99%的普通人不会用的AI沟通术：揭秘我与AI对话的沟通技巧

admin管理员组

文章数量:1031232

99%的普通人不会用的AI沟通术：揭秘我与AI对话的沟通技巧

本篇文章来源于Google，作者Lee Boonstra，排版编辑绛烨。

Prompt Engineering（提示工程）作为与 LLM 交互的关键技术，正逐渐成为连接人类需求与模型能力的桥梁。

本文将深入探讨 Prompt Engineering 的奥秘，通过丰富的示例，帮助读者快速掌握这一技术，解锁 LLM 的无限潜能。

本篇文章来源于Google，作者Lee Boonstra。

一、Prompt Engineering 简介

Prompt Engineering 是一门专注于设计和优化输入提示（prompt），以引导大型语言模型生成高质量输出的学问。它并非高不可攀的黑科技，而是每个人都可以掌握的技能。无论是初学者还是资深开发者，都能通过精心设计的提示，让 LLM 为各种任务提供精准、高效的解决方案。

二、LLM 输出配置：掌控生成结果的关键

在深入探讨提示工程之前，我们先要了解 LLM 的输出配置，这些配置选项如同调节器，能够精细地控制模型的输出行为。

（一）输出长度：平衡成本与效率

输出长度决定了模型生成文本的长短。较短的输出虽然能快速响应，但可能无法满足复杂任务的需求；而过长的输出则会增加计算成本和响应时间。

例如，在进行文本摘要任务时，我们只需设置较短的输出长度，让模型提炼出关键信息；而在撰写长篇报告时，则需要适当增加输出长度，以确保内容的完整性和详细性。

（二）采样控制：调节随机性与确定性

采样控制涉及温度（temperature）、top-K 和 top-P 三个参数，它们共同决定了模型生成文本的随机性和多样性。

• 温度：温度值越低，模型生成的结果越确定，适合那些有唯一正确答案的任务，如数学计算；而较高的温度则会使输出更具随机性和创造性，适用于创意写作等场景。
• top-K 和 top-P：top-K 限制了模型在生成下一个词时考虑的候选词数量，较高的 top-K 值使输出更丰富多样；top-P 则根据候选词的概率分布来选择，较低的 top-P 值倾向于选择高概率的词，使输出更稳定。

三、Prompting Techniques：多样化的提示策略

为了更好地利用 LLM，研究者们开发了多种提示技巧，这些技巧能够针对不同的任务和需求，引导模型生成更准确、更有针对性的输出。

（一）零样本提示（Zero-shot Prompting）

零样本提示是最基础的提示方式，它仅向模型提供任务描述和相关文本，而不提供任何示例。这种方法简单直接，适用于那些模型已经具备相关知识的任务。

例如，我们可以让模型对电影评论进行情感分类，只需给出分类任务的描述和评论文本，模型就能根据其训练数据生成情感标签。

（二）单样本与多样本提示（One-shot & Few-shot Prompting）

当零样本提示无法满足需求时，我们可以引入单样本或多个样本作为示例。单样本提示提供一个示例，帮助模型理解任务的结构和期望的输出格式；而多样本提示则通过多个示例，让模型学习到任务的模式和规律。

例如，在解析披萨订单的任务中，通过提供几个不同格式的订单示例及其对应的 JSON 格式输出，模型能够学习到如何将新的订单文本转换为正确的 JSON 格式。

（三）常见提示词技巧

系统提示（System Prompting）：

系统提示用于设定模型的整体任务和目标，为模型提供宏观的指导。

例如，我们可以要求模型以 JSON 格式返回电影评论的情感分类结果，这样不仅使输出更加结构化，还能减少模型的“幻觉”现象。

角色提示（Role Prompting）：

通过为模型分配特定的角色，如旅行指南、教师等，使其生成符合该角色风格和知识背景的文本。

比如，当模型扮演旅行指南时，它会根据用户的位置和兴趣，推荐相应的旅游景点，并以幽默、风趣的风格呈现。

上下文提示（Contextual Prompting）：

上下文提示则为模型提供了当前任务的具体背景信息，帮助模型更准确地理解用户的需求。

例如，在撰写关于复古游戏的博客文章时，通过提供复古游戏的相关背景，模型能够生成更贴合主题的文章主题和内容描述。

后退提示（Step-back Prompting）：

后退提示是一种先让模型思考与具体任务相关的更广泛问题，再将答案作为上下文输入到具体任务提示中的方法。这种方法能够激活模型的相关背景知识和推理过程，从而生成更准确、深入的结果。

