25000字长文详细讲述提示词工程-2025谷歌白皮书：如何通过提示词工程优化AI模型

推荐语

掌握提示词工程，解锁AI模型的无限潜能。

核心内容：
1. 提示词工程的重要性及其在大型语言模型中的应用
2. 谷歌白皮书提供的优化技巧与最佳实践
3. 实际案例分析与技巧应用，提升模型输出效果

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

大型语言模型（LLM）的应用愈发广泛，而想要充分发挥LLM的强大功能，编写高质量的提示词至关重要。普通用户在大模型聊天界面输入的指令也是提示词，但工程化的提示词更加精确和复杂。特别是大模型应用开发人员在调用大模型API时，需要进行更多的配置，并设计和优化提示词，这都需要掌握提示词工程技术。

谷歌团队成员联合推出的《Prompt Engineering》提示词工程白皮书，以Gemini大模型为例，为我们深入了解如何优化提示词，提升LLM输出效果提供了宝贵的指引。

作者：Google Lee Boonstra

译者：金融IT那些事儿（基于大模型翻译并校对整理）

目录

正文

您无需成为数据科学家或机器学习工程师——每个人都可以编写提示词。

简介

在思考大语言模型的输入与输出时，文本提示词（有时伴随图像提示词等其他模态）是模型用于预测特定输出的输入。您无需成为数据科学家或机器学习工程师——每个人都可以编写提示词。然而，设计最有效的提示词可能很复杂。提示词从的许多方面会影响其效果：使用的模型、模型的训练数据、模型配置、措辞选择、风格与语气、结构与上下文都很重要。因此，提示词工程是一个迭代过程。不充分的提示词可能导致模糊、不准确的响应，并阻碍模型提供有意义的输出。

当您与Gemini聊天机器人对话时，您基本上是在编写提示词，但本白皮书重点讨论在Vertex AI中或通过API直接向Gemini模型编写提示词，因为直接向大模型编写提示词可以让您访问温度等配置。

本白皮书详细讨论了提示词工程。我们将探讨各种提示词技巧，帮助您入门，并分享成为提示词专家的技巧与最佳实践。我们还将讨论在编写提示词时可能面临的一些挑战。

提示词工程

记住大语言模型的工作原理；它是一个预测引擎。模型将顺序文本作为输入，然后根据其训练数据预测下一个Token应该是什么。大语言模型通过不断重复这一过程，将先前预测的Token添加到顺序文本的末尾以预测下一个Token。下一个Token的预测基于先前Token之间的关系以及大语言模型在训练期间所见的内容。

当您编写提示词时，您试图设置大语言模型以预测正确的Token序列。提示词工程是设计高质量提示词的过程，这些提示词指导大语言模型产生准确的输出。这一过程涉及调整以找到最佳提示词，优化提示词长度，并评估提示词的写作风格和结构与任务的关系。在自然语言处理和大语言模型的背景下，提示词是提供给模型以生成响应或预测的输入。

这些提示词可用于实现各种理解和生成任务，如文本摘要、信息提取、问答、文本分类、语言或代码翻译、代码生成以及代码文档或推理。

请随时参考Google的提示词指南2,3，其中包含简单有效的提示词示例。

在进行提示词工程时，您将从选择模型开始。无论您使用Vertex AI中的Gemini语言模型、GPT、Claude还是像Gemma或LLaMA这样的开源模型，提示词可能需要针对您的特定模型进行优化。

除了提示词外，您还需要调整大语言模型的各种配置。

大语言模型输出配置

选择模型后，您需要确定模型配置。大多数大语言模型提供各种控制模型输出的配置选项。有效的提示词工程需要为您的任务优化这些配置。

输出长度

一个重要的配置设置是响应中生成的Token数量。生成更多Token需要大语言模型进行更多计算，导致更高的能耗、可能更慢的响应时间和更高的成本。

减少大语言模型的输出长度不会使模型在输出中变得更加风格化或简洁，它只会导致大语言模型在达到限制时停止预测更多Token。如果您的需求需要较短的输出长度，您可能还需要设计提示词以适应。

