Prompt Engineering（提示工程）已成为驾驭大模型（LLM）的关键技术。本文深入探讨了来自Google的 Prompt Engineering 方法论，旨在帮助你更好地理解和应用这项技术，提升大模型在各种任务中的表现。我们将逐一解析零样本提示、少样本提示、系统提示、上下文提示、角色提示、逐步回溯提示、思维链提示、Reason and Act (ReAct) 提示等关键技巧，并结合最佳实践，助你在大模型时代游刃有余。
1. 零样本提示（Zero-Shot Prompting）：让大模型“无师自通”
零样本提示是最简单的 Prompt Engineering 形式。它仅依赖任务描述或指令，无需任何示例即可让大模型生成响应。 例如，我们想让大模型判断一段文字的情感：
用户：判断以下评论的情感：“我喜欢这个新设计，它简洁直观。”
大模型（如GPT-4）可以直接给出答案：“情感：正面”。
优势： 简单直接，无需准备示例数据。
局限： 在复杂任务中效果可能不佳，需要结合其他技巧优化。
适用场景： 适用于相对简单、大模型已经具备一定知识的任务，例如，简单的文本分类、摘要等。
2. 少样本提示（Few-Shot Prompting）：提供“榜样”，事半功倍
少样本提示通过提供少量示例（通常3-5个）来帮助大模型理解任务模式，从而提高其生成准确答案的能力。如果任务较为复杂，或者需要处理边缘情况，可以适当增加示例数量。 例如，以下是一个使用少样本提示进行句子主题分类的例子：
用户：将以下句子分类到体育、科技或美食类别：
示例1：
句子：昨晚的比赛非常激烈。
类别：体育
示例2：
句子：苹果公司刚刚发布了新款iPhone。
类别：科技
示例3：
句子：这道意大利面食谱美味又简单。
类别：美食
现在分类以下句子：
句子：新款VR头显提供沉浸式体验。
类别：
大模型可以根据提供的示例，正确地将最后一句分类为“科技”。
优势： 显著提高模型在复杂任务中的表现，特别是在数据稀缺的情况下。
局限： 需要准备高质量的示例数据，示例的选择会直接影响模型的效果。
适用场景： 适用于需要模型学习特定模式或风格的任务，例如，复杂文本分类、风格模仿、代码生成等。
3. 系统提示（System Prompting）：设定“人设”，规范输出
系统提示用于设定大模型的整体背景和目的，可以指定模型的行为方式、输出格式等。例如，我们可以让模型扮演一个影评分类器：
系统：你是一个AI，负责将电影评论分类为正面、中性或负面。只返回大写标签。
用户：评论：“Her”是一项令人不安的研究，揭示了如果人工智能持续不受控制地发展，人类将走向何方。它太令人不安了，我看不下去。
情感：
大模型应该返回：“NEGATIVE”。
优势： 能够控制模型的行为和输出风格，使其更好地满足特定需求。
局限： 系统提示的设计需要仔细考虑，不当的系统提示可能会限制模型的创造力或导致输出偏差。
适用场景： 适用于需要模型扮演特定角色或遵循特定规则的任务，例如，客服机器人、代码生成器、写作助手等。
4. 上下文提示（Contextual Prompting）：提供背景信息，提升理解力
上下文提示为大模型提供与当前对话或任务相关的特定细节或背景信息，帮助模型理解任务的细微差别，并相应地调整其响应。 例如：
用户：你正在帮我总结客户对产品重新设计的反馈。以下是完整的反馈：“界面感觉过时且令人困惑。我很难找到设置菜单。”请用一句话总结关键问题。
大模型可以总结为：“客户觉得界面过时且令人困惑，特别是很难找到设置菜单。”
优势： 提高模型对任务的理解和响应的准确性，使其能够更好地处理复杂和模糊的请求。
局限： 需要收集和组织相关的上下文信息，并确保信息的准确性和完整性。
适用场景： 适用于需要模型理解特定语境的任务，例如，客户服务、信息检索、个性化推荐等。
5. 角色提示（Role Prompting）：赋予“身份”，模拟专家
角色提示通过在提示中为大模型分配特定的角色来影响其响应风格或内容。 例如：
用户：扮演一个喜剧演员。用四句话解释工业革命的意义。
大模型可能会给出类似这样的回答：“好吧，工业革命就像社会的青春期——吵闹、肮脏、大量的增长，突然之间，机器出现在以前从未出现过的地方！此外，向绵羊解释我们为什么不再想手工制作它们的羊毛也很尴尬。”
优势： 可以利用模型的知识和能力来模拟不同领域的专家，从而生成更具创意和专业的回答。
局限： 需要对所选角色有充分的了解，并确保模型能够准确地模拟该角色的行为和风格。
适用场景： 适用于需要模型提供特定领域知识或观点的任务，例如，教育、娱乐、内容创作等。
6. 逐步回溯提示（Step-Back Prompting）：先“退一步”，再深入分析
逐步回溯提示是一种通过引导大模型首先思考一个更普遍或更高层次的问题，然后再处理具体任务来提高性能的技术。通过“退一步”，模型可以激活相关的背景知识，建立上下文理解，并进行推理，从而产生更准确和周到的响应。 例如：
用户：
问题1：评估一家公司使用人工智能在未经员工同意的情况下监控员工生产力是否合乎道德？
问题2：评估决策时应考虑哪些关键的道德原则？
首先，大模型需要激活相关背景知识（道德原则）。然后再将这些知识应用于具体情境，进行更深入、更扎实的推理。
优势： 帮助模型更全面地理解问题，并做出更合理的判断。
