这份谷歌提示词指南，让你秒变Prompt高手！

推荐语

掌握Prompt Engineering，让你的AI对话更高效、更精准。
核心内容：
1. 提示词工程的定义及其重要性
2. 提示词技术的分类与应用
3. 如何提升模型的推理能力

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

随着ChatGPT、Gemini等大型语言模型（LLM）的普及，与AI对话、让AI完成任务已经成为许多人的日常。但你是否发现，有时候AI的回答并不如预期？这很可能不是模型本身的问题，而是你给出的“指令”不够清晰或巧妙。

这门“给AI下指令”的艺术和科学，就叫做 提示词工程（Prompt Engineering）。它不是数据科学家或机器学习工程师的专属技能，而是每个与LLM打交道的人都能掌握的关键能力。

而谷歌今年发布的《提示词工程说明手册》就介绍了如何让你成为Prompt高手！

什么是提示词工程？为什么它如此重要？

简单来说，提示词工程就是设计高质量的提示词（Prompt），以引导LLM生成准确、相关且符合预期的输出。LLM本质上是一个预测引擎，它根据输入的文本序列预测下一个最有可能的词元（Token）。你写的提示词，就是在为模型设定一个“起点”和“方向”，帮助它预测出正确的序列。

一个好的提示词能让LLM事半功倍，完成文本摘要、信息提取、问答、分类、翻译、代码生成等多种任务。而模糊不清的提示词则可能导致模型给出模棱两可、不准确甚至完全错误的回答。

提示词工程是一个迭代优化的过程，需要不断尝试、调整和评估。

核心技术：让你的Prompt更有效

文档详细介绍了多种提示词技术，从基础到进阶，帮助你更精准地引导模型：

1. 基础技术：零样本与少样本 (Zero-shot & Few-shot)

①零样本 (Zero-shot)：用最简单的方式，只提供任务描述和输入文本，不给任何示例。

2. 设定身份与场景：系统、情境与角色提示 (System, Contextual & Role Prompting)

①系统提示 (System prompting)：设定模型的整体行为或输出格式要求（如“回答要尊重他人”），有助于控制输出结构和安全性。

②角色提示 (Role prompting)：让模型扮演特定角色（如旅行向导、老师），以该角色的口吻、风格和知识背景进行回应。

③情境提示 (Contextual prompting)：提供与当前任务相关的具体背景信息，帮助模型理解细节和语境。

3. 进阶思考与行动：提升模型的推理能力

①回溯提示 (Step-back prompting)：先让模型思考一个与任务相关的更普遍或基础的问题（相当于你先引导它思考），然后将这个答案作为情境，再解决原问题。有助于激活模型的背景知识和推理过程。

②思维链 (Chain of Thought, CoT)：要求模型“一步一步思考”。通过生成中间推理步骤，显著提升模型在数学、常识推理等复杂任务上的表现。零样本基础上只需在Prompt末尾加上“Let's think step by step.”；少样本基础上则在示例中展示推理过程。

③自洽性 (Self-consistency)：多次运行思维链提示（使用较高Temperature），生成多条推理路径，然后选择出现频率最高的答案作为最终结果。

④思维树 (Tree of Thoughts, ToT)：思维链的泛化，允许模型同时探索多个推理分支，而非单一线性路径。更适合需要探索和规划的复杂问题。

上图为思维链和思维树的差别

LLM不仅能处理自然语言，在代码方面也表现出色

你可以用Prompt让模型：编写代码（根据需求生成代码片段）、解释代码（理解并解释现有代码）、翻译代码（将代码从一种语言翻译到另一种语言）、调试和审查代码（找出代码中的错误并提出改进建议）

文档总结了许多实用的最佳实践，助你事半功倍：

✨关注回复“提示词”可下载全文报告✨

相关文章：DeepSeek等大模型工具使用手册》，手把手教你玩转AIGC！" data-itemshowtype="0" target="_blank" linktype="text" data-linktype="2">厦大发布《DeepSeek等大模型工具使用手册》，手把手教你玩转AIGC！