记录AI学习之路Day05：Prompt 优化技巧。

引言：在人工智能时代，尤其是大语言模型（LLM）应用日益广泛的今天，Prompt（提示词）的质量直接决定了我们与AI交互的效率和效果。一个精心设计的Prompt可以激发模型的最佳性能，生成精准、有用且符合预期的内容；而一个模糊或随意的Prompt则可能导致输出偏离主题、信息冗余甚至完全错误。

1. 理解Prompt的核心要素

一个优秀的Prompt通常包含以下几个关键要素：

• 角色（Role）：为AI设定一个明确的身份或角色，例如“你是一位资深软件架构师”、“你是一位经验丰富的文案编辑”。
• 任务（Task）：清晰、具体地描述需要AI完成的工作，避免使用模糊词汇。
• 上下文（Context）：提供必要的背景信息，帮助AI更好地理解任务的场景和约束条件。
• 指令（Instructions）：给出具体的操作步骤、格式要求或思考过程。
• 输出格式（Output Format）：明确指定期望的输出结构，如JSON、Markdown、列表、代码块等。

示例对比：

• 模糊Prompt：“写一篇关于Java的文章。”
• 优化Prompt：“你是一位专注于Java教学的博主。请为编程初学者撰写一篇约800字的博客文章，主题为‘Java列表的10个高效操作技巧’。文章结构需包含引言、技巧详解（每个技巧配一个代码示例）和总结。”

2. 结构化与分步思考（Chain-of-Thought）

对于复杂任务，引导模型进行“分步思考”可以显著提升结果的逻辑性和准确性。这模仿了人类解决问题时的推理过程。

技巧：在Prompt中加入“让我们一步步思考”、“请先分析问题，再给出解决方案”等指令。

示例：

你是一位数学老师。请解答以下问题：“一个水池有两个进水管，A管单独注满需要6小时，B管单独注满需要4小时。如果两管同时开放，多久能注满水池？” 请按以下步骤输出： 1. 分析：定义变量，列出已知条件。 2. 建模：建立数学模型（如工作效率方程）。 3. 计算：展示计算过程。 4. 答案：给出最终答案并附上一句话解释。

3. 提供示例（Few-Shot Prompting）

对于格式固定或概念抽象的任务，在Prompt中提供1-3个高质量的输入-输出示例，能极大地帮助模型理解你的具体期望。

技巧：示例应典型、简洁且覆盖关键要求。

示例（情感分类任务）：

请根据用户评论判断其情感倾向（积极/消极/中立）。 示例1： 输入：“这款手机电池续航太差了，半天就没电。” 输出：消极 示例2： 输入：“物流很快，包装完好，产品与描述一致。” 输出：积极 示例3： 输入：“昨天收到了包裹，还没开始用。” 输出：中立 现在请判断： 输入：“相机像素很高，但系统偶尔会卡顿。” 输出：

4. 使用分隔符与格式约束

清晰的格式要求能减少模型的歧义，使输出更规整，便于后续处理。

技巧：

• 使用"""、---、<>等符号将指令与待处理文本分隔开。
• 明确要求使用特定标签、标题层级或数据结构。

示例：

请将以下用三个反引号包裹的会议纪要，提取出关键决策项和待办事项。

2024-05-31 项目会纪要：

1. 决定采用微服务架构重构用户模块。
2. 张三负责在下周五前完成API设计文档。
3. 需要评估AWS和Azure的云服务成本。

请按以下JSON格式输出： { "key_decisions": [“决策1”， “决策2”], "action_items": [{"负责人": “姓名”， “任务”: “描述”， “截止日”: “日期”}] }

5. 迭代与精炼：Prompt的优化循环

Prompt设计很少能一蹴而就。遵循“设计-测试-分析-精炼”的循环是成为高手的关键。

1. 初版设计：根据任务写出第一版Prompt。
2. 小样本测试：用3-5个典型输入进行测试，观察输出。
3. 分析差距：对比输出与期望，找出Prompt中不明确、缺失或多余的部分。
   • 是角色不清晰？
   • 是指令有歧义？
   • 是缺少关键约束？
4. 精炼修改：针对性地修改Prompt，补充细节，删除冗余。
5. 重复测试：直到在大多数情况下都能获得满意结果。

优化案例：

• 初版：“总结这篇文章。”
• 迭代1：“用三段话总结这篇文章的核心观点。”
• 迭代2：“你是一位科技专栏编辑。请用不超过200字、分三段的格式，总结下面这篇文章对于‘AI代理’未来发展趋势的核心论点。第一段讲现状，第二段讲挑战，第三段讲机遇。”

6. 高级技巧与注意事项

• 设定温度（Temperature）和随机性：对于需要创造性、多样性的任务（如写诗、生成创意），可以调高温度值（如0.8-1.0）；对于需要确定性、准确性的任务（如代码生成、数据提取），应调低温度值（如0-0.2）。
• 处理超长文本：对于超出模型上下文窗口的文本，可以指令模型“先总结第一部分，再总结第二部分，最后给出整体摘要”。
• 避免负面指令：尽量使用“要做什么”的正面描述，而非“不要做什么”。例如，用“请专注于技术实现细节”代替“请不要写无关的背景介绍”。
• 利用系统Prompt（如果平台支持）：在一些平台，你可以设置一个持久的“系统指令”来定义AI的默认行为和知识范围，然后在每次对话中用更简洁的用户Prompt发起具体任务。

总结

Prompt工程是一门融合了逻辑、语言学和心理学的实践艺术。掌握上述技巧——明确要素、结构化思考、提供示例、规范格式、持续迭代——将使你能够更高效、更精准地驾驭大语言模型的能力。记住，最好的Prompt往往是那些能够清晰传达人类意图，并充分引导AI思维的指令。现在，就尝试用这些技巧去优化你下一个Prompt吧！

网上有许多介绍Prompt工程优化的案例，这里只是简单的介绍了一下这个Prompt的一些优化技巧。后续可能会更新部分自己在工程中的使用示例。