技术博客
胜算云
胜算云
    • LLM API全面指南：原理、成本与高效使用策略
    • 380ms吊打2.5秒！中国开发者专属Claude加速通道，成本暴降80%
    • AI 成本砍一半，多模型一键切换——胜算云如何为您智能调度与降本增效
    • Prompt Engineering：如何优雅地提问？
    • 揭秘胜算云的“智能大脑”：我们如何实现多云 Spot GPU 算力与大模型 API 的无缝调度？
    • 告别厂商锁定：用胜算云网关实现多模型A/B测试与无缝切换
    • 胜算云：为 Agent 提供稳定、高效、低成本的智能路由引擎
    • 主流编程模型评测
    • Messages Array跨LLM API适配全攻略

    Prompt Engineering：如何优雅地提问？

    作者：浪迹天涯

    什么是Prompt Engineering？#

    Prompt Engineering中文称作「提示词工程」，是一门结合艺术与科学的技术，旨在设计和优化提示词（prompts），以引导大语言模型（LLM）产生更加准确、符合预期的回答。通过合理地提供上下文信息、指令说明以及示例，提示词工程可以有效提升模型对任务的理解力，从而生成更有意义、更具针对性的输出。
    不好的大模型指令示范：「帮我写一篇文章」
    为什么这是一个不好的指令呢？
    指令太广泛：没有明确主体、题材或用途，范围过大，模型难以聚焦。
    缺乏上下文：没有提供任何背景信息或约束条件，模型只能靠猜测填补空白。
    不明确的指令往往会导致AI生成的内容空泛、缺乏针对性，难以满足实际需求，反而增加了反复修改的成本。这正是Prompt Engineering的价值所在。
    提示工程不仅仅是“给AI发指令”，更是通过精心设计与不断调整提示词，使模型能够输出更准确、更相关的答案。这个过程既需要清晰有效的沟通，也离不开反复试验（trial and error），以逐步逼近最优结果。

    为什么需要Prompt Engineering？#

    提高准确性和相关性： 精心设计的提示词能帮助大模型理解上下文中的细微差异，输出更符合任务需求的内容，从而减少错误，提高答案的质量和针对性。
    实现个性化体验： 提示词工程能够引导模型生成定制化的推荐和回应，实现更自然、更贴合用户需求的交互。
    降低资源消耗： 良好的提示词可以减少模型冗余调用，优化推理路径，从而节约算力资源和运营成本。
    引导模型伦理行为： 在提示词中引入价值约束和中性设定，有利于减少模型输出偏见，构建更加公平和负责的AI系统。

    提示类型#

    零样本提示#

    零样本提示是指直接向模型提供指令或问题，而不提供任何示例或上下文。模型完全基于语言理解来完成任务，适合标准任务或通用任务。
    示例：
    Translate the following sentence to French:
"I love artificial intelligence."
    输出：
    J'aime l'intelligence artificielle.

    单样本提示#

    单样本提示是指向模型提供一个输入-输出示例，然后提供实际输入，期望模型类比并生成相似的输出。用于格式较特殊或风格明确的任务。
    示例：
    Q: What is the capital of France?
A: Paris
Q: What is the capital of Germany?
    输出：
    A: Berlin

    少样本提示#

    少样本提示提供多个输入-输出示例（通常为2～5个），帮助模型总结规律、结构或风格后再处理目标输入。适用于结构多变、难以一句话明确说明规则的任务。
    示例：
    Q: Translate to Spanish: "Good morning"
A: Buenos días
Q: Translate to Spanish: "How are you?"
A: ¿Cómo estás?
Q: Translate to Spanish: "Thank you"
    输出：
    A: Gracias

    多样本提示#

    多样本提示是指提供多个示例（5个以上）来增强模型理解复杂模式，适合模型需要更强归纳能力的任务，但会消耗大量上下文窗口。
    示例（部分片段）：
    Q: 2 + 2 = ?  → 4
Q: 3 + 5 = ?  → 8
Q: 10 - 6 = ? → 4
Q: 7 x 3 = ?  → 21
Q: 12 / 4 = ? → 3
Q: 6 x 6 = ?
    输出：
    → 36

