在使用大模型（LLM）时，提示工程（Prompt Engineering）是关键。正如谷歌所指出的，任何人都可以编写提示，但要获得高效、准确的结果，需要考虑模型选择、训练数据、配置参数、措辞、结构和上下文等因素。

提示工程是一个迭代过程，需要不断调整提示文本和模型设置（如温度、Top‑P 等），才能满足实际需求。

提示的清晰度和具体性对输出质量有显著影响：模糊的提示往往导致泛化或不符预期的结果，而明确、具体的提示更容易获得符合预期的回答。

为了系统化地设计提示，可以遵循以下提示结构与角色设计原则：完整的提示通常包含背景/上下文、输入内容和输出指示三部分。

例如，在聊天型接口中，system 消息可用于设定整体目标（如翻译语言、生成代码等），user 消息则包含实际任务和输入；同时，可以通过在提示开头指明模型角色来引导输出风格（如“你是一名资深市场营销专家”）。

阿里云的最佳实践也推荐使用Prompt 框架，包括背景、目的、风格、语气、受众和输出等要素，以提供明确的上下文和输出要求。

例如，通过在提示中加入产品背景、期望的文体和目标受众，模型生成的文案会更具针对性和说服力。

主要提示技巧

在提示设计中，可以结合多种技巧来引导大模型生成高质量内容，常见方法包括：

• 零样本（Zero-Shot）提示：直接给出任务说明而不提供示例，是最基础的提示方式。零样本提示仅包含目标描述和起始文本，名称意为“没有示例”。这种方式适用于模型已有很强的泛化能力时，但在复杂任务上可能效果有限。
• 少样本（Few-Shot）提示：在提示中加入一个或多个示例，让模型学习期望的输出格式或模式。例如，通过示例引导，模型更容易捕捉任务规律，提高生成质量。一般来说，少样本提示至少需包含几例多样且高质量的样本，示例应与任务相关并覆盖典型情况和边缘情况。
• 系统/角色提示：利用系统（system）级提示定义整体目标和约束，或在提示中指定角色身份（如专家、教授、作家等），可以显著改变输出风格和稳定性。系统提示提供全局上下文（如“请以JSON格式返回结果”），而角色提示则影响语气和知识背景（如“作为一名资深PHP开发者”）。研究表明，清晰的系统指令可以强制模型遵守特定格式或行为要求。
• 上下文提示：将与任务相关的背景信息或对话历史作为提示的一部分，可以帮助模型更准确地理解任务细节。上下文提示使回答更贴合当前情境，避免输出与问题脱节。例如，在文案创作时提供产品特点和目标受众，在代码生成时提供现有函数签名或文档，都能提高输出的相关性。
• 链式思维（Chain-of-Thought, CoT）：对于需要推理和分步骤思考的复杂任务，可以在提示末尾加入类似“我们一步步思考”这样的引导语，引导模型逐步展开推理。例如，在算法设计或数学题时，要求模型“逐步推理”往往能显著提高正确率。CoT 可以是零样本的（只添加一句提示语）或结合示例使用，其核心是在输出中生成透明的思考链条，便于检查和调试。
• 输出控制：除了提示文本本身，还可以通过温度（temperature）、Top‑K/Top‑P 等采样参数来控制生成结果的多样性与创造性。通常事实型或精准任务使用较低温度（如 0.1–0.2）可提高确定性，而创造性任务可适当提高温度（如 0.8–0.9）以获得更多样化表达。例如，谷歌建议：温度0.2、Top‑P 0.95 可作为生成连贯且富有创造性的起点；若需要更保守的答案，则可将温度调低。适当调整这些参数能够细化输出风格，但也需配合提示语实验优化。

文案生成实战

在文案生成场景中，提示应强调创意、情感色彩和目标受众。常用策略包括指定目标受众和写作风格，或通过少样本展示期望格式。

例如，简单提示“为我们的新款轻薄手机Zephyr Z9写一条推广微博”可能产生一般性宣传语；而在提示中加入角色和受众信息，如“你是一位资深市场营销专家，请面向年轻用户创作一条突出Zephyr Z9超薄和高性能的宣传微博”，则输出会更加契合目标群体和宣传诉求。

