generative-ai-for-beginners 进阶提示工程：七大提示技巧、温度参数与 Self-Refine 代码改进实战-编程实验室

generative-ai-for-beginners 进阶提示工程：七大提示技巧、温度参数与 Self-Refine 代码改进实战

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners

本文基于 generative-ai-for-beginners 课程第 05 课（进阶提示）整理成文，围绕提示工程（Prompt Engineering）的核心方法论展开：从解构一条简单提示词的上下文与输出限制，到零样本、少样本、思维链、生成式知识、由简入繁、自我精炼（Self-Refine）与产婆术（Maieutic）提示等七种可应用于任意 LLM 的技巧，并进一步讲解如何利用温度（temperature）参数在“多样化输出”与“确定性输出”之间做权衡。读完本文，你能够独立构造并优化结构化提示词，用温度参数控制输出的可预测性，并掌握用 Self-Refine 循环让 AI 助手迭代改进真实代码的完整流程。

前置回顾：提示工程在做什么

沿用课程第 04 课（提示工程基础，见 04-prompt-engineering-fundamentals/README.md）的结论：

提示_工程_是一个引导模型给出更相关回答的过程，方式是提供更有用的指令或上下文。

写提示词包含两个步骤：构造提示（提供相关上下文）与优化（逐步改进提示词）。本课（源文档为 translations/et/05-advanced-prompts/README.md，即第 05 课的翻译版本）的目标是：从“不断试各种提示词”进阶到“理解为什么某条提示词比另一条更好”，并学会构造可迁移到任意 LLM 的提示。

本课覆盖两大主题：

运用不同技巧扩展你的提示工程知识；
配置提示词以让输出产生变化（或不再变化）。

学完本节应能达到的学习目标：

运用能改善提示结果的提示工程技术；
执行“多样化”或“确定性”两种风格的提示。

提示工程：不只是“写一句话”

提示工程是创造“能产生期望结果”的提示的过程。它远不止写一段文本指令——提示工程并不是一门工程学科，而是一组为达成期望结果可以套用的技巧集合。

一条简单提示词的解剖

以一条基础提示为例：

Generate 10 questions on geography.（生成 10 个地理问题。）

这条看似简单的提示里，其实同时用到了两类技巧：

上下文（Context）：你指定了主题必须是“地理”；
输出限制（Limiting the output）：你要求问题数量不超过 10 个。

简单提示的局限

即便用了上述技巧，结果也不稳定，原因是：

主题过大：地理涵盖国家、首都、河流等，你不知道模型会聚焦到哪一块；
格式缺失：如果你想让问题以特定格式（如编号、JSON、表格）输出，这条提示完全没有约束。

可以看出，构造一条提示需要考虑的维度远不止“说要什么”。而生成式 AI 的能力也远不止回答简单问题，下面进入核心技术。

七种提示技巧

首先需要理解：提示（prompting）是 LLM 的一种涌现（emergent）属性——它不是模型内置的功能开关，而是我们在使用模型过程中发现并总结出来的能力。基于此，课程归纳了七种基础技巧：

技巧	一句话定义
零样本提示（Zero-shot）	最基础形式：单条提示，模型仅凭训练数据作答
少样本提示（Few-shot）	提供 1 个及以上示例，让模型“照着做”
思维链（Chain-of-thought）	教模型把问题拆成步骤、逐步推理
生成式知识（Generated knowledge）	在提示中注入额外的事实或企业数据
由简入繁（Least-to-most）	把大问题拆成子问题序列并按顺序执行
自我精炼（Self-refine）	让模型批判自己的输出，再要求它改进
产婆术提示（Maieutic）	要求模型逐一解释答案的各个部分，剔除不一致项，是一种自我精炼变体

零样本提示（Zero-shot prompting）

最简单的风格：只有一条提示，模型完全依赖自身训练数据回答。初学 LLM 时你几乎都在用这种形式。示例：

提示：“What is Algebra?”（什么是代数？）
回答：“Algebra 是研究数学符号及其运算规则的一门数学分支。”

没有任何示例、没有任何上下文注入，胜在简单直接；缺点是模型无法得知你偏好的格式、领域深度或风格。

少样本提示（Few-shot prompting）

在请求中附带若干任务相关的示例，帮助模型理解“输出应该长什么样”。示例：

提示：“Write a poem in the style of Shakespeare. Here are a few examples of Shakespearean sonnets: Sonnet 18: 'Shall I compare thee to a summer's day? Thou art more lovely and more temperate...' Sonnet 116: 'Let me not to the marriage of true minds Admit impediments. Love is not love Which alters when it alteration finds...' Sonnet 132: 'Thine eyes I love, and they, as pitying me, Knowing thy heart torment me with disdain,...' Now, write a sonnet about the beauty of the moon.”（用莎士比亚风格写一首关于月亮之美的十四行诗）
回答：“Upon the sky, the moon doth softly gleam, In silv'ry light that casts its gentle grace,...”