    思维链提示#

    思维链提示（CoT）通过鼓励模型分步骤思考、推理，提高解决复杂任务的准确率。
    示例：
    Q: Tom has 3 apples. He buys 2 more and eats 1. How many apples does he have?
Let's think step by step.
    输出：
    Tom starts with 3 apples.  
He buys 2 more, so now he has 3 + 2 = 5 apples.  
Then he eats 1, so 5 - 1 = 4 apples.  
Answer: 4

    如何写出优雅的Prompt？#

    CRISPE原则
    CRISPE是一个用于优化提示词设计的框架，它由五个关键要素组成：Capacity（角色）、Insight（背景信息）、Statement（任务指令）、Personality（风格） 和 Experiment（探索）。该框架帮助我们更有效地引导大语言模型（如ChatGPT）生成更精准、相关且多样化的内容。
    image.png
    图片来源：https://showme.redstarplugin.com/d/pR2MC52v
    Capacity and Role： 明确你希望ChatGPT以什么“身份”来回应请求。例如，你希望它扮演一位作家、研究院，还是语言翻译？
    示例：
    “你是一位技术博客写手，请撰写一篇关于Rust的入门指南。”
    “请以心理咨询师的口吻分析以下案例。”
    Insight： 提供相关的上下文或背景信息，有助于模型理解问题的来龙去脉，从而生成更符合实际需求的回应。
    示例：
    “我们的用户主要是初级开发者，这篇文章需要避免术语和过度技术化表达。”
    “这段代码用于手机端，资源受限，响应速度很关键。”
    Statement： 这是提示词的核心部分，你想让模型做什么？描述越具体，通常越精准。
    示例：
    “请生成一个用于介绍Python中生成器的段落。”
    “请列出五条关于Prompt Engineering的最佳实践建议。”
    Personality： 你希望ChatGPT的回答呈现出什么样的预期和风格？是正式严谨、亲切随和，还是具有幽默感？设定风格可以提升交互的自然感和目标一致性。
    示例：
    “语气要亲民、像在跟朋友解释。”
    “请保持专业风格，适合发布在企业博客中。”
    Experiment： 可以让模型生成多个版本或多角度的回答，从中挑选最满意的部分。在这个过程中，你需要不断迭代、实验、优化。
    示例：
    “请给出三个不同风格的标题建议。”
    “请用两种不同方式介绍这个概念：一种面向小白，一种面向资深开发者。”

    一些优雅的Prompt#

    旅游向导#

    
请你扮演一位旅游向导。我将向你提供我的当前位置，有时也会告诉你我希望参观的地点类型。你需要基于我的位置推荐附近值得一游的地方，并在我指定类型的情况下，推荐附近同类型的多个地点。例如，我若说“我在上海，且只想参观博物馆”，你应基于这一位置推荐多个附近的博物馆，不提供其他类型的景点，也不做多余解释。请直接进入角色，只输出推荐地点及简要理由，不提供教程说明或交互解释。我的第一个请求是：“我在上海，我只想参观博物馆。”

    面试官#

    
请你扮演一位面试官，我将作为候选人与你进行模拟面试，目标岗位是Java开发工程师。你需要像真实面试中那样与我互动，只负责提出一个一个的问题，不要一次性列出所有问题，也不要写解释或额外说明。每次只提出一个问题，并等待我作答后再继续。整个对话过程中，请仅以面试官的身份回应，不要跳出角色。我的第一句话是：“你好”。

    故事讲述者#

    
请你扮演一位故事讲述者。你将创作引人入胜、富有想象力且具有感染力的故事。这些故事可以是童话、寓言、教育类故事，或任何能激发听众想象力、吸引注意力的内容。你可以根据受众类型灵活选择故事主题或风格，例如：面向儿童时可以讲动物故事，面向成人时则可以尝试历史题材或现实寓言。故事应具有完整性和启发性，能够传递情感或价值观。请你进入讲述者角色，专注创作，不需要解释说明或跳出角色。我的第一个请求是：“我需要一个关于坚持不懈的精彩故事。”
    修改于 2025-07-25 10:18:09
    上一页
    AI 成本砍一半，多模型一键切换——胜算云如何为您智能调度与降本增效
    下一页
    揭秘胜算云的“智能大脑”：我们如何实现多云 Spot GPU 算力与大模型 API 的无缝调度？
    Built with