进阶提示技巧

会写一条合格的提示之后，下一步是知道遇到什么任务用什么技术、怎么叠加。这篇过一遍七种基础提示技术，演示怎么把公司数据接进提示，再讲怎么让模型自我纠错、怎么用温度参数把输出变得可预测。读完你能按任务挑出合适的技术组合，而不是每条提示都从零开始试。

先记住：提示是用出来的能力

提示词工程是创建能产出期望结果的提示的过程——它不算一门工程学科，更像一组可以套用的技巧 ^[1]。还有一点值得记住：提示是模型的涌现能力，不是内置功能，而是在使用中发现的 ^[1]。

七种基础技术

零样本：一个提示直接问，完全靠模型训练数据作答，比如「什么是代数」^[1]。少样本：在请求里附上示例，示例为输出提供上下文、格式或风格——给模型看三首莎士比亚十四行诗，再让它写一首咏月亮的，输出的味道就对了 ^[1]。

思维链：教模型把问题拆成步骤。经典对比：直接问「Alice 有 5 个苹果，扔了 3 个，给 Bob 2 个，Bob 还回 1 个，Alice 有几个」，模型答 5，错了（正确是 1，即 5-3-2+1）。附上一个带计算过程的示例再问，模型答对 ^[1]：

Lisa has 7 apples, throws 1 apple, gives 4 apples to Bart and Bart gives one back:
  7 -1 = 6
  6 -4 = 2
  2 +1 = 3  
  Alice has 5 apples, throws 3 apples, gives 2 to Bob and Bob gives one back, how many apples does Alice have?

提示变长了不少——示例、计算、原题一样不少——这正是思维链的代价和收益所在。写这类提示时，示例题要和真题结构一致：同样的步数、同样的运算类型，模型才套得上；示例里的计算必须每步正确，错一步模型就跟着错。生成知识：在提示里额外提供知识或事实。由少到多（least-to-most）：把大问题拆成一串按顺序执行的子问题，比如数据科学五步——收集、清洗、分析、绘图、呈现 ^[1]。剩下两种让模型自我纠错的技术，下面单独讲。选型上有个粗略的分法：格式和事实类任务，少样本加生成知识通常够用；算术和逻辑类，先试思维链；代码和方案类，自我改进的收益最大。

生成知识：把公司数据接进提示

提示经常要基于公司自己的数据构建，标准做法是模板加占位符：{{variable}} 形式的变量，从公司 API 拉真实数据填充 ^[1]：

{{company}}: {{company_name}}
{{products}}:
{{products_list}}
Please suggest an insurance given the following budget and requirements:
Budget: {{budget}}
Requirements: {{requirements}}

填入示例数据后 ^[1]：

Insurance company: ACME Insurance
Insurance products (cost per month):
- Car, cheap, 500 USD
- Car, expensive, 1100 USD
- Home, cheap, 600 USD
- Home, expensive, 1200 USD
- Life, cheap, 100 USD

Please suggest an insurance given the following budget and requirements:
Budget: $1000
Requirements: Car, Home, and Life insurance

直接跑，模型推荐的方案连 Life 险都包含了——超出预算该有的范围。经过试错，修法是在每个产品行加 type 和 cost 字段，并在预算行加上 restrict 这个关键词 ^[1]：

Insurance company: ACME Insurance
Insurance products (cost per month):
- type: Car, cheap, cost: 500 USD
- type: Car, expensive, cost: 1100 USD
- type: Home, cheap, cost: 600 USD
- type: Home, expensive, cost: 1200 USD
- type: Life, cheap, cost: 100 USD

Please suggest an insurance given the following budget and requirements:
Budget: $1000 restrict choice to types: Car, Home

现在回答变成了单一推荐：Car cheap，每月 500 美元 ^[1]。这个例子的要点是：即使用的是生成知识这样的基础技术，多数情况下仍然要迭代优化提示，才能拿到想要的结果 ^[1]。第一版和第二版提示的差别其实很小——几个字段名加一个关键词——但输出从「不可用」变成「可用」。优化提示时优先调这些小地方：字段命名、格式约定、约束关键词，性价比远高于推倒重写。

让模型自我纠错

模型的输出不能全信——它预测的是「下一个最可能说什么」，不是「什么是对的」——所以有两种技术把校验放进循环里 ^[1]。

自我改进（self-refine）是四步循环：提问、模型回答、你批评这个回答并要求改进、模型带着批评意见再答；想重复几轮都行 ^[1]。让模型「创建一个带 products 和 customers 路由的 Python Web API」，生成的代码 import 写错了；再让它「提 3 条改进建议」，它指出 import 应为 from flask import Flask、缺 if __name__ == '__main__': 块、返回语句该用 f-string，随后给出了改好的程序 ^[1]。

产婆式提示（maieutic）走得更深：让模型解释答案的每一部分，不一致的部分剔除。疫情危机预案的例子里，模型先列出五个「识别」步骤；让它详细解释风险，它列出了生命、业务、声誉、客户、员工的损失；再问「最大的风险是什么」「两个最大的风险是什么」，两次回答一致——生命损失和业务损失——这才比较有信心继续下一步 ^[1]。一致性能提升信心，但输出仍然要人工验证 ^[1]。产婆式提示的适用面是判断和推理类输出；它的成本也高——每个部分都要追问一轮，轮次多了调用费用可观，一般留给高风险的结论类任务。

让输出可预测：温度参数

大模型天生不确定：同一个提示跑两次，能生成两套完全不同的 Flask 代码 ^[1]。要不要管，取决于任务——「随便出 3 道地理题」不在乎变化，要特定格式就得管 ^[1]。

温度（temperature）是主要旋钮：取值 0 到 1，0 最确定，1 最发散，默认 0.7 ^[1]。0.1 下的两次运行只差一点点；0.9 下的两次运行差异巨大 ^[1]。选值可以按任务倒推：解析、抽取、分类这类要喂给程序的输出往低调，文案、头脑风暴这类要多样性的往高调；从默认值出发，每次只动一个参数，跑几次对比再定。其他可调参数还有 top-k、top-p、重复惩罚、长度惩罚、多样性惩罚，不过那超出基础范围了 ^[1]。

五个好习惯

指定上下文——领域、主题，说得越具体越好；限制输出的数量或长度；「要什么」和「要成什么样」同时说清，比如「创建一个带 products 和 customers 路由的 Python Web API，分成 3 个文件」；用模板接公司数据；拼写正确——拼错了也能得到回答，但拼写正确得到的回答更好 ^[1]。这五条都不费事，却覆盖了日常提示问题的大多数来源：输出跑偏先查上下文够不够具体、限制说没说清，再考虑换技术。

本文改编自 Microsoft 开源课程《Generative AI for Beginners》第 5 课^[1]，原文以 MIT 许可证发布。