输出长度限制对于某些大语言模型提示词技术（如ReAct）尤为重要，其中大语言模型在您想要的响应之后会继续发出无用的Token。

请注意，生成更多Token需要大语言模型进行更多计算，导致更高的能耗和可能更慢的响应时间，从而增加成本。

采样控制

大语言模型并不正式预测单个Token。相反，大语言模型预测下一个Token可能是什么的概率，为大语言模型词汇表中的每个Token分配一个概率。然后对这些Token概率进行采样以确定下一个生成的Token。温度、Top-K和Top-P是最常见的配置设置，用于确定如何处理预测的Token概率以选择单个输出Token。

温度

温度控制Token选择的随机性程度。较低的温度适用于期望更确定性响应的提示词，而较高的温度可能导致更多样化或意外的结果。温度为0（贪婪解码）是确定性的：总是选择最高概率的Token（尽管请注意，如果两个Token具有相同的最高预测概率，根据如何实现平局处理，您可能不会总是得到相同的输出，温度为0）。

接近最大值的温度倾向于创建更随机的输出。随着温度越来越高，所有Token成为下一个预测Token的可能性变得相等。

Gemini温度控制可以类似于机器学习中使用的softmax函数来理解。低温度设置反映了低softmax温度（T），强调单一、首选温度，具有高度确定性。较高的Gemini温度设置类似于高softmax温度，使围绕所选设置的可接受温度范围更广。这种增加的不确定性适应了不需要严格、精确温度的场景，例如在尝试创造性输出时。

Top-K与Top-P

Top-K和Top-P（也称为核采样）是大语言模型中使用的两种采样设置，用于将预测的下一个Token限制为来自具有最高预测概率的Token。与温度类似，这些采样设置控制生成文本的随机性和多样性。

Top-K采样从模型的预测分布中选择前K个最可能的Token。Top-K越高，模型的输出越有创造性和多样性；Top-K越低，模型的输出越受限、越具有事实性。Top-K为1等同于贪婪解码。

Top-P采样选择其累积概率不超过某个值（P）的顶部Token。P的值范围从0（贪婪解码）到1（大语言模型词汇表中的所有Token）。

选择Top-K和Top-P之间的最佳方法是尝试两种方法（或两者一起），看看哪种方法产生您正在寻找的结果。

综合应用

在Top-K、Top-P、温度和要生成的Token数量之间进行选择取决于特定应用和期望结果，并且这些设置都会相互影响。同样重要的是确保您了解所选模型如何将不同的采样设置结合在一起。

如果温度、Top-K和Top-P都可用（如在Vertex Studio中），则满足Top-K和Top-P标准的Token是下一个预测Token的候选，然后对通过Top-K和Top-P标准的Token应用温度进行采样。如果只有Top-K或Top-P可用，则行为相同，但仅使用一个Top-K或P设置。

如果温度不可用，则对满足Top-K和/或Top-P标准的Token进行随机选择以生成单个下一个预测Token。

在一个采样配置值的极端设置下，该采样设置要么取消其他配置设置，要么变得无关紧要。

（1）如果将温度设置为0，Top-K和Top-P变得无关紧要——最可能的Token成为下一个预测Token。如果将温度设置得极高（高于1——通常达到10以上），温度变得无关紧要，然后对通过Top-K和/或Top-P标准的Token进行随机采样以选择下一个预测Token。

（2）如果将Top-K设置为1，温度和Top-P变得无关紧要。只有一个Token通过Top-K标准，并且该Token是下一个预测Token。如果将Top-K设置得极高，如大语言模型词汇表的大小，则任何具有非零概率成为下一个Token的Token都将满足Top-K标准，并且没有Token被筛选掉。

（3）如果将Top-P设置为0（或非常小的值），大多数大语言模型采样实现将仅考虑最可能的Token以满足Top-P标准，使温度和Top-K无关紧要。如果将Top-P设置为1，任何具有非零概率成为下一个Token的Token都将满足Top-P标准，并且没有Token被筛选掉。

作为一般起点，温度为0.2、Top-P为0.95、Top-K为30将为您提供相对连贯的结果，这些结果可以具有创造性但不过度。如果您想要特别有创造性的结果，可以尝试从温度为0.9、Top-P为0.99、Top-K为40开始。如果您想要较少创造性的结果，可以尝试从温度为0.1、Top-P为0.9、Top-K为20开始。最后，如果您的任务总是有单一正确答案（例如回答数学问题），可以从温度为0开始。

