在AI技术飞速发展的当下，如何更高效地与大语言模型（LLM）沟通，以获取更准确、更有价值的输出，成为了一个备受关注的问题。谷歌最新发布的《Prompt Engineering》白皮书，为这一问题提供了极具价值的指导。本文将详细介绍白皮书中提出的10个提示词工程技巧，希望能帮到大家。

Google 今年发布了一份长达 65页 的白皮书，详细探讨了提示工程（Prompt Engineering），介绍了如何通过设计和优化提示词来引导AI大语言模型（LLM）生成准确的输出。

这篇论文提出了多种提示工程技术来解决大型语言模型的提示优化问题。在这里提取了10个具体的提示词技巧：

1. 零样本提示：提供任务的描述和一些文本，让LLM开始生成。这种方法适用于不需要创造性的任务。
2. 单样本和少样本提示：提供单个或多个示例，帮助模型理解任务并要求其模仿这些示例。示例的数量和质量对任务的复杂性有显著影响。
3. 系统提示：设置整体上下文和目的，定义模型的基本能力和主要任务。例如，要求模型返回JSON格式的输出。
4. 角色提示：为模型分配特定角色（如旅行指南），使其生成与角色一致的内容。
5. 上下文提示：提供与当前任务相关的具体细节或背景信息，帮助模型理解请求并生成相关响应。
6. 逐步回退提示：首先让LLM考虑一个与具体任务相关的通用问题，然后将答案反馈到后续的具体任务提示中，以激活相关的背景知识和推理过程。
7. 链式思维（CoT）提示：生成中间推理步骤，帮助LLM生成更准确的答案。这种方法适用于需要推理的任务。
8. 自一致性提示：通过生成多样的推理路径并选择最常见的答案来提高响应的准确性和一致性。
9. 树状思维（ToT）提示：允许LLM同时探索多个不同的推理路径，特别适用于复杂任务。
10. ReAct（reason & act）提示：结合推理和外部工具（如搜索、代码解释器）来解决问题，模拟人类在现实世界中的操作方式。

什么是提示工程？

提示工程是设计高质量输入指令（即“提示词”）的过程，用于引导大型语言模型（如Gemini、GPT等）生成更准确的输出。就像和人沟通一样，你提问的方式直接影响AI的回答质量。即使你不是程序员，也能通过优化提示词让AI更好地理解你的需求。

技巧

以下是提取的Prompt Engineering技巧、案例及适用场景：

1. 零样本提示（Zero-Shot）

技巧：直接给出任务，不提供示例。

例子：

提问：“将电影评论分类为积极、中性或消极。”

回答：“这部电影画面很美，但剧情拖沓。”

适用场景：简单任务（如分类、翻译）。

2. 单样本/少样本提示（One-Shot/Few-Shot）

技巧：提供1个（单样本）或多个（少样本）示例，引导模型模仿。

例子：

任务：解析披萨订单为JSON。

示例输入：“我要一个小披萨，加芝士、番茄酱和意大利辣香肠。”

示例输出：{“size”: “small”, “ingredients”: [“cheese”, “tomato sauce”, “pepperoni”]}

适用场景：需要特定输出格式或复杂模式的任务（如数据解析、代码生成）。

3. 系统提示（System Prompting）

技巧：设定模型的整体任务框架（如输出格式、安全限制）。

例子：

指令：“仅返回大写的情感标签。”

输入：“这部电影太糟糕了。”

输出：“NEGATIVE”

适用场景：需控制输出结构或安全性（如JSON生成、毒性过滤）。

4. 角色提示（Role Prompting）

技巧：为模型分配特定角色（如旅行指南、教师）。

例子：

指令：“扮演旅行指南，推荐阿姆斯特丹的3个博物馆。”

输出：列出梵高博物馆等景点。

适用场景：需要特定风格或专业知识的回答（如客服、教育）。

5. 上下文提示（Contextual Prompting）

技巧：提供任务相关的背景信息。

例子：

上下文：“你正在为复古游戏博客撰稿。”

请求：“建议3个文章主题。”

输出：80年代街机游戏设计演变等。

适用场景：需个性化或领域相关的输出（如内容创作）。

6. 退步提示（Step-Back Prompting）

技巧：先让模型回答抽象问题，再解决具体任务。

例子：

抽象问题：“FPS游戏中哪些设定能创造挑战性？”

具体任务：“基于‘废弃军事基地’设定写剧情。”

适用场景：复杂任务需激活背景知识（如游戏设计、学术研究）。

7. 思维链（Chain of Thought, CoT）

技巧：要求模型分步推理。

例子：

提问：“我3岁时伴侣年龄是我的3倍，现在20岁，伴侣几岁？”

模型分步计算年龄差后输出：“26岁。”

适用场景：数学问题、逻辑推理或需解释的任务。

8. 自我一致性（Self-Consistency）

技巧：多次生成答案并投票选择最常见结果。

例子：

多次提问分类邮件是否为重要，最终选择多数结果“IMPORTANT”。

适用场景：减少随机性，提高答案可靠性（如分类、评估）。

9. 思维树（Tree of Thoughts, ToT）

技巧：并行探索多条推理路径。

适用场景：需多角度分析的复杂问题（如策略规划、创意生成）。

10. ReAct（推理与行动）

技巧：结合推理和外部工具（如搜索API）。

例子：

任务：“Metallica乐队成员共有多少孩子？”

模型分步搜索每位成员信息并累加。

适用场景：需实时数据或交互的任务（如信息检索、代码执行）。