示例给 LLM 提供了期望输出的上下文、格式或文风。它帮助模型理解具体任务，从而生成更准确、更贴合的回答。注意示例数量不必多——1 到几个精心挑选的示例往往比一堆杂乱示例更有效。

思维链（Chain-of-thought）

思维链是本课最有代表性的技巧：通过多个步骤“带”着模型走，让它理解_如何_做一件事，而不只是_做什么_。先看一个反例——不用思维链：

提示：“Alice has 5 apples, throws 3 apples, gives 2 to Bob and Bob gives one back, how many apples does Alice have?”
回答：5

模型答 5，是错的。正确计算是 (5 - 3 - 2 + 1 = 1)，正确答案为 1 个苹果。

那么如何教会 LLM 正确计算？应用思维链意味着三步：

给 LLM 一个相似的示例；
展示计算过程，演示如何一步步正确计算；
再给出原始提示。

组合后的提示如下：

提示：“Lisa has 7 apples, throws 1 apple, gives 4 apples to Bart and Bart gives one back: 7 - 1 = 6 6 - 4 = 2 2 + 1 = 3 Alice has 5 apples, throws 3 apples, gives 2 to Bob and Bob gives one back, how many apples does Alice have?”
回答：1

可以看到：我们写出了一条显著更长的提示——包含另一个示例、完整计算过程、然后才是原始问题——最终得到了正确答案 1。这就是思维链的威力：用一个“解题示范”把模型的推理轨道对齐。

生成式知识（Generated knowledge）

构造提示时，你常常想使用自己企业的数据：提示的一部分来自企业内容，另一部分才是你真正想问的问题。以保险业务为例，提示可以做成一个模板：

{{company}}: {{company_name}} {{products}}: {{products_list}} Please suggest an insurance given the following budget and requirements: Budget: {{budget}} Requirements: {{requirements}}

提示通过模板构造，其中{{variable}}形式的变量会被企业 API 返回的真实值替换。变量替换后的提示如下：

Insurance company: ACME Insurance Insurance products (cost per month): - Car, cheap, 500 USD - Car, expensive, 1100 USD - Home, cheap, 600 USD - Home, expensive, 1200 USD - Life, cheap, 100 USD Please suggest an insurance given the following budget and requirements: Budget: $1000 Requirements: Car, Home, and Life insurance

把这条提示交给 LLM，会得到类似回答：

Given the budget and requirements, we suggest the following insurance package from ACME Insurance: - Car, cheap, 500 USD - Home, cheap, 600 USD - Life, cheap, 100 USD Total cost: $1,200 USD

问题出现了：它连 Life 保险也推荐了，而预算只有 1000 USD，总报价 1200 USD 已经超支。这说明需要优化提示，把“允许选什么”说得更清楚。经过若干次_试错_，得到改进后的提示：

Insurance company: ACME Insurance Insurance products (cost per month): - type: Car, cheap, cost: 500 USD - type: Car, expensive, cost: 1100 USD - type: Home, cheap, cost: 600 USD - type: Home, expensive, cost: 1200 USD - type: Life, cheap, cost: 100 USD Please suggest an insurance given the following budget and requirements: Budget: $1000 restrict choice to types: Car, Home

关键改进点：为每个产品增加了type和cost字段标签，并在预算行后使用restrict（限制）这个关键词。此时回答变为：

Given the budget and requirements, we suggest the Car, Cheap insurance product which costs 500 USD per month.

