Prompt（提示词）

Prompt（提示词）是输入给大语言模型的自然语言指令与上下文，是人与模型交互的核心界面。提示词的措辞、结构与角色设计，直接决定模型输出的质量与可控程度。

Prompt 是模型推理的起点，其内容决定模型能「看见」什么。

• Prompt 字面意为「提示」，在 LLM 语境中泛指所有送入模型的文本输入
• 输入并非简单的搜索关键词，而是包含意图、约束和示例的结构化指令
• 模型依据提示词的条件概率分布生成输出，不改变模型权重
• 与微调（fine-tuning）不同，提示词是推理时（inference-time）的干预手段
• 提示词质量的高低，直接影响模型的准确率、一致性和安全性

现代 LLM API 将提示词拆分为三类角色消息，形成层次化对话结构。

• System（系统）：对话开始前设置模型整体行为、人格与约束，优先级最高，终端用户通常不可见
• User（用户）：代表人类一侧的实际输入，包含问题、指令或任务描述
• Assistant（助手）：模型生成的回复；在多轮对话或少样本提示中，可以预填示例回复
• 三类角色的组合构成对话历史（conversation history），是多轮交互和 Agent 的基础
• 不同厂商（OpenAI、Anthropic、Google 等）对角色字段命名稍有差异，但三层结构已成行业事实标准

围绕提示词设计发展出一系列行之有效的工程技术。

• 零样本提示（Zero-shot）：直接给出任务描述，不提供示例，依赖模型已有知识
• 少样本提示（Few-shot）：在提示词中嵌入若干输入-输出示例，引导模型仿照格式输出
• 思维链（Chain-of-Thought, CoT）：要求模型逐步推理，2022 年 Google Brain 团队（Wei et al.）证明可大幅提升推理任务准确率
• 角色扮演（Role prompting）：赋予模型特定角色身份，影响回答风格与知识侧重
• 格式约束：要求输出 JSON、Markdown、表格等特定结构，提升可解析性

提示词工程的演进与大语言模型能力的提升紧密相连。

• 2018–2019：BERT、GPT-2 兴起，研究者开始探索用文本模板做零样本任务转换
• 2020：OpenAI 发布 GPT-3 论文（Brown et al.），系统展示少样本提示能力，奠定提示工程理论基础
• 2022：Google Brain 发表 CoT 论文（Wei et al.）；InstructGPT 引入 RLHF，使模型更易被提示词引导；ChatGPT 上线使提示词走入大众视野
• 2023：「Prompt Engineer」作为岗位在企业广泛出现；Tree of Thoughts、Self-Consistency 等高级技术涌现；System Prompt 安全与注入攻击成为研究热点
• 2024–2025：推理模型（如 o1）兴起，简洁高层指令比详细步骤提示更有效；Prompt Caching 成为降低推理成本的工程重点

提示工程是围绕提示词设计、测试和优化的系统性方法论。

• 清晰度 ：指令须明确、无歧义，避免模型自行猜测意图
  - 上下文充分 ： 提供必要背景信息，让模型掌握任务所需知识
  -示例驱动：少样本示例应覆盖边界情况，而非只展示理想情形
  - 迭代测试： 通过系统性的 A/B 测试和评测基准衡量提示词效果
  -结构分离：将系统指令、用户输入与数据分别管理，降低提示词注入（Prompt Injection）风险

在自主 Agent 架构中，提示词承载了任务规划、工具调用和记忆管理的全部上下文。

• Agent 框架将目标、工具列表、历史步骤全部编码为提示词，交给模型决策
• System Prompt 定义 Agent 的能力边界与行为规范，是安全控制的第一道关卡
• 多智能体（Multi-Agent）场景下，不同 Agent 间以结构化消息传递上下文，本质仍是提示词拼接
• 上下文窗口限制了能放入提示词的信息量，促进了 RAG、记忆压缩等技术的出现
• 提示词质量在 Agent 中被显著放大：含糊的系统指令可能导致级联错误

提示词作为模型的唯一输入接口，也是主要的攻击面与失效点。

• 提示词注入（Prompt Injection）：恶意内容混入用户输入，试图覆盖系统指令
• 越狱（Jailbreak）：通过精心构造的提示词绕过模型安全护栏
• 幻觉放大：措辞不当的提示词可能诱导模型「自信地」生成错误信息
• 过拟合提示：针对特定模型版本调好的提示词，在模型更新后可能失效
• 缓解措施包括：输入验证、系统指令隔离、输出结构化校验以及护栏（Guardrails） 机制