小小 2025-05-20 12:05 浙江
我从事科技写作已有三年，但说实话，没有什么比摆弄AI更让我着迷的了。
我从事科技写作已有三年，但说实话，没有什么比摆弄AI更让我着迷的了。这些语言模型——你可以理解为"超级智能聊天机器人"——能生成故事、代码甚至数学答案。
但关键在于：你得学会正确提问。
这就是提示工程（Prompt Engineering）的意义所在。
它不是什么高深的黑科技，其实就是掌握与AI对话的技巧，避免它胡言乱语。
本文主要参考了李·布恩斯特拉（Lee Boonstra）的《提示工程白皮书》，我会用简单例子拆解其中精髓，让你也能轻松上手。
什么是提示工程
想象一下，你让狗狗去捡球。如果只说“去拿过来”，它可能叼回一只袜子；但如果你指着球说“把那个红色的捡回来”，那就稳了。
提示工程就是这个道理——给AI清晰的指令，避免它输出一堆废话。
谷歌的白皮书指出，这些模型（比如AI）会根据已学的内容预测下一个词。好的提示就像轻轻推它一把，让它猜得更准。重点不在于用多高级的词汇，而在于直截了当地说清楚。下面我们看看具体怎么操作。
为什么这很重要
有一次，我问AI关于“bears”的信息，本想了解野生动物，结果它给我整了一段芝加哥熊队（橄榄球队）的简介……大无语。
而一个好的提示能避免这种乌龙，无论是写诗还是列购物清单。
你完全不需要懂技术。这份白皮书的核心就是：人人都能学会。就像和朋友发消息时，把话说明白对方才能懂你。以下是几个实用技巧：
让AI秒懂你的花式提问法
这份白皮书里技巧多到爆炸，但我只挑了几种不烧脑的——每种都像给AI递小纸条的不同姿势。
1. Zero-Shot方法（直接问）
最省力提问法——直接给AI下指令，不加修饰。适合快速解决问题。
比如判断影评是好评还是差评，你可以这样问：
Hey AI, is this movie review POSITIVE, NEUTRAL, or NEGATIVE?Review: "Loved every minute of it!"Answer:
优点：快准狠。
但白皮书特别提醒——遇到"精彩但无聊"这类矛盾型影评时，这种直球提问可能会翻车。
2. Few-Shot方法（实例法）
这就是所谓的“照这个模板来”——给AI几个示例，它就能模仿出相同风格。当我需要规整的内容（比如数据整理）时，这招特别管用。
举个例子：让披萨订单以JSON格式输出得整整齐齐。
Turn this pizza order into JSON.Example 1: "Small pizza with pepperoni"Output: {"size": "small", "toppings": ["pepperoni"]}Example 2: "Large pizza with olives, mushrooms"Output: {"size": "large", "toppings": ["olives", "mushrooms"]}Now try: "Medium pizza with sausage"Output:
输出：
{"Size": "medium", "Toppings": "sausage"}
白皮书指出，只需提供少量示例（通常3个就够），就能有效避免AI"放飞自我"。
3. 系统提示（System Prompt，设定规则）
这就像告诉AI：“把答案装进盒子里。”它能确保你得到分毫不差的结果。
实际应用：
让影评整理变得井井有条。
Classify this review as POSITIVE, NEUTRAL, or NEGATIVE, andreturn it as JSON.Review: "It was fine, I guess."Format: {"sentiment": "POSITIVE | NEUTRAL | NEGATIVE"}Output:
{"sentiment": "NEUTRAL"}
这种设定能强制AI保持简洁输出。白皮书特别推崇这种方法，因为它能有效减少AI的"胡言乱语"。
4. 角色提示（Role Prompt）
这招超有趣——让AI扮演特定角色（比如大厨或旅行达人），它的说话风格会瞬间变身。
实操作业： 让AI当你的「旅行搭子」试试看。
You’re a travel guide. Name 3 must-see spots in Rome.Go:
output：
Eiffel Tower: Gotta see that giant sparkly tower.
Louvre: Tons of art, like that Mona Lisa grin.
Montmartre: Cute streets with killer crepes.
5. 思维链（chain of thought）
这相当于让AI「把解题过程摊开来讲」——特别适合数学等容易出错的领域，AI会一步步展示推理过程。
实操作业： 快速解年龄谜题.
Figure this out step by step: When I was 5, my sister was twice my age. Now I’m 20. How old is my sister?
分布拆解年龄谜题：
你5岁时，姐姐的年龄是你的2倍：
你与姐姐的年龄差 = 10岁 - 5岁 = 5岁
现在你20岁，你姐姐一定是25岁：
最终回答：姐姐25岁。
白皮书特别说明：该方法通过逐步验证能避免低级错误，但略显冗长，建议适度使用
6. 调节AI的「输出性格」
提示词只是基础，白皮书还揭示了几个关键调节旋钮——它们能像调音台般精准控制AI的输出风格：
温度值（Temperature）
低温（0.1）：输出保守精准，适合事实陈述
高温（0.8）：脑洞大开，适合创意生成
字数限制（Word Limit）
设置下限可防止AI「话痨模式」，适合摘要场景
进阶参数（Top-K/P）
控制词汇选择概率，新手建议保持默认值
效果对比实验：
相同问题，不同参数下的输出风格对比：
Tell me a quick story about a cat.Vibe: Wild, up to 15 words
Cat zoomed after a laser, flipping over couches like a furry ninja.
Same thing, Vibe: Chill, up to 8 words
Cat napped in a sunny spot
温度参数设置建议，高参数的生成内容适合脑洞大开的需求，低参数适合精准信息输出。白皮书建议新手从0.2起步，兼顾创意与可控
7. 提示工程的最佳实践
多年科技写作经验告诉我：清晰即王道。结合白皮书指南和个人踩坑总结，这些干货请收好：
① 化繁为简混乱的提示词只会让AI懵逼。要说「列出巴黎三家咖啡馆」，而非「推荐些法国好去处」
② 示范教学给AI「参考答案」比空泛描述更管用，就像给路痴发导航
③ 明确约束用「请按以下格式列出」代替「不要乱写」，正面指令效果更佳
④ 引导而非训斥「写个短篇故事」比「不准写成长篇小说」更符合AI理解逻辑
⑤ 实验记录建立提示词迭代表格，我用这个模板记录有效组合：
8. 实战案例：AI编程救急
上个月需要批量重命名上百个文件，手动操作？谢邀了。
用白皮书教的AI编程法，5分钟生成文件重命名脚本
提示词：
Make a Python thing that asks for a folder and slaps “old_” on every file name.Vibe: Safe, plenty of words
code:
import osfolder = input("What’s the folder? ").strip()ifnot os.path.isdir(folder): print("Folder’s not real.") quit()for file in os.listdir(folder): old_path = os.path.join(folder, file) new_name = "old_" + file new_path = os.path.join(folder, new_name) # Skip directories if you only want to rename files if os.path.isfile(old_path): os.rename(old_path, new_path)print("Done renaming!")
妙处所在：运行起来效果拔群，但白皮书提醒——AI生成的代码仍需人工复核，偶尔会出岔子。
9. 常见雷区与应对
AI并不完美，结合白皮书建议与个人踩坑经验：
模糊指令： 要求「聊聊stars」可能得到明星而非天体 ✅ 破解法：用「阐述恒星演化过程」等精确表述
虚构幻觉： AI可能信誓旦旦宣称「猫会飞」 ✅ 破解法：要求「仅列科学证实的事实」或「提供参考文献」
复读机模式： 不注意时会陷入「对对对」的鬼打墙循环 ✅ 破解法：调低输出字数限制或重置对话