这个例子想说明的核心是：即便已经用上了“生成式知识”这样的基础技巧，绝大多数情况下仍需迭代优化提示才能得到期望结果——提示词是“调试对象”，不是一次写对的产品。

由简入繁（Least-to-most）

由简入繁提示的思路是：把一个大问题拆解为子问题，引导 LLM 逐步“攻克”它。适合数据科学这类多阶段任务。例如：

提示：How to perform data science in 5 steps?（如何用 5 个步骤完成数据科学工作？）

AI 助手回答：

收集数据（Collect data）
清洗数据（Clean data）
分析数据（Analyze data）
可视化数据（Plot data）
展示数据（Present data）

与思维链的区别在于：思维链通常靠“示范一个解题过程”来引导，由简入繁则是明确要求模型先分解、再按序执行子步骤，让模型自己规划拆解方案。

自我精炼（Self-refine）：批判结果

对生成式 AI 和 LLM，你不能盲目信任输出，必须验证。毕竟 LLM 给出的只是“下一个最可能的词/句”，而不一定是正确答案。一个好办法就是让 LLM 自我批判，这正是 Self-refine 技巧。工作流程：

用初始提示要求 LLM 解决问题；
LLM 作答；
你批判这个回答，并要求 AI 改进；
LLM 再次作答，这次会考虑批判意见并提出自己的解决方案。

这个循环可以重复任意次。文档给出的完整示例：

提示：“Create a Python Web API with routes products and customers”（创建一个带 products 和 customers 路由的 Python Web API）

AI 回答：

import flask app = Flask(__name__) @app.route('/products') def products(): return 'Products' @app.route('/customers') def customers(): return 'Customers'

提示：suggest 3 improvements of the above code（对上述代码提出 3 条改进建议）

AI 回答：

Sure, here are three suggestions to improve the code: Import the correct module: The first line should import Flask instead of flask. The correct import statement should be from flask import Flask. Add a main function: Add a if __name__ == '__main__': block to the end of the file to run the application when the file is executed. Use f-strings: Use f-strings to format the return statements in the route functions. For example, return 'Products' can be changed to return f'This is the {request.path} page'.

改进后的代码：

from flask import Flask, request app = Flask(__name__) @app.route('/products') def products(): return f'This is the {request.path} page' @app.route('/customers') def customers(): return f'This is the {request.path} page' if __name__ == '__main__': app.run()

可以看到，正是由于对第一版回答做了批判，第二版代码修正了导入错误、补齐了入口块并改进了返回语句。

产婆术提示（Maieutic prompting）

产婆术提示与 Self-refine 相似，但更强调让 LLM 解释自己：目标是通过追问减少输出的自相矛盾，从而确保答案正确。工作流：

让 LLM 回答问题；
针对答案的每个部分，要求 LLM 更深入地解释；
若发现不一致，丢弃不一致的部分；
重复第 2、3 步，直到所有部分都过一遍且你对答案满意。

示例：

提示：How can I create a crisis plan to mitigate a pandemic in 5 steps?（如何用 5 步制定缓解疫情的危机计划？） LLM 回答：

1. Identify the risks 2. Identify the stakeholders 3. Identify the resources 4. Identify the actions 5. Identify the communication channels

它给出了 5 步，但如何确认这是对的？继续追问第一步：

提示：Explain the first step in more detail, what are the risks in detail with a pandemic?

The risks are the following: - Loss of life - Loss of business - Loss of reputation - Loss of customers - Loss of employees

为进一步确认，追问第一个风险的细节，看回答是否与上文一致：

提示：In a Pandemic, which is the biggest risk and why?

The biggest risk is loss of life because it's the most important thing to protect.

What are the two biggest risks in a pandemic?

The two biggest risks are loss of life and loss of business.

此时 LLM 的回答保持了一致（“生命”与“商业”均为最高优先级风险），可以较有把握地进入下一步。但务必记住：不应盲目信任 LLM，始终要验证输出。

让输出产生变化：LLM 的非确定性

LLM 本质上是非确定性的：同一条提示每次运行都可能得到不同结果。例如提示：

“Generate code for a Python Web API”

第一次运行生成：

# Import necessary modules import flask from flask import request, jsonify # Create a Flask app app = flask.Flask(__name__) # Create a route for the API @app.route('/api', methods=['GET']) def api(): # Get the data from the request data = request.args # Process the data result = process_data(data) # Return the result as JSON return jsonify(result) # Function to process the data def process_data(data): # Do something with the data result = data + 1 # Return the result return result # Run the app if __name__ == '__main__': app.run()

