提示词工程,是指对提供给 AI 模型的输入进行设计和打磨,使其能针对特定任务给出更有用的回应。对新手来说,这通常意味着更清楚地说明你想要什么,补充相关背景,设定限制条件,并指定答案的格式。
它并不是某种神奇措辞。更好的提示词可以提升清晰度、相关性和结构性,但不能保证事实准确,也不能消除幻觉。应把提示词工程视为更大工作流程中的一项实用技能;这个流程可能还需要核查来源、检索数据、使用工具、专家审阅或人工判断。
什么是提示词工程?
提示词工程,是指对提供给 AI 模型的指令、背景、示例和输出要求进行组织和塑造。
提示词可以很简单,例如:
用五个要点总结这篇文章。也可以更具体:
为一位忙碌的产品经理总结下面这篇文章。重点关注客户痛点、用户提出的功能需求以及任何风险。使用三个部分:主要主题、文章中的证据、待确认问题。如果文章没有提供足够信息,请直接说明,不要猜测。第二个提示词的工程化程度更高,因为它界定了任务,明确了受众,设定了优先事项,并说明了期望的输出结构。
AWS 在其《提示词工程概念文档》中将提示词工程描述为一种通过任务框定、指令和示例来引导模型行为的方法。核心思想就在于:模型的回应在很大程度上取决于它接收到的输入。
为什么提示词工程很重要
很多令人失望的 AI 回应并不是因为模型无法完成任务,而是因为指令含糊。像“把这个改好一点”这样的提示词,会让模型自行猜测“更好”是什么意思。更短?更正式?更有说服力?更准确?更简洁?
提示词工程可以帮助你减少这种猜测。它有助于:
- 清晰度:模型能更准确地理解任务。
- 相关性:回应更可能聚焦于你关心的信息。
- 格式:输出更便于浏览、复制或复用。
- 一致性:类似任务可以遵循相同结构。
- 迭代:你可以检查哪里出了问题,并有针对性地修改提示词。
它的价值是实践性的,而不是理论性的。营销人员可能需要一份活动简报,学生可能需要一份学习指南,分析师可能需要从笔记中提取主题,产品经理可能需要总结取舍。每项任务都需要不同的提示词细节。
一个好的提示词应包含什么?
一个有用的提示词通常会包含以下要素中的若干项:
| 提示词要素 | 作用 | 示例 |
|---|---|---|
| 任务 | 告诉模型要做什么 | “总结客户反馈。” |
| 背景 | 提供模型所需的背景信息 | “这是某款预算管理应用试用用户的反馈。” |
| 受众 | 影响语气和细节程度 | “写给非技术背景的高管。” |
| 限制条件 | 设定边界 | “只使用所提供的信息。” |
| 示例 | 展示你想要的模式 | “将评论分类为 Bug、功能请求、价格或其他。” |
| 输出格式 | 让答案可用 | “返回一个表格,列包括主题、证据和优先级。” |
| 成功标准 | 定义一份好答案应当达成什么目标 | “突出可能影响转化的问题。” |
示例尤其有用,因为它们能让模型看到你想要什么样的回答。AWS的指南支持用示例来引导模型行为,但不应把示例视为模型总会正确回答的证明。
一个简单的提示词工程流程
初学者不需要复杂框架。可以使用这个六步流程:
- 从任务开始。你希望模型做什么:总结、分类、起草、比较、提取、改写,还是解释?