注意：自由度越高（温度、Top-K、Top-P和输出Token越高），大语言模型生成的文本可能越不相关。

警告：您是否曾经看到响应以大量填充词结尾？这也被称为“重复循环错误”，这是大语言模型中的常见问题，模型陷入循环，重复生成相同的（填充）词、短语或句子结构，通常因不适当的温度和Top-K/Top-P设置而加剧。这可能发生在低温和高温度设置下，尽管原因不同。在低温下，模型变得过于确定性，严格遵循最高概率路径，如果该路径重新访问先前生成的文本，则可能导致循环。相反，在高温度下，模型的输出变得过于随机，增加了随机选择的词或短语偶然导致回到先前状态的概率，由于可用选项的数量众多，从而创建循环。在这两种情况下，模型的采样过程“卡住”，导致单调和无用的输出，直到输出窗口填满。解决这一问题通常需要仔细调整温度和Top-K/Top-P值，以找到确定性和随机性之间的最佳平衡。

提示词技巧

大语言模型经过调整以遵循指令，并在大量数据上进行训练，因此它们可以理解提示词并生成答案。但大语言模型并不完美；您的提示词文本越清晰，对大语言模型预测下一个可能的文本越有利。此外，利用大语言模型如何训练和工作的特定技巧将帮助您从大语言模型获得相关结果。

现在我们已经了解了提示词工程是什么以及需要什么，让我们深入了解一些最重要的提示词技巧示例。

通用提示词/零样本

零样本提示词是最简单的提示词类型。它仅提供任务的描述和一些文本供大语言模型开始。此输入可以是任何内容：一个问题、一个故事的开始或指令。名称零样本代表“无示例”。

让我们使用Vertex AI Studio（用于语言）中的Vertex AI6，它提供了一个测试提示词的游乐场。在表1中，您将看到一个用于分类电影评论的零样本提示词示例。

如下表格式是记录提示词的好方法。您的提示词在进入代码库之前可能会经过多次迭代，因此以纪律性、结构化的方式跟踪您的提示词工程工作非常重要。有关此表格式、跟踪提示词工程工作的重要性以及提示词开发过程的更多信息，请参阅本章后面的“最佳实践”部分（“记录各种提示词尝试”）。

模型温度应设置为较低的数字，因为不需要创造性，我们使用gemini-pro默认的Top-K和Top-P值，这实际上禁用了这两个设置（请参阅上面的“大语言模型输出配置”）。注意生成的输出。单词“disturbing” 和“masterpiece” 应该使预测稍微复杂一些，因为这两个词在同一句话中使用。

表1. 零样本提示词的示例

当零样本不起作用时，您可以在提示词中提供演示或示例，这导致“单样本”和“少样本”提示词。通用提示词/零样本

单样本与少样本

在为AI模型创建提示词时，提供示例非常有帮助。这些示例可以帮助模型理解您的要求。示例在您希望引导模型达到特定输出结构或模式时特别有用。

单样本提示词提供一个示例，因此称为单样本。其思想是模型有一个可以模仿以最好完成任务的示例。

少样本提示词为模型提供多个示例。这种方法向模型展示了一个需要遵循的模式。其思想类似于单样本，但多个期望模式的示例增加了模型遵循模式的机会。

少样本提示词所需的示例数量取决于几个因素，包括任务的复杂性、示例的质量以及您使用的生成AI（gen AI）模型的能力。作为一般经验法则，对于少样本提示词，您应至少使用三到五个示例。然而，对于更复杂的任务，您可能需要使用更多示例，或者由于模型的输入长度限制，您可能需要使用更少的示例。