下表通过两个对比案例说明了提示方式的差异化效果：普通提示生成的文案较为一般，而明确的背景、角色和风格指令可以让内容更具体、有吸引力。

提示方式	示例输出（片段）
基础提示 “百炼最新轻薄手机Zephyr Z9上市，请撰写一条微博推广语。”	“百炼Zephyr Z9轻薄旗舰，开启科技新潮流。”（较概括，无风格）
角色+上下文 “你是一位资深手机营销专家，目标受众为年轻科技爱好者，请创作一句体现Zephyr Z9极致轻薄和高性能的有感染力推广语。”	“告别笨重，尽享轻盈！百炼Zephyr Z9，超薄科技新体验，让时尚与速度兼得。”（突出卖点、语气有说服力）

如表所示，明确指出角色身份、写作风格和受众后，生成的宣传文案更加具体且富有感染力。正如阿里云实践指出的，使用结构化提示框架能让模型生成更贴合需求的内容。

代码编写实战

在代码生成场景中，提示工程同样关键。常见做法是指定编程语言和角色，并明确功能要求。

例如，提示“编写一个Python函数计算阶乘”可能得到一个简单实现，而更精细的提示如“作为经验丰富的Python开发者，请编写一个健壮的阶乘函数，包含完整的函数注释、输入校验和示例”，则输出将包含更完善的代码结构和注释。

对于涉及算法设计的任务，可结合链式思维提示，将问题拆解为步骤并映射到代码实现。

谷歌的示例表明，将模型视为开发者有助于生成高质量代码：“Gemini也可以成为一名开发人员，并帮助你使用任何编程语言编写代码”，其输出通常包含完整的函数和说明。

同时，可以在提示中给出代码规范或样例，指导模型按需输出。例如，在要求特定格式（如JSON或特定库使用）时，使用系统提示来强制输出结构也很有效。

下表演示了两种不同提示对Python代码生成的影响：简单提示生成基本功能代码，而添加角色和详细要求后生成的代码包含异常处理和完整注释，质量更高。

提示方式	示例输出（概要）
简单提示 “请编写一个Python函数，计算给定数值的阶乘。”	返回一个简单的for循环函数，代码基本正确但没有注释。
角色+细节 “你是一名资深Python工程师，请写一个计算阶乘的函数，包含输入校验、错误处理、函数文档字符串和示例调用。”	输出带有def factorial(...)的函数，包含类型检查、异常抛出、完整的docstring和示例，结构清晰健壮。

通过对比可见，向提示中提供更多上下文（如角色身份、输入要求）能够显著提升代码输出的质量和可读性。此外，对于复杂的逻辑编程题，也可使用链式思维提示将步骤分解，“让我们逐步思考”式的提示能让模型生成更合理的算法。

总结

结合谷歌《提示工程白皮书》和阿里云实践指南的经验，我们可以得出：高质量的提示需要清晰明确的指令和丰富的上下文，并通过示例和角色引导进一步[优化输出](https://www.alibabacloud.com/help/zh/model-studio/use-cases/prompt-engineering-guide#:~:text=在未使用 Prompt 框架时，LLM 输出虽表现尚可，但显得过于泛化，缺乏必要的细节和针对特定群体的吸引力。而在使用 Prompt,框架时，框架不仅提醒您考虑需求的其它方面，特别是一般 Prompt 中缺少的风格、语气和受众，还帮助 LLM 生成更针对年轻群体、细节更多、语言表达更加富有张力的输出 “优化输出”)。

在文案生成中，指定目标受众、写作风格和创意要素可让内容更具吸引力；在代码生成中，明确语言、角色和功能需求则能得到健壮的实现。

同时，零样本与少样本提示、系统与角色提示、链式思维等技巧在不同场景下各有优势，合理组合可以显著提高结果质量。通过对比案例和表格我们看到，更加具体、有指导性的提示会让输出效果更佳。

实践中，还应多尝试不同参数设置和输出格式，并记录和比较各种尝试结果，以不断迭代优化提示策略在未使用 Prompt 框架时，LLM 输出虽表现尚可，但显得过于泛化，缺乏必要的细节和针对特定群体的吸引力。

而在使用 Prompt,框架时，框架不仅提醒您考虑需求的其它方面，特别是一般 Prompt 中缺少的风格、语气和受众，还帮助 LLM 生成更针对年轻群体、细节更多、语言表达更加富有张力的输出。

本文参考了谷歌出版的《Prompt Engineering》，关注公众号DataSpeed，回复 提示词工程 可以获取原版与翻译版。