提示词工程 - (1) 介绍

原创 已于 2025-11-23 19:58:38 修改 · 641 阅读 · 16 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #算法 #机器学习

于 2025-11-16 14:34:55 首次发布

目录


系列文章

提示词工程 - (1) 介绍
提示词工程 - (2) 指南
提示词工程 - (3) 其他总结

LLM类型

1. 基础大模型(base LLMs)

  • 这种LLM指的是，给予文本训练数据来预测做“文字接龙”，通常是在互联网和其他来源的大量数据上进行训练，以确定下一个最可能的单词是什么。

2. 指令调整型模型(instruction tuned LLMs)

  • 使用base LLMs然后使用输入和输出的指令进行微调，然后使用RLHF(基于人类反馈的强化学习)做进一步优化，以使系统能够更好的提供帮助和遵循指令，这样能够输出一些有益的文本。

模型设置

  • 使用提示词的时候，我们通常会通过API或者直接与大模型交互，可以通过配置一些参数来获得不同的提示结果。调整这些设置对于提高响应的可靠性非常重要，你可能需要进行一些实验才能找出适合您的用例的正确设置。以下是使用不同LLM提供程序时会遇到的常见设置

1. 核心生成参数

最低0.47元/天 解锁文章
2025 Google提示词工程白皮书：如何通过提示工程优化AI模型.pdf
04-23
提示词工程（Prompt Engineering）是提升AI模型性能的一个重要研究方向，它专注于如何设计和构造输入提示，以便让AI系统能更好地理解和响应特定任务的要求。该技术主要应用于语言模型，如Google的BERT和GPT等，通过...
北京大学-DeepSeek系列-提示词工程和落地场景
02-27
在技术细节方面，讲座详细解读了DeepSeek提示词技巧，这包括如何选择合适的提示词、如何构造有效的提示词组合以及如何优化提示词的搜索策略等。通过这些技巧的应用，可以显著提高信息检索的效率和准确性，尤其在大...
大模型提示词工程技术1-《大模型提示词工程技术》创作与前沿章节介绍
微学AI的博客
08-28 1505
大模型提示词工程技术1-《大模型提示词工程技术》创作与前沿章节介绍，《大模型提示词工程技术》是一本专注于提升人工智能大模型性能的著作，它深入浅出地讲解了如何通过优化输入提示词来引导大模型生成高质量、准确的输出。书中不仅涵盖了提示词工程的基本概念和原则，还提供了丰富的实践案例和技术优化技巧。
一个GitHub标星6万的提示词工程指南
Tony.Dong的专栏
07-28 2031
提示工程（Prompt Engineering）是一门较新的学科，关注提示词开发和优化，帮助用户将大语言模型（Large Language Model, LLM）用于各场景和研究领域。这个项目包含了大语言模型相关的论文研究、学习指南、模型、讲座、参考资料、大语言模型能力以及与其他与提示工程相关的工具，目前在 GitHub 上已经获得了 6 万个标星。（Prompt Engineering Guide）是一个由 DAIR.AI 发起的项目，旨在帮助研发和行业内相关人员了解提示工程。
AIGC时代的必备技能：提示词工程（Prompt Engineering）全面指南
weixin_43178406的博客
05-21 11万+
本文主要介绍了AIGC时代的重要技能——提示词工程（Prompt Engineering）。文章首先定义了提示词的概念，强调其作为人类与AI沟通桥梁的重要性，并详细阐述了提示词的功能特性，包括输入、大模型处理和输出三个环节。接着，文章探讨了提示工程的重要性，如提高输出质量、节省资源和时间等。随后，文章深入分析了提示词的基本构成要素，包括指令、上下文、输入数据和输出指示符，并提出了提示词的五大基本原则：清晰性与具体性、提供充足的上下文、明确任务与目标、考虑受众和迭代思维。最后，文章介绍了提示词的七大常见技巧
大语言模型 - 提示词（Prompt）工程入门
秃了也弱了
08-16 3万+
提示词工程，或称Prompt Engineering，是一种专门针对语言模型进行优化的方法。它的目标是通过设计和调整输入的提示词（prompt），来引导这些模型生成更准确、更有针对性的输出文本。在与大型预训练语言模型如GPT-3、BERT等交互时，给定的提示词会极大地影响模型的响应内容和质量。提示词工程关注于如何创建最有效的提示词，以便让模型能够理解和满足用户的需求。这可能涉及到对不同场景的理解、使用正确的词汇和语法结构，以及尝试不同的提示策略以观察哪种效果最佳。1、明确具体：加入场景要求、具体任务。
一文读懂「Prompt Engineering」提示词工程 基础版
女王の专属领地
01-10 3万+
提示工程（Prompt Engingering），也被称为上下文提示（In-Context Prompting），指的是通过结构化文本等方式来完善提示词，引导LLM输出我们期望的结果。通过提示词工程可以在不更新模型权重的情况下，让LLM完成不同类型的任务。其主要依赖于经验，而且提示词工程方法的效果在不同的模型中可能会有很大的差异，因此需要大量的实验和探索。提示工程旨在获取这些提示并帮助模型在其输出中实现高准确度和相关性，掌握提示工程相关技能将有助于用户更好地了解大型语言模型的能力和局限性。
RAG 提示词工程最佳实践
AI天才研究院
04-06 1656
虽然目前网络上关于提示工程的相关资料已经多如牛毛，然而 RAG (检索增强生成) 任务中提示工程如何进行的资料相对而言却较少。不少朋友之前也热烈的讨论过 RAG 场景下提示词的运用，因此 Zen 禅与计算机程序设计艺术 特别推出 RAG 任务下的提示词实践经验系列分享。RAG 是检索增强生成（Retrieval Augmented Generation）的简称，是当前最火热的企业级LLM应用方案。
一文了解提示词工程框架 ell
叶庭云 成为自己的光
10-22 1856
一文了解提示词工程框架 ell
AI的提示词专栏：“Few-Shot” 示例的最佳摆放方式
热门推荐
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
11-06 15万+