对同一条提示再次运行，得到一个明显不同的版本：

#import necessary packages import flask from flask import request, jsonify #create the Flask application app = flask.Flask(__name__) app.config["DEBUG"] = True #create a list of books books = [ {'id': 0, 'title': 'A Fire Upon the Deep', 'author': 'Vernor Vinge', 'first_sentence': 'The coldsleep itself was dreamless.', 'year_published': '1992'}, {'id': 1, 'title': 'The Ones Who Walk Away From Omelas', 'author': 'Ursula K. Le Guin', 'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.', 'published': '1973'}, {'id': 2, 'title': 'Dhalgren', 'author': 'Samuel R. Delany', 'first_sentence': 'to wound the autumnal city.', 'published': '1975'} ] #create an endpoint for the API @app.route('/', methods=['GET']) def home(): return '''<h1>Books API</h1> <p>A prototype API for retrieving books.</p>''' #create an endpoint to return all books @app.route('/api/v1/resources/books/all', methods=['GET']) def api_all(): return jsonify(books) #create an endpoint to return a single book @app.route('/api/v1/resources/books', methods=['GET']) def api_id(): #check if an ID was provided as part of the URL #if ID is provided, assign it to a variable #if no ID is provided, display an error if 'id' in request.args: id = int(request.args['id']) else: return "Error: No id field provided. Please specify an id." #create an empty list for our results results = [] #loop through the data and match results that fit the requested ID #IDs are unique, but other fields might return many results for book in books: if book['id'] == id: results.append(book) #use the jsonify function from Flask to convert our list of #Python dictionaries to the JSON format return jsonify(results) app.run()

多样化的输出算问题吗？

取决于你的目的：如果你需要特定的、可预期的回答，那就是问题；如果你能接受多样化输出（比如“生成任意 3 个地理问题”），则无所谓。

用温度（temperature）控制输出变化

如果希望输出更可控、更确定（deterministic），可以调节温度参数。温度是 0 到 1 之间的值：0 最确定，1 最多样，默认值 0.7。

把温度设为 0.1，对同一提示“Generate code for a Python Web API”运行两次：

第一次：

#import necessary libraries import flask from flask import request, jsonify #create an instance of the Flask class app = flask.Flask(__name__) #create an endpoint for the API @app.route('/api/v1/endpoint', methods=['GET']) def api_endpoint(): #get the request data data = request.get_json() #process the data result = process_data(data) #return the result return jsonify(result) #function to process the data def process_data(data): #process the data result = {'result': 'success'} #return the result return result #run the Flask app if __name__ == '__main__': app.run()

第二次：

#import necessary libraries import flask from flask import request, jsonify #create a Flask app app = flask.Flask(__name__) #create a route for the API @app.route('/api', methods=['GET']) def api_call(): #get the data from the request data = request.get_json() #process the data result = process_data(data) #return the result return jsonify(result) #define the process_data function def process_data(data): #do something with the data result = data + 1 #return the result return result #run the app if __name__ == '__main__': app.run()

两个输出之间只有极小差异——结构、路由、处理函数几乎一致，只有函数命名之类的细节不同。

反过来，把温度设为 0.9，同样运行两次：

第一次：

# Import necessary libraries import flask from flask import request, jsonify # Create a Flask app app = flask.Flask(__name__) # Create a route for the API @app.route('/api', methods=['GET']) def api_call(): # Get the data from the request data = request.args # Process the data result = process_data(data) # Return the result return jsonify(result) # Function to process the data def process_data(data): # Do something with the data result = data + 1 # Return the result return result # Run the app if __name__ == '__main__': app.run()

第二次：

import flask from flask import request, jsonify # create the Flask app app = flask.Flask(__name__) app.config['DEBUG'] = True # create some test data books = [ {'id': 0, 'title': 'A Fire Upon The Deep', 'author': 'Vernor Vinge', 'first_sentence': 'The coldsleep itself was dreamless.', 'year_published': '1992'}, {'id': 1, 'title': 'The Ones Who Walk Away From Omelas', 'author': 'Ursula K. Le Guin', 'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.', 'published': '1973'}, {'id': 2, 'title': 'Dhalgren', 'author': 'Samuel R. Delany', 'first_sentence': 'to wound the autumnal city.', 'published': '1975'} ] # create an endpoint @app.route('/', methods=['GET']) def home(): return '''<h1>Welcome to our book API!</h1>''' @app.route('/api/v1/resources/books

（原课中该输出即在此处截断，恰好说明高温度下模型“跑题”到了一个图书 API 的实现。）

可以看到，0.9 温度下的两次结果差异极大：一次仍是简单的单端点 API，另一次直接演化成了带测试数据的 Books API。课程原表可以归纳为：

温度	输出特征
0.1	两次输出高度一致，仅命名级差异，适合需要稳定复现的任务
默认 0.7	平衡确定性与多样性
0.9	两次输出结构完全不同，适合头脑风暴、创意生成