- 添加上下文。提供模型需要的信息,并说明这些信息代表什么。
- 设置约束。告诉模型应包含、排除、假设或避免什么。
- 指定输出。要求使用要点、表格、JSON、电子邮件草稿、核对清单或其他格式。
- 检查回答。查看是否缺少上下文、重点有误、存在无依据的说法,或格式不佳。
- 修改提示词。根据你观察到的具体问题来调整提示词。
关键是基于真实问题进行修改。不要只是为了让提示词显得高级而添加指令。只有当前一次输出不清晰、不完整、过于宽泛、过于啰嗦或不好使用时,才添加相应指令。
示例说明:把含糊的提示词改成有用的提示词
以下是示例说明,不是性能测试。示例输入、提示词修改和参考答案都是为展示流程而虚构的,并不是某个特定AI系统的实际输出。
场景
一位产品经理收到三条关于一款预算管理应用的客户反馈,希望为每周团队会议整理一份有用的摘要。
虚构输入
- 客户A:“我喜欢支出图表,但我不知道怎样连接我的第二个银行账户。”
- 客户B:“这个应用挺有帮助,但和其他预算管理工具相比,订阅价格感觉偏高。”
- 客户C:“我希望它能在我超过某个类别限额之前提醒我,而不是超过之后才提醒。”
含糊的提示词
总结这些反馈。为什么它不够好
这个任务是真实的,但提示词没有说明摘要面向谁、应支持什么决策、需要多详细,或哪种格式才有用。模型可能会生成一个泛泛而谈的段落,虽然技术上相关,但很难用于行动。
修改1:添加受众和目的
为正在准备每周优先级会议的产品团队,总结这些客户反馈。这样更好,因为模型现在知道这份摘要应当支持产品决策。
修改2:添加输出格式和类别
为正在准备每周优先级会议的产品团队,总结这些客户反馈。返回一个表格,列包括主题、证据、可能的产品影响和待确认问题。这样会让输出更容易浏览,并把摘要转化为决策辅助材料。
修改3:添加约束
请总结以下客户反馈,供正在准备每周优先级排序会议的产品团队使用。只使用已提供的反馈;不要编造用户数量、严重程度评分或业务影响。返回一个表格,列为“主题”“依据”“可能的产品影响”和“待确认问题”。每一行保持简洁。这个版本降低了回答夸大证据的可能性。它不能保证准确性,但给出了更清晰的边界。
最终提示词
请总结以下客户反馈,供正在准备每周优先级排序会议的产品团队使用。只使用已提供的反馈;不要编造用户数量、严重程度评分或业务影响。返回一个表格,列为“主题”“依据”“可能的产品影响”和“待确认问题”。每一行保持简洁。
反馈:
– 客户A:“我喜欢支出图表,但不知道怎么连接我的第二个银行账户。”
– 客户B:“这个应用很有用,但和其他预算工具相比,订阅价格感觉偏高。”
– 客户C:“我希望它能在我超出某个类别限额之前提醒我,而不是超出之后才提醒。”编辑参考答案,并非观察到的模型输出
| 主题 | 依据 | 可能的产品影响 | 待确认问题 |
|---|---|---|---|
| 账户连接困惑 | 客户A不知道如何连接第二个银行账户。 | 新手引导或账户关联流程可能需要更清晰的指引。 | 用户在连接流程的哪个环节卡住? |
| 价格顾虑 | 客户B表示,与其他工具相比,订阅价格感觉偏高。 | 可能需要审查定价页面、套餐组合或价值传达。 | 客户在拿哪些竞争产品作比较? |
| 主动预算提醒 | 客户C希望在超出类别限额之前收到提醒。 | 更早的通知可能提升用户对实用性的感知。 | 什么样的提醒时机既能让用户觉得有帮助,又不会觉得烦? |
边界情况
这个提示词可以整理这三条评论,但无法告诉团队这些问题有多普遍。如果产品团队需要根据出现频率、收入影响或流失风险来确定优先级,就需要更多数据。提示词工程可以格式化并解读已提供的反馈,但无法凭空创造并不存在的可靠证据。
新手应了解的提示词工程技巧
给模型一个具体任务
不要要求模型给出笼统回答,而要明确说明任务。
较弱:
帮我处理这份报告。更强:
找出这份报告中的三个主要风险,并解释每个风险为什么对财务高管重要。具体任务会缩小模型回答的范围。
添加模型应使用的上下文
如果模型需要背景信息,就提供给它。当任务取决于你的公司、项目、受众、文档或数据集时,这一点尤其重要。
例如:
这是一封发给现有客户的邮件草稿,内容是计划中的维护时段。请把它改写得清楚、简短,并让人安心。不要添加草稿中没有的细节。这个约束很重要,因为它告诉模型不要编造运营细节。
要求可用的格式
如果你需要表格,就要求表格。如果你需要一封简短邮件,就要求简短邮件。如果你需要结构化数据,就说明字段。
