【人工智能】提示词工程（Prompt Engineering）与三种提示词策略，通过优化提示词来提升回答质量

原创 已于 2025-09-25 13:45:00 修改 · 1.2k 阅读 · 26 ·
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：

#prompt #人工智能

于 2025-01-17 10:05:47 首次发布

一、为什么需要提示词工程（Prompt Engineering）

想象一下，你正在给一个同事指派一个工作任务，如果只给了他一句话来描述这个需求，他的任务完成效果可能很难达到你的预期。但如果你提供了明确的目标、建议的思考方向和执行策略等更多参考信息，他更有可能以高标准完成任务。使用大语言模型也一样，你的提问方式（提示词）决定了大语言模型的回答质量。

二、什么是提示词（Prompt）

提示词（Prompt）是用户发送给大语言模型的问题、指令或请求，来明确地告诉模型用户想要解决的问题或完成的任务，是大语言模型理解用户需求并据此生成相关、准确回答或内容的基础。对于大语言模型来说，提示词就是用户输入给大语言模型的文本信息。

在这里插入图片描述

三、使用提示词Prompt的示例

提示词：

请结合《星球崛起》整个系列评价最近刚刚上映的电影《猩球崛起：新世界》

输出：

《猩球崛起：新世界》作为《星球崛起》系列的最新篇章，延续了这一科幻经典IP的传奇，尽管它……
在角色刻画上，《猩球崛起：新世界》似乎得到了积极的反馈，尤其是对于反派和配角的描绘……
对于老粉丝而言，这部电影可能没有提供必须观看的新鲜理由，但对