例如，在创作一款第一人称射击游戏的关卡剧情时，先让模型思考哪些主题可以使游戏更具挑战性和吸引力，再将这些主题作为背景，让模型创作具体的剧情。

链式思考（Chain of Thought, CoT）：

链式思考通过引导模型生成中间推理步骤，提高其推理能力。

例如，在解决数学问题时，让模型逐步解释每个步骤的计算过程，而不是直接给出答案。这种方法不仅能够提高模型的准确性，还能让我们更好地理解模型的思考过程。

自我一致性（Self-consistency）：

自我一致性通过多次生成不同的推理路径，并选择出现频率最高的答案，提高模型输出的准确性和一致性。

例如，在对电子邮件进行分类时，通过多次运行模型并比较不同输出，选择最一致的分类结果。

树状思考（Tree of Thoughts, ToT）：

树状思考进一步扩展了链式思考，允许模型同时探索多个不同的推理路径，形成一个推理树。这种方法特别适合复杂的任务，能够更全面地考虑问题的各种可能性。

反应式提示（ReAct）：

反应式提示结合了推理和行动，使模型能够通过调用外部工具（如搜索、代码解释器等）来获取信息并解决问题。

例如，让模型查询 Metallica 乐队成员的孩子数量，模型会通过搜索获取相关信息，并逐步推理出最终答案。

四、代码提示：编程开发的得力助手

除了文本生成任务，LLM 还能在代码编写方面提供强大的支持。我们可以通过设计合适的提示，让模型帮助我们编写代码、解释代码、翻译代码以及调试和审查代码。

（一）编写代码

当需要快速生成一段代码来完成特定任务时，如批量重命名文件夹中的文件，我们可以向模型提供任务描述和相关要求，模型就能生成相应的代码片段。

例如，使用 Bash 脚本实现文件重命名的功能，模型生成的代码不仅逻辑清晰，还包含了必要的注释，方便我们理解和使用。

（二）解释代码

在团队开发中，理解他人编写的代码是一项常见任务。我们可以将代码片段提供给模型，并要求其解释代码的功能和实现过程。

模型能够详细地分析代码的每一部分，帮助我们快速掌握代码的逻辑。

（三）翻译代码

在某些情况下，我们需要将代码从一种编程语言转换为另一种语言。模型能够理解不同编程语言的语法和逻辑，将给定的代码翻译成目标语言的代码片段。

例如，将 Bash 脚本翻译为 Python 脚本，模型生成的 Python 代码能够实现与原 Bash 脚本相同的功能。

（四）调试和审查代码

当代码出现错误或需要优化时，我们可以将有问题的代码和错误信息提供给模型，让其帮助我们定位问题并提出解决方案。

模型不仅能够指出错误所在，还能提供改进代码的建议，使代码更加健壮和高效。

五、Best Practices：提示工程的最佳实践

为了更好地掌握提示工程，提高模型的输出质量，以下是一些经过验证的最佳实践：

（一）提供示例

在提示中提供示例是提高模型准确性的关键。示例能够为模型提供明确的参考，使其更好地理解任务的要求和期望的输出格式。

（二）保持简洁

提示应该简洁明了，避免使用复杂的语言和不必要的信息。清晰的提示更容易被模型理解和处理，从而生成更准确的结果。

（三）明确指定输出

明确指定期望的输出格式和内容，能够帮助模型更准确地聚焦于任务的关键点，减少无关信息的生成。

（四）使用指令而非约束

尽量使用积极的指令来引导模型，而不是过多地限制其输出。指令能够直接传达我们的需求，而约束可能会使模型感到困惑，限制其创造力。

（五）控制最大令牌长度

根据任务需求合理设置最大令牌长度，既能保证输出的完整性，又能避免不必要的计算成本。

（六）使用变量

在提示中使用变量可以使提示更具动态性和通用性，方便我们在不同场景下重复使用提示。

（七）实验不同的输入格式和写作风格

不同的模型和配置可能会对提示的格式和写作风格产生不同的反应。因此，我们需要不断尝试和调整提示的格式、词汇选择和写作风格，以找到最适合当前任务和模型的组合。

（八）混合分类任务中的类别

在进行分类任务时，确保在示例中混合不同类别的样本，避免模型过度依赖样本的顺序，从而提高模型的泛化能力。

（九）适应模型更新

随着模型的不断更新和改进，我们需要及时调整和优化提示，以充分利用新模型的特性和能力。

（十）实验不同的输出格式

尝试使用结构化的输出格式（如 JSON 或 XML）来组织模型的输出，这不仅能够提高数据的可读性和可用性，还能减少模型的“幻觉”现象。

（十一）修复 JSON

当使用 JSON 格式作为输出时，可能会遇到由于令牌限制而导致的 JSON 截断问题。这时，可以使用专门的工具（如 json-repair 库）来修复不完整的 JSON 数据，确保输出的完整性和可用性。