表2显示了一个少样本提示词示例，让我们使用与之前相同的gemini-pro模型配置设置，除了增加Token限制以适应更长的响应需求。

表2. 少样本提示词的示例

当您为提示词选择示例时，请使用与您要执行的任务相关的示例。示例应多样化、高质量且编写良好。一个小错误可能会混淆模型并导致不期望的输出。

如果您试图生成对各种输入稳健的输出，那么在示例中包含边缘情况非常重要。边缘情况是不寻常或意外的输入，但模型仍应能够处理。

系统、上下文和角色提示词

系统、上下文和角色提示词都是用于指导大语言模型生成文本的技巧，但它们侧重于不同的方面：

● 系统提示词为语言模型设置整体上下文和目的。它定义了模型应该做什么的“大局”，如翻译语言、分类评论等。

● 上下文提示词提供与当前对话或任务相关的特定细节或背景信息。它帮助模型理解所问内容的细微差别，并相应地定制响应。

● 角色提示词为语言模型分配特定的角色或身份。这有助于模型生成与分配角色及其相关知识和行为一致的响应。

系统、上下文和角色提示词之间可能存在相当大的重叠。例如，为系统分配角色的提示词也可以具有上下文。

然而，每种提示词类型的主要目的略有不同：

● 系统提示词：定义模型的基本能力和总体目的。

● 上下文提示词：提供即时的、特定于任务的信息以指导响应。它高度特定于当前任务或输入，是动态的。

● 角色提示词：构建模型的输出风格和声音。它增加了特异性和个性。

区分系统、上下文和角色提示词为设计具有明确意图的提示词提供了一个框架，允许灵活组合，并更容易分析每种提示词类型如何影响语言模型的输出。

让我们深入了解这三种不同类型的提示词。

系统提示词

表3包含一个系统提示词，其中我指定了如何返回输出的附加信息。我提高了温度以获得更高的创造性水平，并指定了更高的Token限制。然而，由于我对如何返回输出有明确的指令，模型没有返回额外的文本。

表3. 系统提示词的示例

系统提示词对于生成满足特定要求的输出非常有用。名称“系统提示词”实际上代表“为系统提供附加任务”。例如，您可以使用系统提示词生成与特定编程语言兼容的代码片段，或者您可以使用系统提示词返回某种结构。请查看表4，其中我以JSON格式返回输出。

表4. 以JSON格式的系统提示词示例

从提示词中提取数据时返回JSON对象有一些好处。在实际应用中，我不需要手动创建此JSON格式，我可以已经以排序顺序返回数据（在处理日期时间对象时非常方便），但最重要的是，通过提示词JSON格式，它迫使模型创建结构并限制幻觉。

系统提示词对于安全和毒性也很有用。要控制输出，只需在提示词中添加一行，如：“您应在回答中保持尊重。”

角色提示词

角色提示词是提示词工程中的一种技巧，涉及为生成AI模型分配特定角色。这可以帮助模型生成更相关和信息丰富的输出，因为模型可以针对其分配的角色定制响应。

例如，您可以为生成AI模型分配一个书籍编辑、幼儿园教师或励志演讲者的角色。一旦模型被分配了角色，您可以给它特定于该角色的提示词。例如，您可以提示词教师创建一个他们可以审查的课程计划。请查看表5，其中模型扮演旅行指南的角色。

表5. 角色提示词的示例

上面的示例展示了扮演旅行智能体角色的示例。如果您将角色更改为地理教师，您会注意到您将收到不同的响应。

为AI模型定义角色视角为其提供了您所寻找的语调、风格和专注专业知识的蓝图，以提高输出质量、相关性和有效性。

以下是一些我发现有效的风格：

对抗性、描述性、直接、正式、幽默、有影响力、非正式、鼓舞人心、有说服力

让我们在表6中更改我们的提示词，以包括幽默和鼓舞人心的风格。

表6. 带有幽默语调和风格的角色提示词示例

上下文提示词

通过提供上下文提示词，您可以帮助确保您的AI交互尽可能无缝和高效。模型将能够更快地理解您的请求，并能够生成更准确和相关的响应，如表7中的示例所示。

表7. 上下文提示词的示例

退步提示词

退步提示词是一种通过先让大语言模型思考与当前任务相关的普遍性问题，然后将该普遍性问题的答案输入到后续具体任务提示词中，从而提高性能的技术。这种"退一步"的做法让大语言模型在尝试解决具体问题前，能够激活相关的背景知识和推理过程。

通过考虑更广泛和基础的原则，大语言模型可以生成更准确和有洞察力的响应。退步提示词鼓励大语言模型批判性思考，并以新的创造性方式应用其知识。它通过利用比直接提示词时更多的大语言模型参数知识，改变了最终执行任务的提示词。

这种方法有助于减轻大语言模型响应中的偏见，通过专注于普遍原则而非具体细节。

让我们通过以下示例来理解退步提示词如何改善结果。首先我们看一个传统提示词(表8)，然后再与退步提示词(表9)进行比较：

表8. 与退步提示词比较前的传统提示词

当温度设置为1时，您可能会得到各种创造性的故事情节写作，但它也相当随机和通用。所以让我们退一步思考：

表9. 自我一致性提示词的示例

这些主题看起来很适合第一人称视频游戏。让我们回到原始提示词，但这次我们将退步思考的答案作为上下文包含在内，看看它会返回什么。

这看起来像是一个有趣的视频游戏！通过使用退步提示词技术，您可以提高提示词的准确性。

思维链(CoT)