了解本专栏 订阅专栏 解锁全文 超级会员免费看
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 12万+
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
【AI大模型】Prompt 提示词工程使用详解
congge
07-28 2万+
Prompt 提示词工程使用详解
2024提示词工程师进阶指南：从基础规范到技术参数配置
龙萱坤诺的专栏
03-05 1708
提示词工程是AI时代的核心技能，需要持续实践与优化。对于刚入门的学习者或需要快速产出专业提示词的用户，推荐体验智狐联创平台的提示词智能体。该工具已深度集成DeepSeek模型，能够智能解析模糊需求，生成结构完整的提示词框架和思维过程，自动匹配行业术语和技术规范，提供实时优化建议和示例参考。建议学习者先从平台的基础模板开始实践，逐步理解提示词各要素的相互作用机制。记住，好的提示词工程师应该像导演一样——既要有整体构思，也要懂技术实现。现在就开始您的提示词创作之旅吧！
大模型-提示词工程
weixin_44925329的博客
01-24 2346
第二，将摘要翻译成法语。如果模型在训练过程中接触了大量的知识，它并没有完全记住所见的信息，因此它并不很清楚自己知识的边界。是指如果用户将某些输入添加到提示中，则可能会向模型提供与您想要执行的操作相冲突的指令，从而使其遵循冲突的指令而不是执行您想要的操作。明确指导模型在做决策之前要思考解决方案 比如有一个问题和答案 先让模型自己找解决办法 然后与给出的答案进行对比来判断给出的答案是否正确 避免模型错误的将给定的答案认定为正确答案。你还可以考虑潜在的边缘情况以及模型应该如何处理它们，以避免意外的错误或结果。
提示词（Prompt）工程入门（非常详细），零基础入门到精通，看这一篇就够了
Java癫疯的博客
11-14 1万+
提示词（Prompt）工程入门（非常详细），零基础入门到精通，看这一篇就够了
AI的提示词专栏：为什么 Prompt 能决定模型输出质量？
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
10-20 15万+
本文深入解析了 Prompt 决定大语言模型（LLM）输出质量的核心原因，指出 Prompt 是用户与模型间的 “沟通桥梁” 和 “指挥蓝图”。从模型工作原理看，Prompt 是激活特定领域知识、搭建推理框架、规范输出结构的关键，可唤醒模型 “休眠知识” 并引导其按逻辑生成内容；从信息传递逻辑看，Prompt 能消除 “需求边界”“受众画像”“场景用途” 三类歧义，让模型精准捕捉用户意图；从实际应用看，指令模糊、信息缺失等低质量 Prompt 会拖累输出，而通过 “5W1H” 让指令具体化、补充关键背景。
AI的提示词专栏：Prompt 的基本结构，指令 + 背景 + 示例
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。
10-25 18万+
本文围绕 Prompt“指令 + 背景 + 示例” 的基本结构展开，先阐述关注此结构的原因 —— 规范结构能大幅提升 LLM 输出准确率，再逐一拆解三部分：指令需明确动作、范围与输出形式，避免模糊；背景补充场景、数据与约束，助模型理解任务边界；示例作为参考模板，依数量分不同类型，且设计需匹配任务、含关键细节、格式统一。还介绍四种结构组合策略及适用场景，指出常见误区与解决办法，通过编程代码生成、数学练习题设计两个实战任务提供实践指导，最后总结核心要点并给出下一步学习建议……
深度解析 AI 提示词工程(Prompt Engineering)
分享关于Java编程、数据库管理和信息安全方面的最佳实践
07-15 1385
提示词工程（Prompt Engineering）是指在与大型语言模型（Large Language Models，LLMs）进行交互时，基于对模型行为机制的理解，通过构造具有明确语义意图、结构化语言特征、上下文感知能力的自然语言提示（Prompt），以系统性方式引导模型生成具备特定目标的输出结果的一门技术方法论。提示词工程不仅仅是“写一句话让模型理解”，它更是一种融合了语言设计、上下文建模、意图建构、任务控制与输出调优的工程实践。
一文教你编写有效提示词，了解常用提示词工具—Prompt Engineering for Gen AI
2401_84208172的博客
08-29 1419
树状思维方法建立在链式思维方法之上，通过层次化的提示结构引导模型的推理和生成输出。它特别有用于需要明确指令或约束时，能够让模型同时探索各种可能性和想法，如同决策树一样分支展开。
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...
【Prompt】 提示词工程（持续更新中~）
m0_74969835的博客
12-30 205
摘要：本文提出一种结构化角色扮演输出方法，包含四个核心要素：1)明确角色定位；2)清晰指令说明；3)上下文背景设定；4)约束条件限制。通过思维链式引导，逐步构建输出框架，最终形成标准化参考样本。该方法强调系统性思维过程，从角色定义到框架成型，确保输出内容兼具规范性和实用性，适用于需要结构化输出的各类场景（150字）。
提示词工程 (Prompt Engineering) 的核心技巧
长河的博客
01-01 783