（十二）使用模式

为模型提供 JSON 模式（Schema），能够帮助模型更好地理解输入数据的结构和类型，从而生成更准确、更有针对性的输出。

（十三）与其他提示工程师合作

与其他提示工程师合作，共同探讨和实验不同的提示策略，可以激发更多的创意和灵感，提高提示的效果。

（十四）记录提示尝试

详细记录每次提示的尝试，包括提示的内容、模型的配置、输出结果等，这有助于我们分析和总结经验教训，不断优化提示策略。

六、总结

Prompt Engineering 作为与大型语言模型交互的重要技术，为我们提供了一种强大的工具，能够充分发挥模型的潜力，解决各种复杂的问题。通过深入了解 LLM 的输出配置，掌握多样化的提示技巧，并遵循最佳实践，我们能够设计出高质量的提示，引导模型生成准确、有用的结果。

无论是在文本生成、代码编写还是其他领域，Prompt Engineering 都将为我们带来更多的可能性和创新。

参考：

1. Google, 2023, Gemini at Google. Available at: .

2. Google, 2024, Gemini for Google Workspace Prompt Guide. Available at:

.html.

3. Google Cloud, 2023, Introduction to Prompting. Available at:

.

4. Google Cloud, 2023, Text Model Request Body: Top-P & top-K sampling methods. Available at:

.

5. Wei, J., et al., 2023, Zero Shot - Fine Tuned language models are zero shot learners. Available at: .01852.pdf.

6. Google Cloud, 2023, Google Cloud Model Garden. Available at:

.

7. Brown, T., et al., 2023, Few Shot - Language Models are Few Shot learners. Available at:

.11165.pdf.

8. Zheng, L., et al., 2023, Take a Step Back: Evoking Reasoning via Abstraction in Large Language Models. Available at: .

9. Wei, J., et al., 2023, Chain of Thought Prompting. Available at:

.11903.pdf.

10. Google Cloud Platform, 2023, Chain of Thought and React. Available at:

.ipynb.

11. Wang, X., et al., 2023, Self Consistency Improves Chain of Thought reasoning in language models. Available at: .11711.pdf.

12. Yao, S., et al., 2023, Tree of Thoughts: Deliberate Problem Solving with Large Language Models. Available at: .10661.pdf.

13. Wei, S., et al., 2023, React: Synergizing Reasoning and Acting in Language Models. Available at: .03629.pdf.

14. Google Cloud Platform, 2023, Advance Prompting: Chain of Thought and React. Available at:

.ipynb.

15. Zhou, C., et al., 2023, Automatic Prompt Engineering - Large Language Models are Human-Level Prompt Engineers. Available at: .0910.pdf.