思维链(CoT)9提示词是一种通过生成中间推理步骤来提高大语言模型推理能力的技术。这有助于大语言模型生成更准确的答案。您可以将其与少样本提示词结合使用，在需要先进行推理再响应的更复杂任务上获得更好的结果，因为零样本思维链在这方面具有挑战性。

CoT有很多优点。首先，它低投入高效果，并且可以与现成的大语言模型良好配合（因此不需要微调）。您还可以通过CoT提示词获得可解释性，因为您可以从大语言模型的响应中学习并看到遵循的推理步骤。如果出现故障，您将能够识别它。思维链似乎在迁移到不同大语言模型版本时提高了鲁棒性。这意味着您的提示词性能在不同大语言模型之间的漂移应该比不使用推理链的提示词要小。当然也有缺点，但它们有些直观。

大语言模型响应包括思维链推理，这意味着更多的输出Token，意味着预测成本更高且耗时更长。

为了解释表11中的以下示例，让我们首先尝试创建一个不使用CoT提示词的提示词，以展示大语言模型的缺陷。

表11. 尝试解决数学问题的提示词示例

糟糕。这显然是错误的答案。事实上，大语言模型通常在数学任务上表现不佳，即使是像两个数字相乘这样简单的任务也可能提供错误答案。这是因为它们是在大量文本上训练的，而数学可能需要不同的方法。所以让我们看看中间推理步骤是否会改善输出。

表12. 思维链提示词的示例

好的，现在最终答案是正确的。这是因为我们明确指示大语言模型解释每一步，而不是仅仅返回一个答案。有趣的是，模型将增加的17年相加。在我脑海中，我会取我和伴侣之间的年龄差并相加。(20+(9-3))。让我们帮助模型更像我一样思考。

表12是"零样本"思维链的示例。思维链提示词在与单样本或少样本结合时非常强大，如表13所示：

表13. 带有单样本的思维链提示词示例

思维链可以用于各种用例。考虑代码生成，将请求分解为几个步骤，并将这些步骤映射到特定的代码行。或者当您有某种种子时创建合成数据，如"产品名为XYZ，根据产品给定标题引导模型做出假设"。一般来说，任何可以通过"逐步讲解"解决的任务都是思维链的良好候选。如果您能解释解决问题的步骤，请尝试思维链。

请参考托管在GoogleCloudPlatform Github存储库中的笔记本10，它将更详细地介绍CoT提示词：

在本章的最佳实践部分，我们将学习一些特定于思维链提示词的最佳实践。

自我一致性

虽然大语言模型在各种NLP任务中显示出令人印象深刻的成功，但其推理能力通常被视为仅通过增加模型规模无法克服的限制。正如我们在之前的思维链提示词部分所了解的，可以提示词模型生成像人类解决问题一样的推理步骤。然而，CoT使用简单的"贪婪解码"策略，限制了其有效性。自我一致性11结合了采样和多数投票来生成多样化的推理路径并选择最一致的答案。它提高了大语言模型生成响应的准确性和连贯性。

自我一致性给出了答案正确的伪概率可能性，但显然成本很高。

它遵循以下步骤：

• 生成多样化的推理路径：多次提供相同的提示词给大语言模型。高温度设置鼓励模型生成不同的推理路径和对问题的观点。

• 从每个生成的响应中提取答案。

• 选择最常见的答案。

让我们看一个电子邮件分类系统的示例，该系统将电子邮件分类为"重要"或"不重要"。零样本思维链提示词将被多次发送到大语言模型，以查看每次提交后响应是否不同。注意友好的语气、措辞选择和电子邮件中使用的讽刺。所有这些都可能欺骗大语言模型。

表14. 自我一致性提示词的示例

您可以使用上述提示词并尝试查看它是否返回一致的分类。根据您使用的模型和温度配置，它可能返回"重要"或"不重要"。

通过生成许多思维链，并选择最常见的答案("重要")，我们可以从大语言模型获得更一致的正确答案。

这个示例展示了如何通过考虑多个观点并选择最一致的答案，使用自我一致性提示词来提高大语言模型响应的准确性。

思维树(ToT)