摘要：提示词工程是与大语言模型交互的关键技能，涉及理论知识和方法论。核心内容包括：理解词元化(Tokenization)和模型偏差/幻觉；掌握工程层面的版本控制、评估和元提示词设计；学习进阶交互模式如思维树、自我完善回路和提示词压缩。实用技巧包括角色设定、输出格式约束、少样本学习、任务拆解等。未来趋势是从"艺术"转向"科学"，强调可复用性和自动化。掌握这些知识能帮助开发者从提示词"使用者"转变为AI交互逻辑的设计者。
Prompt工程与思维链优化实战：从零构建动态Few-Shot与CoT推理引擎
qq_74383080的博客
12-28 698
本文深入探讨大模型Prompt工程的关键技术，提出了一套完整的动态Prompt解决方案。通过向量检索实现Few-Shot示例的动态选择，准确率提升22%；采用MCTS优化思维链推理路径，使长推理准确率提高40%；引入梯度压缩技术降低51%推理成本；结合熵检测和关键词过滤实现94%的对抗防御率。实验表明，在GSM8K数据集上，该方法将准确率从67%提升至89%，同时显著降低推理成本。文章详细介绍了Prompt数据库构建、动态检索、MCTS搜索等核心模块的实现，并提供了生产级API设计方案。
Prompt Engineering (提示词工程)：如何通过“咒语”驯服 AI？
最新发布
👨‍💻 12年全栈老兵 | 擅长把复杂的代码逻辑翻译成“人话” | 只讲听得懂的技术故事 🚀
01-02 264
摘要： 如何让AI精准输出你想要的答案？关键在于Prompt Engineering（提示词工程）。通过CRTO框架（角色设定+背景信息+具体任务+输出要求），可以大幅提升AI回复质量。例如，让AI扮演“资深前端开发者”并明确需求细节，比模糊指令更有效。进阶技巧包括： Few-Shot Prompting：提供示例让AI快速学习； 思维链（CoT）：引导AI分步推理，提高准确性； 分隔符：避免指令混淆。 需注意避免否定句、及时迭代优化，并警惕AI的“幻觉”回答。未来，精准提问的能力将比单纯的知识更重要。
提示模板PromptTemplate
weixin_42828342的博客
01-02 1043
本文介绍了LangChain中的提示词模板(PromptTemplate)及其应用。提示词模板用于优化与大语言模型的交互，通过结构化方式包装用户输入，更清晰地表达意图。文章详细讲解了文本提示词模板的创建方法（构造方法、from_template等），以及部分提示词模板和组合提示词模板的实现技巧。同时介绍了format、invoke和partial三种格式化方法的使用场景，帮助开发者更好地构建和优化提示词，提升与大模型交互的效果。适用于Python开发者使用LangChain框架构建AI应用时参考。
LLMs之Prompt：Fabric的简介、安装和使用方法、案例应用之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
12-30 608
​ LLMs之Prompt：Fabric的简介、安装和使用方法、案例应用之详细攻略 目录 Fabric的简介 Fabric的安装和使用方法 Fabric的案例应用 Fabric的简介 Fabric 是一个开源框架，旨在通过人工智能增强人类能力。它提供了一个模块化系统，用于解决特定问题，并使用一套众包的AI提示（称为“Patterns”），这些提示可以在任何地方使用。该项目的核心理念是，AI的真正问题不在于其能力，而在于其“整合”问题——即如何将AI功
【AI】07 AI Agent可控风格LLM 问答（含FastAPI 求/返回/路由、跨域访问CORS、System Prompt）
qq_53433382的博客
12-30 844
这份 FastAPI 代码实现了一个非常典型的“前端调用后端 → 后端调用 LLM → 返回答案”的最小可用闭环，并且通过 system prompt 实现了风格控制，通过 CORSMiddleware 解决了 GitHub Pages 的跨域问题。它非常适合作为学习博客的第一篇 AI 后端实战项目：短小、目标清晰、扩展空间大。🌸 从 0 到 1：打造一个「可爱语气」AI 问答服务（FastAPI 入门实践）
Spring AI ChatClient -Prompt 模板
qq_63736560的博客
12-29 955
摘要：本文介绍了Prompt模板在AI对话系统中的应用，重点阐述了三种实现方式：基础模板使用（默认分隔符）、自定义分隔符模板和系统消息模板。文章强调了模板参数的安全性考虑（验证、转义、长度限制和类型检查），并详细说明了分隔符选择的注意事项（冲突避免、可读性、兼容性和转义支持）。系统消息模板特别适用于多租户系统、领域专家和语言本地化等场景，展示了模板方法模式在AI对话系统中的实际应用价值。（149字）
提示工程（Prompt Engineering）与上下文工程（Context Engineering）
ttyy1112的专栏
12-31 313
提示工程（Prompt Engineering）与上下文工程（Context Engineering）是优化大语言模型（LLM）应用的两大核心层级。提示工程聚焦单次交互的指令优化与格式设计，而上下文工程则系统性管理多轮对话的信息供给与状态闭环。两者协同工作：提示工程作为子模块嵌入上下文框架中，上下文工程为其提供动态数据支持。实践路径建议从基础提示模板入手，逐步引入检索增强生成（RAG）、分层记忆系统和工具编排，最终形成可迭代优化的闭环系统。核心差异体现在：提示工程侧重单次交互质量，上下文工程则解决多轮任务中
评论
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

本本本添哥

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