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-04-11，如有侵权请联系 cloudcommunity@tencent 删除配置优化技巧脚本模型

99%的普通人不会用的AI沟通术：揭秘我与AI对话的沟通技巧

本篇文章来源于Google，作者Lee Boonstra，排版编辑绛烨。

Prompt Engineering（提示工程）作为与 LLM 交互的关键技术，正逐渐成为连接人类需求与模型能力的桥梁。

本文将深入探讨 Prompt Engineering 的奥秘，通过丰富的示例，帮助读者快速掌握这一技术，解锁 LLM 的无限潜能。

本篇文章来源于Google，作者Lee Boonstra。

一、Prompt Engineering 简介

Prompt Engineering 是一门专注于设计和优化输入提示（prompt），以引导大型语言模型生成高质量输出的学问。它并非高不可攀的黑科技，而是每个人都可以掌握的技能。无论是初学者还是资深开发者，都能通过精心设计的提示，让 LLM 为各种任务提供精准、高效的解决方案。

二、LLM 输出配置：掌控生成结果的关键

在深入探讨提示工程之前，我们先要了解 LLM 的输出配置，这些配置选项如同调节器，能够精细地控制模型的输出行为。

（一）输出长度：平衡成本与效率

输出长度决定了模型生成文本的长短。较短的输出虽然能快速响应，但可能无法满足复杂任务的需求；而过长的输出则会增加计算成本和响应时间。

例如，在进行文本摘要任务时，我们只需设置较短的输出长度，让模型提炼出关键信息；而在撰写长篇报告时，则需要适当增加输出长度，以确保内容的完整性和详细性。

（二）采样控制：调节随机性与确定性

采样控制涉及温度（temperature）、top-K 和 top-P 三个参数，它们共同决定了模型生成文本的随机性和多样性。

• 温度：温度值越低，模型生成的结果越确定，适合那些有唯一正确答案的任务，如数学计算；而较高的温度则会使输出更具随机性和创造性，适用于创意写作等场景。
• top-K 和 top-P：top-K 限制了模型在生成下一个词时考虑的候选词数量，较高的 top-K 值使输出更丰富多样；top-P 则根据候选词的概率分布来选择，较低的 top-P 值倾向于选择高概率的词，使输出更稳定。

三、Prompting Techniques：多样化的提示策略

为了更好地利用 LLM，研究者们开发了多种提示技巧，这些技巧能够针对不同的任务和需求，引导模型生成更准确、更有针对性的输出。

（一）零样本提示（Zero-shot Prompting）

零样本提示是最基础的提示方式，它仅向模型提供任务描述和相关文本，而不提供任何示例。这种方法简单直接，适用于那些模型已经具备相关知识的任务。

例如，我们可以让模型对电影评论进行情感分类，只需给出分类任务的描述和评论文本，模型就能根据其训练数据生成情感标签。

（二）单样本与多样本提示（One-shot & Few-shot Prompting）

当零样本提示无法满足需求时，我们可以引入单样本或多个样本作为示例。单样本提示提供一个示例，帮助模型理解任务的结构和期望的输出格式；而多样本提示则通过多个示例，让模型学习到任务的模式和规律。

例如，在解析披萨订单的任务中，通过提供几个不同格式的订单示例及其对应的 JSON 格式输出，模型能够学习到如何将新的订单文本转换为正确的 JSON 格式。

（三）常见提示词技巧

系统提示（System Prompting）：

系统提示用于设定模型的整体任务和目标，为模型提供宏观的指导。

例如，我们可以要求模型以 JSON 格式返回电影评论的情感分类结果，这样不仅使输出更加结构化，还能减少模型的“幻觉”现象。

角色提示（Role Prompting）：

通过为模型分配特定的角色，如旅行指南、教师等，使其生成符合该角色风格和知识背景的文本。

比如，当模型扮演旅行指南时，它会根据用户的位置和兴趣，推荐相应的旅游景点，并以幽默、风趣的风格呈现。

上下文提示（Contextual Prompting）：

上下文提示则为模型提供了当前任务的具体背景信息，帮助模型更准确地理解用户的需求。

例如，在撰写关于复古游戏的博客文章时，通过提供复古游戏的相关背景，模型能够生成更贴合主题的文章主题和内容描述。

后退提示（Step-back Prompting）：

后退提示是一种先让模型思考与具体任务相关的更广泛问题，再将答案作为上下文输入到具体任务提示中的方法。这种方法能够激活模型的相关背景知识和推理过程，从而生成更准确、深入的结果。