局限： 需要设计合理的“退一步”问题，并确保模型能够有效地利用背景知识。
适用场景： 适用于需要模型进行复杂推理和判断的任务，例如，伦理分析、风险评估、战略规划等。
7. 思维链提示（Chain-of-Thought Prompting）：引导“思考过程”，提升推理能力
思维链提示通过鼓励大模型生成中间思考步骤，然后再得出最终答案，来增强其推理能力。这种“逐步”方法可以产生更准确和周到的响应，特别是在解决复杂问题时。 例如：
用户：简的苹果数量是汤姆的3倍。他们一共有48个苹果。每个人有多少个苹果？一步一步思考。
大模型可以给出详细的解题步骤，例如：
- 步骤1：定义变量。设汤姆的苹果数为“T”，简的苹果数为“J”。
- 步骤2：写出两个方程。J = 3T，J + T = 48。
- 步骤3：将第一个方程代入第二个方程。3T + T = 48。
- 步骤4：合并同类项。4T = 48。
- 步骤5：解出T。T = 48/4，T = 12。
- 步骤6：代入T = 12。J = 3*12 = 36。
因此，汤姆有12个苹果，简有36个苹果。
优势： 提高模型在复杂推理任务中的表现，使其能够更好地解决数学问题、逻辑问题等。
局限： 会导致输出更长，增加token使用量，提高成本，并降低响应速度。
适用场景： 适用于需要模型进行逐步推理的任务，例如，数学问题、逻辑推理、代码调试等。
8. Reason and Act Prompting (ReAct)：思考与行动结合，解决复杂问题
ReAct 提示使大模型能够在推理步骤和行动（例如，调用工具或API）之间交替，从而帮助它处理需要思考和交互的任务。 ReAct 通过将推理和行动结合到一个思考-行动循环中来工作。大模型首先推理问题并生成行动计划。然后，它执行计划中的行动并观察结果。然后，大模型使用观察结果来更新其推理并生成新的行动计划。此过程一直持续到大模型找到问题的解决方案。 例如：
用户：人口第二大国家的首都是什么？
大模型可能会执行以下步骤：
- 思考：首先，我需要找出哪个国家的人口是第二大。
- 行动：查找“人口第二大国家”。
- 观察：人口第二大国家是印度。
- 思考：现在我知道人口第二大国家是印度，我需要找出它的首都。
- 行动：查找“印度首都”。
- 观察：印度的首都是新德里。
- 答案：人口第二大国家的首都是新德里。
优势： 使模型能够更好地处理需要与外部环境交互的任务，例如，问答、信息检索、机器人控制等。
局限： 需要集成外部工具或API，并确保模型能够正确地使用这些工具。
适用场景： 适用于需要模型与外部环境交互的任务，例如，问答系统、智能助手、机器人控制等。
9. 自动提示工程（Automatic Prompt Engineering）：让AI生成更好的Prompt
自动提示工程是一种利用大模型自身的能力来生成更好提示的方法。通过向模型提供一些初始提示和目标，它可以自动生成更有效、更优化的提示，从而提高模型在特定任务中的表现。
优势： 可以节省人工设计提示的时间和精力，并发现更有效的提示策略。
局限： 需要仔细评估和筛选生成的提示，并确保其符合预期目标。
适用场景： 适用于需要大量实验和优化的任务，例如，搜索引擎优化、广告文案生成、产品描述等。
最佳实践：优化Prompt Engineering 的关键
- 多用示例： 在提示中直接包含一两个示例是最有效的最佳实践之一。这些示例作为强大的教学工具，为模型提供清晰的参考或目标，显著提高模型响应的准确性、风格和语气，帮助它更好地与您的期望保持一致。
- 善用动词： 尝试使用诸如行动、分析、分类、对比、比较、创建、描述、定义、评估、提取、查找、生成、识别、列出、测量、组织、解析、选择、预测、提供、排名、推荐、返回、检索、重写、选择、显示、排序、总结、翻译、写作之类的动词。
- 指令优于约束： 与其设置约束来限制模型的行为，不如提供清晰的指令来明确期望的结果。清晰的指令在定义必要边界的同时，为模型提供了指导和灵活性。
- 持续实验与迭代： Prompt Engineering 不仅仅是编写好的指令，而是需要通过周密的思考来实验，分析结果，并不断迭代。正如 ReAct 和其他提示白皮书强调的那样，最宝贵的最佳实践之一是经常实验并详细记录每次尝试。这个过程不仅可以帮助您了解不同的提示策略如何影响输出，还可以构建一个个性化的知识库，以便您可以随着时间的推移进行改进。
结论：Prompt Engineering 是大模型时代的“炼金术”
Prompt Engineering 是一门艺术，也是一门科学。掌握 Prompt Engineering 的各种技巧，并结合最佳实践，可以最大限度地发挥大模型的潜力，解锁 AI 的无限可能。通过不断地实验、学习和迭代，你将成为 Prompt Engineering 的专家，在大模型时代创造更大的价值。 随着大模型的不断发展，Prompt Engineering 也将不断演进。我们需要持续关注最新的研究和技术，并将其应用到实际工作中，才能始终保持领先地位。 掌握 Prompt Engineering，就等于掌握了开启大模型时代宝藏的钥匙。让我们一起探索 Prompt Engineering 的奥秘，共同迎接 AI 驱动的未来！