如何与AI说话

我悟了如何与AI说话！
 

你不必是数据科学家或机器学习工程师——人人都可以编写提示词。

（You don't need to be a data scientist or a machine learning engineer – everyone can write a prompt.）

 

最近，Google 官方发布了一份长达 69 页的【Prompt Engineering 白皮书】，可以说是目前最系统、最权威的“AI 沟通指南”了。我们也是第一时间翻译好了这本书，准备【免费】送给大家！

怎么拿？很简单，看完这篇文章，参与文末的小活动就行！

现在咱们聊聊，为啥这份白皮书突然就刷屏了？为啥说它是“必学秘籍”？

很简单，因为现在跟 AI 打交道，真的太难了！

    你苦口婆心解释半天，它抓着一个无关紧要的词就开始自由发挥……

    你想要个 A，它自信满满地给你个 B，还附赠一套又臭又长、看似完美的错误逻辑……

    同一个问题，昨天它懂你，今天它就装傻，效果全看“缘分”……

即使是 OpenAI o1、DeepSeek R1 这些主打推理能力的新时代模型出来了，大家以为可以“傻瓜式”对话了，结果该懵圈的时候还是懵圈，该跑偏的时候照样跑偏——现实狠狠地打了我们一巴掌：AI 再强，你不懂“说话的艺术”，它也只能是个“最熟悉的陌生人”！

而“提示工程 (Prompt Engineering)”这门学问，就是教我们如何掌握这门艺术，如何精确、高效地引导 AI，让它从“猜你心思”变成“懂你心思”。

Google 这份白皮书，不是某个博主的心得体会，不是零散的技巧合集，而是 Google 官方基于对大语言模型（LLM）的深刻理解，系统性梳理出来的方法论、技巧库和最佳实践。

接下来，咱们就一起“开卷”这本秘籍，把里面的精华嚼碎了、掰开了，让你彻底搞懂 Prompt 的门道。

别忘了，看到最后有惊喜，读至文末，领取 69 页完整白皮书（英文原文 PDF + 中文翻译版 PDF）！

第一层心法：搞懂 AI 的“脑回路”——它其实只会猜词？

大语言模型（LLM）是一个预测引擎。当你输入文字时，模型会根据它训练过的数据预测下一个词应该是什么。通过精心设计的提示，你可以引导模型生成更符合你期望的回答。

白皮书开篇就给我们提了个醒：别把大语言模型（LLM）想得太玄乎，它骨子里就是个能力超强的预测机器。你给它一段话（你的提示词），它就在自己“消化”过的海量信息里疯狂搜索，预测接下来最可能蹦出哪个词（准确说是 Token），然后吐出来；接着，把这个新词加到你的话后面，再预测下一个... 就这么循环往复，直到它觉得说得差不多了或者达到你设定的长度。

想明白这点，是不是瞬间感觉思路清晰了？为啥 Prompt 那么关键？因为你的提示词，就是在给这个猜词游戏设定开局和规则！ 你开头的引导越清楚、给的信息越多、指令越明确，它猜中你心思的概率就越大。这就是为啥有时候你换个说法，或者多加句背景，AI 的回答就能从反应迟钝变得智能多了！记住，你不是在跟它谈心，你是在引导它的预测方向！

第二层心法：玩转温度、Top-K、Top-P 这些关键参数

提示的许多方面都会影响其效果：使用的模型、模型的训练数据、模型配置、您的用词、风格和语气、结构以及上下文都很重要。因此，提示工程是一个迭代的过程。不恰当的提示可能会导致模棱两可、不准确的响应，并且会妨碍模型提供有意义的输出。

大部分人都是直接在各种 LLM 的官网使用聊天机器人，很少会有非开发者主动去研究怎么玩转 API。那么，开发者使用 AI 和非开发者使用 AI 的区别在哪呢？

比方说我现在打开 DeepSeek 的页面，一共就五个可交互的元素：写提示词用的聊天框（ChatBox）、切换成 R1 模型的「深度思考」按键、联网搜索按键、上传附件还有一个发送按键。

这里面影响结果最大的因素，自然是调整提示词。但除了提示本身，我们其实还可以调整各种配置选项来控制 AI 的输出，这些设置会影响 AI 生成回答的方式。

典型的就是谷歌自家的 Google AI Studio，除了常见的聊天框以外，我们还能在右边去调节各式各样的参数：

    温度 (Temperature)

这玩意儿直接控制 AI 回答的随机性（或者说创造力）。你可以把它想象成调节 AI “胆量”大小的开关，正所谓“人有多大胆，地有多大产”，温度调的越大，模型创造力也就越强。

调低温度（比如 0.1 到 0.3），AI 就变得比较保守，倾向于选择概率最高、最常见、最符合事实的词汇，输出结果特稳定、一致，适合做总结、提取信息这类严谨的任务。缺点嘛，可能有点缺乏惊喜。

低温度典型的任务，就是让 AI 写代码：