàng)意”，但也可能更離譜。T 值過高或過低都可能導(dǎo)致“重復(fù)循環(huán)”的 bug。
3. Top-K & Top-P:這倆都是用來限制模型從概率最高的詞中進行選擇。Top-K是只考慮概率排名前 K 的詞。Top-P(Nucleus Sampling) 則是選擇累積概率達到 P 的那些詞。它們都能調(diào)整輸出的多樣性和隨機性。通常你可以一起用，比如先按 Top-K 和 Top-P 篩選候選詞，再用 Temperature 從中采樣。

關(guān)鍵在于，這些參數(shù)是相互影響的。極端設(shè)置一個參數(shù)可能會讓其他參數(shù)失效（比如 Temperature=0 時，Top-K/P 就無關(guān)緊要了）。沒有萬能的設(shè)置，你需要根據(jù)具體任務(wù)去實驗和調(diào)整。想讓結(jié)果穩(wěn)定？試試低 T。想要創(chuàng)意？調(diào)高 T、K、P。

核心 Prompting 技術(shù)：從入門到進階的“招式”

理解了基本原理和參數(shù)，接下來就是具體的 Prompting 技術(shù)了。這部分是真正的干貨，掌握它們能顯著提升你與 LLM 的協(xié)作效率：

1. 零樣本 (Zero-shot):最簡單直接的方式，直接描述任務(wù)或提問，不給任何范例。比如：“把這篇影評分類為正面、中性或負面：[影評文本]”。對于簡單任務(wù)或能力強的模型有時足夠了。
2. 少樣本 (Few-shot / One-shot):這是提升效果的關(guān)鍵一招。給 LLM 一到幾個示例，展示你期望的輸入輸出格式或模式。就像教小孩一樣，光說不如做給他看。模型會模仿你的例子來完成任務(wù)。例子質(zhì)量要高、要多樣，甚至要考慮邊緣情況。
3. 角色/系統(tǒng)/上下文提示 (Role/System/Contextual Prompting):

• 角色提示 (Role Prompting):讓 LLM 扮演一個特定角色，比如“你現(xiàn)在是一位經(jīng)驗豐富的 Python 程序員”或“像一個 5 歲小孩解釋黑洞”。這能有效設(shè)定輸出的語氣、風(fēng)格和知識范圍。
• 系統(tǒng)提示 (System Prompting):給出更明確的指令或規(guī)則，比如“回答必須是 JSON 格式”、“語言風(fēng)格要幽默”、“回答要尊重他人”。
• 上下文提示 (Contextual Prompting):提供與當前任務(wù)相關(guān)的背景信息。比如在生成文章建議時，先告訴它“你在為 Niche 網(wǎng)站寫關(guān)于 80 年代復(fù)古街機游戲的文章”。
• 這三者經(jīng)常結(jié)合使用，共同精確地指導(dǎo)模型。

4. 思維鏈 (Chain of Thought, CoT):這是讓 LLM 處理復(fù)雜推理任務(wù)的利器。與其直接要答案，不如讓它“一步一步地思考”（"Let's think step-by-step"）。LLM 會先輸出推理過程，再給出最終答案。這對于數(shù)學(xué)題、邏輯題等特別有效，能顯著提高準確性。結(jié)合 Few-shot CoT 效果更佳。
5. 自洽性 (Self-consistency):CoT 的進階版。對同一個問題，使用較高的 Temperature 生成多個不同的 CoT 推理路徑，然后看哪個最終答案出現(xiàn)次數(shù)最多，就選哪個。類似“集體投票”，用多次采樣來提升結(jié)果的穩(wěn)定性和準確性，尤其是在推理路徑不唯一的情況下。
6. 退一步提示 (Step-back Prompting):遇到復(fù)雜問題時，先不直接問，而是讓 LLM 先思考一個與問題相關(guān)的、更泛化或更高層次的問題/原則，然后再把這個“退一步”得出的見解作為上下文，去解決原始的具體問題。這能激活模型更深層的知識，提升回答的洞察力。
7. ReAct (Reason & Act):讓 LLM 不僅能思考，還能“行動”。這里的“行動”通常指調(diào)用外部工具，比如進行網(wǎng)絡(luò)搜索、運行代碼解釋器等。LLM 會生成思考過程和下一步要執(zhí)行的動作（如搜索某個關(guān)鍵詞），執(zhí)行動作后得到觀察結(jié)果，再基于觀察結(jié)果繼續(xù)思考和行動，形成一個“思考-行動-觀察”的循環(huán)，直到解決問題。這是構(gòu)建更強大 Agent 的基礎(chǔ)。
8. 代碼提示 (Code Prompting):LLM 在編程方面也是一把好手。你可以讓它：