例如，在创作一款第一人称射击游戏的关卡剧情时，先让模型思考哪些主题可以使游戏更具挑战性和吸引力，再将这些主题作为背景，让模型创作具体的剧情。

链式思考（Chain of Thought, CoT）：

链式思考通过引导模型生成中间推理步骤，提高其推理能力。

例如，在解决数学问题时，让模型逐步解释每个步骤的计算过程，而不是直接给出答案。这种方法不仅能够提高模型的准确性，还能让我们更好地理解模型的思考过程。

自我一致性（Self-consistency）：

自我一致性通过多次生成不同的推理路径，并选择出现频率最高的答案，提高模型输出的准确性和一致性。

例如，在对电子邮件进行分类时，通过多次运行模型并比较不同输出，选择最一致的分类结果。

树状思考（Tree of Thoughts, ToT）：

树状思考进一步扩展了链式思考，允许模型同时探索多个不同的推理路径，形成一个推理树。这种方法特别适合复杂的任务，能够更全面地考虑问题的各种可能性。

反应式提示（ReAct）：

反应式提示结合了推理和行动，使模型能够通过调用外部工具（如搜索、代码解释器等）来获取信息并解决问题。

例如，让模型查询 Metallica 乐队成员的孩子数量，模型会通过搜索获取相关信息，并逐步推理出最终答案。

四、代码提示：编程开发的得力助手

除了文本生成任务，LLM 还能在代码编写方面提供强大的支持。我们可以通过设计合适的提示，让模型帮助我们编写代码、解释代码、翻译代码以及调试和审查代码。

（一）编写代码

当需要快速生成一段代码来完成特定任务时，如批量重命名文件夹中的文件，我们可以向模型提供任务描述和相关要求，模型就能生成相应的代码片段。

例如，使用 Bash 脚本实现文件重命名的功能，模型生成的代码不仅逻辑清晰，还包含了必要的注释，方便我们理解和使用。

（二）解释代码

在团队开发中，理解他人编写的代码是一项常见任务。我们可以将代码片段提供给模型，并要求其解释代码的功能和实现过程。

模型能够详细地分析代码的每一部分，帮助我们快速掌握代码的逻辑。

（三）翻译代码

在某些情况下，我们需要将代码从一种编程语言转换为另一种语言。模型能够理解不同编程语言的语法和逻辑，将给定的代码翻译成目标语言的代码片段。

例如，将 Bash 脚本翻译为 Python 脚本，模型生成的 Python 代码能够实现与原 Bash 脚本相同的功能。

（四）调试和审查代码

当代码出现错误或需要优化时，我们可以将有问题的代码和错误信息提供给模型，让其帮助我们定位问题并提出解决方案。

模型不仅能够指出错误所在，还能提供改进代码的建议，使代码更加健壮和高效。

五、Best Practices：提示工程的最佳实践

为了更好地掌握提示工程，提高模型的输出质量，以下是一些经过验证的最佳实践：

（一）提供示例

在提示中提供示例是提高模型准确性的关键。示例能够为模型提供明确的参考，使其更好地理解任务的要求和期望的输出格式。

（二）保持简洁

提示应该简洁明了，避免使用复杂的语言和不必要的信息。清晰的提示更容易被模型理解和处理，从而生成更准确的结果。

（三）明确指定输出

明确指定期望的输出格式和内容，能够帮助模型更准确地聚焦于任务的关键点，减少无关信息的生成。

（四）使用指令而非约束

尽量使用积极的指令来引导模型，而不是过多地限制其输出。指令能够直接传达我们的需求，而约束可能会使模型感到困惑，限制其创造力。

（五）控制最大令牌长度

根据任务需求合理设置最大令牌长度，既能保证输出的完整性，又能避免不必要的计算成本。

（六）使用变量

在提示中使用变量可以使提示更具动态性和通用性，方便我们在不同场景下重复使用提示。

（七）实验不同的输入格式和写作风格

不同的模型和配置可能会对提示的格式和写作风格产生不同的反应。因此，我们需要不断尝试和调整提示的格式、词汇选择和写作风格，以找到最适合当前任务和模型的组合。

（八）混合分类任务中的类别

在进行分类任务时，确保在示例中混合不同类别的样本，避免模型过度依赖样本的顺序，从而提高模型的泛化能力。

（九）适应模型更新

随着模型的不断更新和改进，我们需要及时调整和优化提示，以充分利用新模型的特性和能力。

（十）实验不同的输出格式

尝试使用结构化的输出格式（如 JSON 或 XML）来组织模型的输出，这不仅能够提高数据的可读性和可用性，还能减少模型的“幻觉”现象。

（十一）修复 JSON

当使用 JSON 格式作为输出时，可能会遇到由于令牌限制而导致的 JSON 截断问题。这时，可以使用专门的工具（如 json-repair 库）来修复不完整的 JSON 数据，确保输出的完整性和可用性。

（十二）使用模式

