我要投稿

玩转提示工程：让AI听懂人话的实战手册

发布日期：2025-04-12 15:34:17 浏览次数： 1532 作者：Machi

一、模型调参三剑客

1. 温度（Temperature）

低温度（0.1）："天空是__" → "蓝色的"（确定性高）
高温度（0.9）："天空是__" → "撒满星星的画布"（创造性高）

2. Top-K & Top-P

实用参数设置：

精确答案型任务：temperature=0, top_k=1（严格预测模式）
创意文案型任务：temperature=0.9, top_k=40, top_p=0.95（发散思维模式）
通用问答型任务：temperature=0.2, top_k=30, top_p=0.8（平衡模式）

二、提示词格式大比拼

同样需求，不同提问方式，效果大不同：

# 三种提问方式实验
prompts = [
    # 问题型
    "世嘉Dreamcast是什么，为什么它被认为是革命性的游戏机？",
    
    # 陈述型
    "世嘉Dreamcast是1999年发布的第六代游戏主机...",
    
    # 指令型
    "写一段介绍世嘉Dreamcast的文字，解释为什么它在游戏主机历史上具有革命性意义。"
]

# 输出三种不同结果比较
for prompt in prompts:
    response = model.predict(prompt, temperature=0.7)
    print(f"提示类型: {prompt[:10]}...\n输出: {response}\n---")

三、三种提示模式大揭秘

1. 系统提示（System Prompting）

# 电影评论分类器
prompt = """
分类电影评论为积极、中性或消极。
只返回大写标签。
评论：《她》(Her)是一部揭示人工智能发展方向的令人不安的影片，
看得我太难受了，根本看不下去。
情感：
"""

2. 角色提示（Role Prompting）

# 旅游顾问角色
prompt = """
我希望你扮演一名旅游顾问。
我会告诉你我的位置，你需要用幽默风格为我推荐3个地方。
我的要求："我在曼哈顿"
"""
# 输出：将用幽默语气介绍帝国大厦、MoMA和第五大道

3. 上下文提示（Contextual Prompting）

# 复古游戏博客
prompt = """
上下文：你正在为一个关于80年代街机游戏的博客写作。
建议3个文章主题，每个主题附带简短描述。
"""
# 输出：街机游戏柜设计演变、80年代标志性游戏、像素艺术的兴起与复兴

四、高级思维技巧

1. 思维链（CoT）实战

错误示范：
"小明3岁时姐姐年龄是小明的3倍，现在小明20岁，姐姐几岁？"
→ 错误答案：63岁

正确姿势：

请分步骤思考：
1. 小明3岁时，姐姐年龄：3 × 3 = 9岁
2. 年龄差：9 - 3 = 6岁
3. 现在小明20岁，姐姐：20 + 6 = 26岁

2. 步退提示（Step-back Prompting）

# 第一步：先退一步，思考更一般性的问题
response1 = model.predict("哪些场景适合第一人称射击游戏的关卡设计？")
# 输出：废弃军事基地、赛博朋克城市、外星飞船、僵尸小镇、水下研究设施...

# 第二步：基于一般性回答，再回到具体问题
prompt2 = f"""
参考以下场景：
{response1}

现在，为第一人称射击游戏设计一个引人入胜的关卡剧情。
"""
response2 = model.predict(prompt2)
# 输出：一个更有深度和细节的游戏关卡设计

3. 思维树（Tree of Thoughts）

▲ 思维链vs思维树：从单一推理到多路径探索

举个例子看看：

4. 自一致性（Self-consistency）

# 用多次推理验证答案
responses = []
for i in range(5):  # 运行5次同样的问题
    response = model.predict(
        "判断邮件内容是重要还是不重要，要分步骤思考：\n[邮件内容]\n判断结果:",
        temperature=0.8  # 使用高温度产生多样化结果
    )
    responses.append(response)

# 统计最多数结果
import collections
result = collections.Counter([r.split("结论:")[-1].strip() for r in responses]).most_common(1)[0][0]
print(f"最终判断: {result}")

5. ReAct模式（推理+行动）

from langchain.agents import load_tools
from langchain.agents import initialize_agent

# 初始化搜索工具
tools = load_tools(["serpapi"], llm=llm)
agent = initialize_agent(
    tools, 
    llm,
    agent="zero-shot-react-description",
    verbose=True
)

# 执行多步查询
agent.run("Metallica乐队成员共有多少个孩子？")

执行过程：

思考: Metallica有4名成员
行动: 搜索 "How many kids does James Hetfield have?"
观察: three children
思考: 1/4成员有3个孩子
行动: 搜索 "How many kids does Lars Ulrich have?"
观察: 3
思考: 2/4成员共有6个孩子
...最终答案: 10

五、代码提示专家秘笈

1. 生成代码

prompt = """
编写一个Bash脚本，询问文件夹名称，并将该文件夹内的所有文件
重命名为在原文件名前添加'draft_'前缀。
"""

2. 调试代码

prompt = """
下面的Python代码有错误:
```python
import os
import shutil
folder_name = input("请输入文件夹名: ")
prefix = input("请输入前缀: ")
text = toUpperCase(prefix)  # 错误在这里
...

请诊断问题并给出正确解决方案。 """


## 六、结构化输出黑科技
```json
{
  "电影评价": {
    "情感倾向": "POSITIVE",
    "理由": ["演技精湛", "剧情紧凑"],
    "推荐指数": 4.5
  }
}

优势：

降低了30%的幻觉内容[3]
强制模型按结构回答
便于后端处理和集成

七、实用提示词模板大全

# 角色扮演模板
作为[专业角色]，请[执行任务]，要求[具体要求]。
例：作为财务顾问，分析以下季度报告的关键指标，重点关注盈利增长点。

# 步骤分解模板
请按照以下步骤完成[任务]：
1. 首先...
2. 接着...
3. 最后...

# 对比分析模板
请比较[A]和[B]在以下几个方面的异同：
- 成本效益
- 实施难度
- 长期价值

八、避坑指南

少样本提示要混搭类型：

好例子：
正例："这个餐厅服务超棒！" → POSITIVE
反例："食物是冷的" → NEGATIVE
中性："上菜速度一般" → NEUTRAL

使用指令而非限制：

✅ 好例子："生成一段关于世嘉DC的文字，只讨论硬件规格和发布时间"
❌ 坏例子："生成一段关于世嘉DC的文字，不要提及游戏和价格"

记录提示实验结果：

| 提示名称 | 目标 | 模型 | 温度 | Top-K | Top-P | 提示内容 | 输出结果 |
|--------|------|-----|-----|-------|------|--------|--------|
| 游戏评论v1 | 分析游戏特点 | gemini-pro | 0.2 | 40 | 0.8 | ... | ... |