本文围绕 “Few-Shot” 示例摆放方式展开，先指出其位置对模型判断任务规则优先级的核心影响，因模型会按输入顺序构建 “语境权重”。接着针对不同场景给出策略：基础任务采用 “核心指令→Few-Shot 示例→用户输入” 闭环，复杂任务用 “背景说明→Few-Shot 示例→核心指令→用户输入” 锚定方向，多任务场景则将示例与子任务绑定。还提供避坑指南，如避免示例前置、控制背景长度等，并适配不同模型特性调整摆放，最后通过实战测试量化不同摆放位置效果，得出 “指令→示例→输入” 普适性最强的结论。
大模型提示词工程技术3-提示词输入与输出的优化的技巧详细介绍
微学AI的博客
08-28 1488
大模型提示词工程技术3-提示词输入与输出的优化的技巧详细介绍。《大模型提示词工程技术》的作者：微学AI，这是一本专注于提升人工智能大模型性能的著作，它深入浅出地讲解了如何通过优化输入提示词来引导大模型生成高质量、准确的输出。书中不仅涵盖了提示词工程的基本概念和原则，还提供了丰富的实践案例和技术优化技巧。
提示工程-Prompt Engineering
胖胖爱吃肉~的博客
11-26 2284
通过自然语言（英语、汉语等）来给AI下达指示，从而让AI完成你指定给他的工作的过程都可以称之为提示工程。（面向自然语言编程）：想要模型执行的特定任务或指令：包含外部信息或额外的上下文信息，引导语言模型更好地响应：用户输入的内容或问题：指定输出的类型或格式零样本提示（Zero-Shot Prompting）角色扮演提示（Role Prompting）少样本提示（Few-Shot Prompting）参数设置思维链提示（Chain of Thought Prompting）
精选资源
10分钟学会提示词工程
04-15
### 提示词工程详解 #### 一、简介 ##### 参数设置 在进行提示词工程时，需要关注模型的参数设置，主要包括： - **Temperature**：温度参数，取值范围为[0, 1]，控制生成内容的随机性和多样性。0表示完全确定性的...
通义千问提示词工程及最佳实践-脱敏外发版本.pdf
02-28
通义千问提示词工程及最佳实践是一份详细介绍如何通过提示词技术改善大语言模型输出质量的教程文档。该文档详细解释了提示词的定义、分类、结构化的重要性，以及提示词工程的框架、编写技巧和最佳实践案例。 在文档...
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1822
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
信息检索13
2301_80828873的博客
11-26 2178
最近邻检索的方法，PQ，IVF,HNSW
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1162
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
07_Spring AI 干货笔记之提示词
最新发布
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 858
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
Trb201013的博客
11-27 1391
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
DeepSeek-R1提示词工程技术
05-01
### 关于 DeepSeek-R1 提示词工程技术和使用方法 DeepSeek-R1 是一种基于大型语言模型（LLM）的技术，其核心在于通过链式思维（Chain-of-Thought, CoT）能力的蒸馏过程改进标准 LLM 的推理性能[^2]。以下是关于 DeepSeek-R1 提示词工程技术及其使用的详细介绍： #### 1. **提示词工程的核心概念** 提示词工程是一种优化技术，旨在通过精心设计输入提示（Prompt），引导模型生成高质量的回答。对于 DeepSeek-R1 来说，这种技术不仅涉及简单的文本输入调整，还融合了验证和反思模式，从而显著提升模型的推理表现。 #### 2. **提示词的设计原则** 为了充分利用 DeepSeek-R1 的潜力，在构建提示词时应遵循以下原则： - **清晰的目标定义**：确保提示词明确表达所需的任务目标，减少歧义。 - **结构化输入**：采用分步式的逻辑框架，帮助模型理解复杂问题并逐步推导答案。 - **上下文增强**：提供足够的背景信息和支持材料，使模型能够更好地理解和处理特定情境下的查询。 #### 3. **实际应用中的技巧** 在具体实践中可以运用一些实用的方法来提高效果： - 使用多轮对话形式让模型不断修正和完善自己的回答直到满足需求为止； - 结合外部知识源如数据库或者网络资源扩充模型的知识边界； - 定期评估不同类型的提示对最终输出质量的影响以便持续优化策略[^2]。 #### 4. **代码示例展示如何实现基本功能** 下面给出一段 Python 代码作为例子说明怎样调用 API 并设置自定义参数完成简单任务请求: ```python import deepseek as ds # 初始化客户端实例 client = ds.Client() def query_model(prompt_text): response = client.generate( text=prompt_text, max_tokens=50, temperature=0.7, top_p=1.0, frequency_penalty=0.0, presence_penalty=0.0 ) return response['generated_text'] if __name__ == "__main__": user_input = "Explain quantum mechanics in simple terms." result = query_model(user_input) print(result) ``` 此脚本展示了向预训练好的 DeepSeek 模型发送自然语言询问的过程以及接收相应答复的方式[^2]。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Clarence Liu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值