例如:
仅根据所提供的文本,返回一个表格,列包括问题、证据、建议的下一步和置信度。输出格式应当与你工作流程中的下一步相匹配。
在模式很重要时提供示例
当你希望模型遵循某种分类方式、语气或结构时,示例会很有帮助。
例如:
将每个支持工单分类为“账单”“登录”“功能请求”“Bug”或“其他”。
示例:“我这个月被扣了两次费”→“账单”。这类示例为模型提供了可遵循的模式。但它仍然不能证明分类一定总是正确,尤其是在工单含义不明确时。
区分事实、假设和问题
当准确性很重要时,可以要求模型区分哪些内容有直接依据,哪些内容属于推断。
例如:
将你的回答分为三个部分:文本中陈述的事实、合理假设,以及需要核实的问题。这种技巧可以让不确定性更明显。但它不能替代来源核查。
提示词工程与 RAG
检索增强生成通常称为 RAG,是一种相关模式:系统先检索相关信息,再将这些信息作为模型的依据性上下文。在这种工作流程中,提示词通常会把指令与检索到的文档或段落结合起来。
Microsoft 关于RAG 提示词工程的指南支持这一区分:RAG 提示词通常包含指令以及检索到的依据性上下文。这不同于简单的一次性提示;在后者中,用户只是向聊天机器人输入一个问题。
一个 RAG 风格的提示词可能会这样写:
仅使用下面检索到的政策摘录回答用户的问题。如果摘录中不包含答案,就说明所提供的上下文不足。当检索到的上下文是系统的一部分时,这种模式很有用。但它不应被视为适用于所有提示词的通用规则。如果没有检索步骤,也没有可信上下文,要求模型“使用上下文”并不会产生可靠的来源材料。
什么时候提示词工程还不够
当问题在于指令不清、缺少上下文或输出结构不好时,提示词工程最有效。如果问题在于缺少知识、来源材料不可靠,或任务需要核验,提示词工程的效果就会差得多。
请看这个现实中的失败案例:
“这家公司高级方案目前的退款规则是什么?”如果提示词中没有包含该公司的现行政策,模型可能会根据一般模式生成一个看似合理的答案。你可以通过要求模型不要猜测来改进提示词,但模型仍然需要可靠信息。更好的工作流程可能需要检索当前政策文件、链接到官方帮助页面,或让客服或法律审核人员核实答案。
同样的原则也适用于医疗、法律、金融、安全和合规相关任务。更好的提示词可以改善结构并增强谨慎性,但在高风险场景中,它们不应取代领域专业知识或人工监督。
给新手的实用决策规则
当问题属于以下情况之一时,先使用提示词工程:
- 回答过于宽泛。
- 语气不合适。
- 格式不好用。
- 模型漏掉了你本可以提供的重要上下文。
- 任务需要更清晰的约束或示例。
如果问题属于以下情况,则应考虑采用其他方法:
- 模型缺少必要信息。
- 答案必须经过事实核验。
- 任务依赖最新数据、专有数据或专业数据。
- 同样的事实错误反复出现。
- 输出内容会影响法律、医疗、财务、雇佣或安全相关决策。
在这些情况下,你可能需要检索、工具、更好的源数据、工作流调整、微调或人工审查。提示词工程仍然能提供帮助,但它不是完整的解决方案。
新手提示词模板
不知道如何开始时,可以使用这个模板:
我希望你[任务]。
背景:[背景信息、文档、受众、情境]。
仅使用:[模型应依据的来源或信息]。
约束:[需要避免的内容、长度、语气、假设、排除项]。
输出格式:[项目符号、表格、电子邮件、JSON、大纲、清单]。
成功标准:[一个好的答案应帮助我完成什么]。
如果信息缺失,请说明缺少什么,而不是猜测。示例:
我希望你总结下面的会议记录。
背景:这些记录来自一次关于入门引导问题的销售与产品会议。
仅使用:提供的会议记录。
约束:不要编造客户数量、收入影响或截止日期。
输出格式:一个表格,列包括主题、证据、负责人(如有提及)和后续问题。
成功标准:总结应帮助团队决定接下来要讨论什么。
如果信息缺失,请说明缺少什么,而不是猜测。这个模板之所以有效,是因为它会促使你明确任务、证据、限制以及答案的后续用途。你可以删除不适用的部分。
要点总结
提示词工程是一种实用方法,通过让指令更清晰、更贴合具体任务,帮助你获得更好的 AI 回应。好的提示词会告诉模型要做什么、使用什么上下文、遵守哪些约束,以及以什么格式返回结果。
当模型的回应含糊、格式不佳或面向了错误受众时,可以先从提示词工程入手。当任务需要缺失的知识、经核验的事实、专业数据或高风险判断时,就应超出提示词本身,采用其他方法。