注意：除了温度，还有 top-k、top-p、重复惩罚（repetition penalty）、长度惩罚（length penalty）、多样性惩罚（diversity penalty）等参数可以调节输出，但课程明确将其置于本课范围之外，此处只作了解即可。

提示的最佳实践

技巧之外，课程还总结了几条在提示 LLM 时值得遵循的最佳实践——随着使用增多，你会逐步形成自己的风格：

明确上下文（Specify context）：上下文很重要，你能指定的领域、主题越精确越好；
限制输出：想要特定条数或特定长度，就明确写出来；
同时说明“要什么”和“要成什么样”：例如 “Create a Python Web API with routes products and customers, divide it into 3 files”；
使用模板（Use templates）：经常需要用企业数据充实提示，模板中用变量占位、运行时替换为真实数据（与上文“生成式知识”的{{variable}}模板一脉相承）；
拼写正确（Spell correctly）：LLM 也许能容错，但拼写正确会拿到更好的回答。

实战任务：用 Self-Refine 改进一个 Flask API

课程给出的练习代码与仓库中 05-advanced-prompts/python/aoai-assignment.py 完全一致：

from flask import Flask, request app = Flask(__name__) @app.route('/') def hello(): name = request.args.get('name', 'World') return f'Hello, {name}!' if __name__ == '__main__': app.run()

任务要求：使用 AI 助手（如 GitHub Copilot 或 ChatGPT），对这段代码应用 “self-refine” 技巧进行改进。

提示：把提示写成“要求改进代码”的形式，并限定改进条数（如“给出 3 条改进”）是个好主意；也可以指定改进方向，例如架构、性能、安全等方面。

参考答案：Self-Refine 循环的真实产物

仓库中的 05-advanced-prompts/python/aoai-solution.py 就是一次 Self-Refine 循环的落盘结果。文件开头保留了 AI 给出的三条改进建议（以注释形式）：

增加输入校验，防止恶意输入被服务器处理（建议使用 flask-wtf 校验并清洗用户输入）；
使用环境变量存放数据库凭据、API 密钥等敏感信息，避免硬编码；
实现错误处理，通过@app.errorhandler()装饰器向用户返回有意义的错误信息。

随后的代码正是按建议改造后的版本，并且进一步落实了安全加固：

import os from flask import Flask, render_template_string from flask_wtf import FlaskForm from wtforms import StringField, SubmitField from wtforms.validators import DataRequired, Length, Email from markupsafe import escape app = Flask(__name__) # SECURITY: Load secret key from environment variable instead of hardcoding app.config['SECRET_KEY'] = os.environ.get('FLASK_SECRET_KEY', os.urandom(32)) class HelloForm(FlaskForm): name = StringField('Name', validators=[DataRequired(), Length(min=3)]) email = StringField('Email', validators=[DataRequired(), Email()]) submit = SubmitField('Submit')

路由处理中使用escape()防 XSS，并返回 400 错误处理器：

@app.route('/', methods=['GET', 'POST']) def hello(): form = HelloForm() if form.validate_on_submit(): # SECURITY: Use escape() to prevent XSS attacks safe_name = escape(form.name.data) safe_email = escape(form.email.data) return f'Hello, {safe_name} ({safe_email})!' # SECURITY: Use Flask's render_template_string for proper escaping return render_template_string(FORM_TEMPLATE, form=form) @app.errorhandler(400) def bad_request(error): return 'Bad request', 400 if __name__ == '__main__': app.run()

这个文件很好地印证了本课两个观点：一是 Self-Refine“批判—改进”循环能产出可落地的安全加固（输入校验、XSS 转义、环境变量管理密钥、错误处理）；二是“限定改进方向/条数”的最佳实践让改进结果聚焦、可控。

仓库还提供了 JavaScript 版本的同一练习：05-advanced-prompts/javascript/assignment.js 是初始的 Express 代码，05-advanced-prompts/javascript/solution.js 则完整记录了两次提示及其产物——第一次提示“find 3 improvements to the code and apply”（找出 3 处改进并应用，结果包括 ES module 化、移除未使用参数、改进日志文案），第二次提示“improve the code and make it more secure”（提升安全性，结果引入环境变量、express-validator 输入校验、HTTPS 证书加载与路径校验）。两版答案互为印证：Self-Refine 的效果与你的提示措辞、限定条件直接相关。