提示词工程
定义
提示词工程（Prompt Engineering）是通过精心设计输入文本——包括指令、示例、约束和上下文——来控制大型语言模型（LLM）行为的实践，无需修改模型权重。它是人类意图与模型输出之间的主要接口，涵盖从简单的指令措辞到复杂的多步推理策略等各种内容。
该领域涵盖三个相互关联的方面。**配置（Configuration）**涉及采样参数（温度、Top-K、Top-P）和生成控制（最大令牌数、停止序列），这些参数决定了模型如何生成令牌。**技术（Techniques）**包括结构化的方法，如思维链（chain-of-thought）、自一致性（self-consistency）、后退式提示（step-back prompting）以及系统/角色提示，用于引导模型的推理过程。**可靠性（Reliability）**涉及使输出更值得信赖的方法——去偏技术（debiasing）、提示词集成（prompt ensembling）和自我评估（self-evaluation）。
随着大型语言模型进入生产系统，提示词工程已从临时性实验演变为系统化实践。DSPy 和自动提示词工程等工具甚至可以自动化部分流程。无论你是在构建聊天机器人、代码助手还是数据提取管道，提示词工程都是提升输出质量最直接、最易用的手段。
工作原理
提示词处理流程
与大型语言模型的每次交互都始于一个提示词——一个结构化的输入，可能包含系统消息、用户指令、示例和检索的上下文。模型处理此输入并逐令牌生成输出，生成过程同时受提示词内容和采样配置的影响。
配置与技术的区别
配置参数（温度、Top-K、Top-P、最大令牌数）在令牌采样层面起作用——它们影响模型如何选择每个令牌。技术（思维链、自一致性、后退式提示）在提示词设计层面起作用——它们影响模型推理的内容。两个层次相互作用：自一致性需要较高的温度来生成多样化的推理路径，而结构化输出提取则在低温下效果最佳，以确保确定性。
可靠性层
高级提示词工程在基础提示词之上添加了一个可靠性层。这包括并行运行多个提示词（集成）、让模型批评自身输出（自我评估），以及应用去偏策略以减少系统性错误。这些方法以算力成本换取输出质量，在高风险应用场景中尤为重要。
实用资源
- OpenAI — 提示词工程指南 — 涵盖最佳实践和策略的综合指南
- Anthropic — 提示词设计 — Anthropic 官方提示词文档
- Learn Prompting — 涵盖提示词工程技术的开源课程
- 提示词工程指南（DAIR.AI） — 社区维护的指南，包含论文和技术
- DSPy 文档 — 程序化提示词优化框架