现在我们已经熟悉了思维链和自我一致性提示词，让我们回顾思维树(ToT)。12它概括了CoT提示词的概念，因为它允许大语言模型同时探索多个不同的推理路径，而不是仅仅遵循单一的线性思维链。如图1所示。

图1. 左侧是思维链提示词的可视化，右侧是思维树提示词的可视化

这种方法使ToT特别适合需要探索的复杂任务。它通过维护一个思维树来工作，其中每个思维代表一个连贯的语言序列，作为解决问题的中间步骤。然后，模型可以通过从树中的不同节点分支来探索不同的推理路径。

有一篇很棒的论文《大语言模型引导的思维树》，基于论文《Large Language Model Guided Tree-of-Thought》。

ReAct(推理与行动)

推理与行动(ReAct)提示词是一种范式，使大语言模型能够使用自然语言推理结合外部工具(搜索、代码解释器等)来解决复杂任务，允许大语言模型执行某些操作，例如与外部API交互以检索信息，这是迈向智能体建模的第一步。

ReAct模仿人类在现实世界中的操作方式，因为我们口头推理并可以采取行动获取信息。ReAct在各种领域中相对于其他提示词工程方法表现良好。

ReAct提示词通过将推理和行动结合到一个思想-行动循环中工作。大语言模型首先对问题进行推理并生成行动计划。然后执行计划中的行动并观察结果。大语言模型然后使用观察结果更新其推理并生成新的行动计划。这个过程一直持续到大语言模型找到问题的解决方案。

要看到这一点，您需要编写一些代码。在代码片段1中，我使用Python的langchain框架，与VertexAI(google-cloud-aiplatform)和google-search-results pip包一起使用。

要运行此示例，您必须从https://serpapi.com/manage-api-key创建一个(免费)SerpAPI密钥，并设置环境变量SERPAPI_API_KEY。

接下来让我们编写一些Python代码，任务是让大语言模型找出：Metallica乐队中哪位著名父亲有多少孩子。

Pythonfrom langchain.Agents import load_toolsfrom langchain.agents import initialize_agentfrom langchain.agents import AgentTypefrom langchain.llms import VertexAI
prompt = "Metallica乐队成员有多少孩子？"llm = VertexAI(temperature=0.1)tools = load_tools(["serpapi"], llm=llm)
agent = initialize_agent(tools, llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)agent.run(prompt)

片段1. 使用LangChain和VertexAI创建ReAct智能体

代码片段2显示了结果。注意ReAct进行了五次搜索的链式思考。实际上，大语言模型正在抓取Google搜索结果以找出乐队名称。然后，它将结果列为观察，并为下一次搜索链接思考。

 > Entering new AgentExecutor chain... Metallica has 4 members. Action: Search Action Input: How many kids does James Hetfield have? Observation: three children Thought: 1/4 Metallica band members have 3 children Action: Search Action Input: How many kids does Lars Ulrich have? Observation: 3 Thought: 2/4 Metallica band members have 6 children Action: Search Action Input: How many kids does Kirk Hammett have? Observation: Hammett has been married to his second wife Lani since 1998. They have two sons, Angel (b. September 29, 2006) and Vincenzo (b. June 28, 2008). Thought: 3/4 Metallica band members have 8 children Action: Search Action Input: How many kids does Robert Trujillo have? Observation: 2 Thought: 4/4 Metallica band members have 10 children Final Answer: 10

片段2. 在终端中执行ReAct智能体

代码片段2计算出Metallica乐队有四名成员。然后它搜索每个乐队成员以请求孩子总数并相加。最后，它返回孩子总数作为最终答案。

在实践中使用ReAct提示词需要理解您必须不断重新发送先前的提示词/响应(并对额外生成的内容进行修剪)，以及用适当的示例/指令设置模型。请参考托管在GoogleCloudPlatform Github存储库中的笔记本14，其中更详细地展示了实际的LLM输入和输出，并提供了更详细的示例。

自动提示词工程

此时您可能意识到编写提示词可能很复杂。如果能自动化这个过程(编写提示词来编写提示词)不是很好吗？确实有一种方法：自动提示词工程(APE)。这种方法15不仅减轻了对人工输入的需求，还增强了模型在各种任务中的性能。

