核心要点

  • 提示工程＝设计模型输入，以引导 LLM 输出更准确、更可控的结果。

  • 常见手段：清晰指令、给示例（Few-shot）、指定输出格式、引导思维链（CoT）。

  • 重要性：无需改动模型权重、零训练成本，就能大幅提升输出质量与稳定性。

标准回答

什么是提示工程

提示工程（Prompt Engineering）是指通过精心设计输入给大模型的提示词（Prompt），来引导模型产出更符合预期的输出。由于 LLM 具备 In-Context Learning 能力，它会根据上下文「现学现用」，因此输入的写法会直接影响结果质量。

常见技巧

  • 清晰指令：明确说明任务、角色、约束。可用 System Prompt 设定整体角色与规则。
  • Few-shot 示例：在提示中给几个输入-输出范例，让模型照葫芦画瓢。
  • 指定输出格式：要求输出 JSON、表格或固定结构，便于程序解析。
  • 思维链（CoT）：加上「请一步步思考」，让模型先推理再给答案，提升复杂推理任务的准确率。

更多实战技巧见 Prompt Engineering 最佳实践 与 高级 Prompt 工程技术。

为什么重要

  • 零训练成本：不需要微调或重新训练模型，改提示词即可见效。
  • 效果差距大：同一个模型、同一个任务，好提示词与差提示词的准确率可能相差数十个百分点。
  • 可控性：通过格式约束、角色设定等降低输出的不确定性，更适合接入生产系统。

常见误区

⚠️ 常见踩坑

提示工程不是「念咒语」，加一句「你是专家」并不总能提升效果。真正有效的是清晰的任务描述、贴切的示例和明确的输出约束；同时提示工程也无法让模型获得它本就没有的知识。

追问

追问 1：Zero-shot、Few-shot 有什么区别？

Zero-shot 是不给任何示例，直接靠指令让模型完成任务；Few-shot 是在提示中提供少量输入-输出示例。Few-shot 通常在格式要求严格或任务较复杂时表现更好，但会占用更多上下文 Token。

追问 2：什么场景下应该选微调而不是提示工程？

当任务有大量标注数据、需要稳定一致的风格或格式、提示词已难以进一步提升效果，或希望降低每次推理的 Token 成本时，可考虑微调（如 LoRA）。提示工程则适合快速迭代、数据少、需求多变的场景，二者也可结合使用。

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

🎯 相关面试题