• ?寫代碼:“寫一個 Python 腳本，讀取文件夾下所有 .txt 文件，并在每個文件開頭加上‘DRAFT_’前綴?！?/li>
• 解釋代碼:“解釋一下這段 Bash 腳本是做什么的？”
• 翻譯代碼:“把這個 Bash 腳本翻譯成 Python 代碼。”
• 調(diào)試和審查代碼:“這段 Python 代碼報錯了 [錯誤信息]，幫我看看哪里錯了，并給出修改建議?！?/li>

成為 Prompt 高手的最佳實踐 (濃縮版)

看了這么多技術(shù)，感覺信息量很大？別擔(dān)心，記住以下幾條核心原則，并在實踐中不斷運用和體會：

• 示例為王 (Provide Examples):少樣本提示通常比零樣本效果好得多。清晰的例子是最好的老師。
• 簡潔清晰 (Design with Simplicity):Prompt 語言要直接、明確，避免歧義和不必要的復(fù)雜性。如果你自己都覺得繞，LLM 很可能也會。多用動詞明確指示。
• 具體化輸出要求 (Be Specific):不要只說“寫個博客”，要說“寫一個三段的博客，關(guān)于排名前 5 的游戲主機，風(fēng)格要信息豐富且吸引人”。明確長度、格式、風(fēng)格、內(nèi)容要點。
• 指令優(yōu)于約束 (Instructions over Constraints):盡量告訴模型“要做什么”，而不是“不要做什么”。正面指令通常比一堆負面約束更有效、更靈活。當然，安全和固定格式約束有時是必要的。
• 控制輸出格式 (Output Formats):對于提取信息、分類、排序等任務(wù)，要求輸出 JSON 或 XML 等結(jié)構(gòu)化格式通常更穩(wěn)定、更可靠，還能減少幻覺。注意處理可能的 JSON 截斷問題。輸入也可以用 Schema 規(guī)范化。
• 迭代與文檔化 (Iterate & Document):Prompt Engineering 是一個實驗科學(xué)。你需要不斷嘗試、調(diào)整、評估結(jié)果。最最重要的一點：詳細記錄你的每次嘗試（用了哪個模型、什么參數(shù)、完整 Prompt、輸出結(jié)果、效果評估）。這不僅是為了方便回顧和調(diào)試，也是在不同模型版本間保持效果穩(wěn)定的關(guān)鍵。推薦使用表格記錄。

結(jié)語

谷歌這份白皮書，與其說是指南，不如說是一套思維框架和工具箱。它告訴我們，有效的 Prompt Engineering 并非一日之功，它需要你理解 LLM 的工作原理，掌握各種引導(dǎo)技巧，并通過大量的實踐和迭代去打磨。

這里的每一項技術(shù)、每一條最佳實踐，都蘊含著提升 AI 協(xié)作效率的巨大潛力。把這篇文章收藏起來，時不時翻出來看看，結(jié)合你自己的場景去嘗試。掌握這門手藝，無論你是想提升工作效率，還是探索新的 AI 應(yīng)用和商業(yè)機會，都將受益匪淺。

本文轉(zhuǎn)載自??草臺AI??，作者：RangerEX