您将提示词一个模型生成更多提示词。评估它们，可能修改好的提示词。然后重复。

例如，您可以使用自动提示词工程来帮助训练一个商品T恤网店的聊天机器人。我们想要找出客户订购乐队商品T恤的所有各种表达方式。

表15. 使用LLM生成提示词

代码提示词

Gemini 主要专注于基于文本的提示词，其中也包括用于返回代码的提示词编写。让我们进入 Vertex AI Studio 测试这些提示词，并查看一些代码示例。

编写代码的提示词

Gemini 也可以充当开发者，帮助您用任何编程语言编写代码。作为开发者，这可以加速您的代码编写过程。

假设您的机器上有一个包含数百个文件的文件夹，需要重命名。逐个重命名文件会花费大量时间。您了解一些 Bash 脚本，可以编写脚本来实现自动化，但这可能也需要一些时间。因此，让我们编写一个提示词。您可以在公共聊天机器人 Gemini 中编写提示词，或者如果您更关注保密性，可以在 Google Cloud 账户内的 Vertex AI Studio 中编写这些提示词。Vertex AI Studio 的优势在于您可以配置温度等参数。

表16. 使用Gemini编写代码

这段代码看起来不错——甚至还有注释！然而，由于大语言模型无法推理，并且会重复训练数据，因此务必先阅读并测试您的代码。  

我们都在等待的时刻：它真的能运行吗？  

让我们先用一个仅包含几个文件的测试文件夹试试，这些文件需要从`filename.txt` 重命名为 `draft_filename.txt`。  

1. 复制表 16 的输出（不包括 ```bash ``` 文本包装），并将其粘贴到一个新文件中，命名为`rename_files.sh`。 

2. 打开终端窗口并输入：`./rename_files.sh`。它会要求输入文件夹名称，例如 `test`，然后按回车。  

3. 脚本似乎运行正常。您会看到消息：`Files renamed successfully.`。 

当您查看 `test` 文件夹时，会发现所有文件都已成功重命名为 `draft_filename.txt`。  

成功了！ 

解释代码的提示词

作为开发者，当您在团队中工作时，可能需要阅读他人的代码。Gemini 也可以帮助您完成这一任务。让我们以表 16 的代码输出为例，删除注释，然后让大语言模型解释其功能。请参见表 17：  

Table 17. 解释代码的提示词

翻译代码的提示词  

表 16 中的 Bash 代码运行良好。然而，如果它能提示词输入文件名，这个脚本可能会更具可重用性。理想情况下，它应该作为一个具有用户界面的独立应用程序运行。作为起点，Python 比 Bash 更适合（Web）应用程序。大语言模型可以帮助将代码从一种语言翻译到另一种语言。请参见表 18 的示例： 

表18. 将Bash代码翻译为Python代码的提示词

阅读并审查代码。将提示词的输出复制并粘贴到一个新文件中：`file_renamer.py`。通过打开终端窗口并执行以下命令测试代码：`python file_renamer.py`。  

注意：在 Vertex AI 的Language Studio 中提示词（Python）代码时，您需要点击“Markdown”按钮。否则，您将收到纯文本，缺少 Python 代码所需的正确缩进。  

调试和审查代码的提示词  

让我们手动对表 18 的代码进行一些编辑。它应该提示词用户输入文件名前缀，并将此前缀转换为大写字符。请参见代码片段 3 的示例，但糟糕的是，现在它返回 Python 错误！  

//pythonimport osimport shutil folder_name = input("Enter the folder name: ") prefix = input("Enter the string to prepend to the filename: ") text = toUpperCase(prefix) if not os.path.isdir(folder_name):   print("Folder does not exist.")    exit(1)  files = os.listdir(folder_name) 
for file in files:   new_filename = f"{text}_{file}"  shutil.move(os.path.join(folder_name, file),  os.path.joi(folder_name, new_file_name))  print("Files renamed successfully.") 

代码片段 3. 一个损坏的Python 脚本

哎呀！看起来有一个错误：

Traceback (most recent call last): File "/Users/leeboonstra/Documents/test_folder/rename_files.py", line 7, in <module>  text = toUpperCase(prefix)  NameError: name 'toUpperCase' is not defined 

代码片段 4. 我破坏了 Python代码

让我们看看是否可以请大语言模型调试和审查代码。请参见表 19：