为模型提供 JSON 模式（Schema），能够帮助模型更好地理解输入数据的结构和类型，从而生成更准确、更有针对性的输出。

（十三）与其他提示工程师合作

与其他提示工程师合作，共同探讨和实验不同的提示策略，可以激发更多的创意和灵感，提高提示的效果。

（十四）记录提示尝试

详细记录每次提示的尝试，包括提示的内容、模型的配置、输出结果等，这有助于我们分析和总结经验教训，不断优化提示策略。

六、总结

Prompt Engineering 作为与大型语言模型交互的重要技术，为我们提供了一种强大的工具，能够充分发挥模型的潜力，解决各种复杂的问题。通过深入了解 LLM 的输出配置，掌握多样化的提示技巧，并遵循最佳实践，我们能够设计出高质量的提示，引导模型生成准确、有用的结果。

无论是在文本生成、代码编写还是其他领域，Prompt Engineering 都将为我们带来更多的可能性和创新。

参考：

1. Google, 2023, Gemini at Google. Available at: .

2. Google, 2024, Gemini for Google Workspace Prompt Guide. Available at:

.html.

3. Google Cloud, 2023, Introduction to Prompting. Available at:

.

4. Google Cloud, 2023, Text Model Request Body: Top-P & top-K sampling methods. Available at:

.

5. Wei, J., et al., 2023, Zero Shot - Fine Tuned language models are zero shot learners. Available at: .01852.pdf.

6. Google Cloud, 2023, Google Cloud Model Garden. Available at:

.

7. Brown, T., et al., 2023, Few Shot - Language Models are Few Shot learners. Available at:

.11165.pdf.

8. Zheng, L., et al., 2023, Take a Step Back: Evoking Reasoning via Abstraction in Large Language Models. Available at: .

9. Wei, J., et al., 2023, Chain of Thought Prompting. Available at:

.11903.pdf.

10. Google Cloud Platform, 2023, Chain of Thought and React. Available at:

.ipynb.

11. Wang, X., et al., 2023, Self Consistency Improves Chain of Thought reasoning in language models. Available at: .11711.pdf.

12. Yao, S., et al., 2023, Tree of Thoughts: Deliberate Problem Solving with Large Language Models. Available at: .10661.pdf.

13. Wei, S., et al., 2023, React: Synergizing Reasoning and Acting in Language Models. Available at: .03629.pdf.

14. Google Cloud Platform, 2023, Advance Prompting: Chain of Thought and React. Available at:

.ipynb.

15. Zhou, C., et al., 2023, Automatic Prompt Engineering - Large Language Models are Human-Level Prompt Engineers. Available at: .0910.pdf.

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-04-11，如有侵权请联系 cloudcommunity@tencent 删除配置优化技巧脚本模型

本文标签： 99的普通人不会用的AI沟通术揭秘我与AI对话的沟通技巧