DataWhale 9月 大模型实训 T3：Prompt Engineering

文章目录：

1.1 基础入门：读懂提示词与提示词工程

1.1.1 提示词是什么呢？

1.1.2 提示词工程是什么呢？

1.1.3 为什么要下功夫学好它？

2.1 如何写出一条“好”提示词？

2.1.1 优化提示词

3.1 提示词的书写实例

实训心得总结：

---

1.1 基础入门：读懂提示词与提示词工程

在开始本章的探索之前，先来打好地基，弄清楚两个最核心的概念：提示词（Prompt） 和 提示词工程（Prompt Engineering）。

1.1.1 提示词是什么呢？

简单来说，提示词就是你向大语言模型（比如deepseek、千问等）发出的提问。它就像是你递给模型的一张“任务清单”，模型会逐字逐句地分析这张清单，然后据此生成回答。

你可以把它想象成一次精准的导航：

模糊的提示词好比你说“我想去个好玩的地方”。模型可能会困惑，到底是推荐游乐场、电影院还是森林公园？结果往往不尽人意的。

清晰的提示词则像是输入具体地址：“请帮我规划一条前往本市最新科技馆的公共交通路线，要求耗时最短”。模型就能立刻理解你的精确需求，并给出更符合你需求的答案。

1.1.2 提示词工程是什么呢？

既然提示词如此重要，那么我们如何系统地驾驭它呢？这就是提示词工程的用武之地。并非高深莫测的魔法，而是一门结合了逻辑、语言方法和实验方法的实践技能。它主要包括三个环节：

1. 设计：用模型能理解的“语言”，明确地定义任务背景、目标、输出格式以及任何限制条件。
2. 实验：很少有提示词能一次完美。我们需要准备一些典型的“测试用例”，快速对比从而找到最优解。
3. 迭代：任务需求总是在变化，模型本身也在更新。要懂得根据反馈不断微调和优化指令。

1.1.3 为什么要下功夫学好它？

1. 一个优秀的提示词能让你一次就获得近乎可直接使用的答案，并且还适合复用其他的场景，省去反复追问和修改的繁琐。
2. 再强大的模型，在糟糕的提示词面前也可能表现平平。而好的提示词能充分“展现了”模型的潜力，解决更复杂的问题。
3. 在按使用量付费的API场景下，精准的提示词意味着更少的交互次数和更短的输出，也能节省一笔不小的费用。