提示工程基础

上篇文章我们分享了负责任的使用生成式 AI（https://mp.weixin.qq.com/s/IU5X3ZlzT_iHG0OI9LAs2A），今天继续分享：提示词工程基础。

老规矩，分享前我们回顾下所有要分享的内容：

课程总览（两大阶段，循序渐进）

第一阶段：生成式 AI 入门（1-21）

第二阶段：AI Agent 学习（设计模式到生产实践）

本模块将带你了解为生成式AI模型打造高效提示的核心原则和实用技巧，你向大语言模型（LLM）提交提示的方式，直接决定着获得回复的质量。一份精心设计的提示，往往能换来更出色的输出结果，那么，究竟什么是提示词工程？如何优化发送给LLM的输入内容？这些疑问将在本章及后续章节中逐一揭晓。

生成式AI能够响应用户需求生成全新内容（如文本、图像、音频、代码等）。其核心支撑是像OpenAI的GPT系列（“生成式预训练变换器”）这样的大语言模型，这些模型经过海量自然语言和代码训练。

如今用户可通过熟悉的方式（如聊天界面）与这些模型交互，无需技术背景。模型采用提示驱动机制:用户发送文本输入（提示），AI返回响应（补全）。通过多轮对话调整提示，用户可不断优化回复效果。

“提示”已成为生成式AI应用的核心_编程接口，用于指导模型行为并影响输出质量。“提示工程”这个新兴领域，专注于研究如何设计和优化提示词以获取高质量输出。

核心目标

本课程将深入探讨提示工程的定义、重要性以及设计高效提示的方法。你将掌握提示工程的核心原理和最佳实践，并通过互动性Jupyter Notebooks沙盒环境实践操作。

学习目标

1. 理解提示工程的概念与价值
2. 掌握提示的关键构成与应用方法
3. 学习提示工程的最佳实践技巧
4. 运用OpenAI接口实践所学技巧

核心术语

• 提示工程：设计并优化输入内容，引导AI生成目标输出的实践
• 分词（Tokenization）：将文本拆解为模型可处理的语义单元（token）的过程
• 指令微调LLM：通过特定指令训练优化，提升响应准确性的语言模型

实践沙盒

当前提示工程更像艺术而非精密科学。提升直觉的最佳方式是动手实践——通过迭代测试，结合领域知识与技巧优化模型输出。

本课程配备的Jupyter Notebook提供交互式沙盒环境，支持边学边练。运行前需准备：

1. Azure OpenAI API密钥——用于访问LLM服务
2. Python运行环境——执行Notebook代码
3. 本地环境变量——立即完成环境配置

Notebook内置基础练习，更建议你添加自定_Markdown_说明和_代码_模块，尝试更多案例以培养提示设计直觉。

学习导图

先通过视觉导图把握课程脉络：从理解核心概念与挑战，到应用提示工程技巧应对问题。注意导图中“进阶技巧”部分将在第5课详解。

实战项目场景

如何将本课知识融入我们“赋能教育AI创新”的创业项目？设想打造AI驱动的个性化学习应用时，不同用户如何设计提示：

• 管理员：用AI分析课程数据缺口
  → 生成报告并可视化
• 教师：为特定学生群体定制教案
  → 按格式生成个性化方案
• 学生：获取解题辅导
  → 根据水平提供定制案例

访问**教育提示库**，获取教育专家整理的开源提示模板！尝试在沙盒或OpenAI Playground中运行体验。

---

什么是提示工程？

我们将提示工程定义为：针对特定模型和应用目标，通过_设计优化_文本输入（提示），获取高质量、一致性响应（补全）的过程。包含两个关键阶段：

1. 为特定模型和目标_设计_初始提示
2. 通过迭代_优化_提升输出质量

该过程依赖用户直觉与持续调试。理解其重要性需先掌握三个基础概念：

• _分词_：模型如何解析提示
• _基础LLM_：模型如何处理提示
• _指令微调LLM_：模型如何理解任务

分词机制

LLM将提示视为_token序列_。不同模型对同一提示的分词方式不同，直接影响输出质量。推荐使用OpenAI分词器工具直观体验分词过程：

基础模型原理

提示被分词后，基础LLM的核心功能是预测序列中下一个token。模型通过海量文本训练掌握token间统计规律，从而进行概率预测。需注意：模型不理解语义，仅根据模式生成补全。

在Azure OpenAI Playground输入简单提示如“木星是…”，观察基础模型的补全结果：

指令微调模型

指令微调LLM在基础模型上，通过含明确指令的示例（如对话记录）进行优化。采用RLHF（人类反馈强化学习）技术，训练模型_遵循指令_并适配用户目标。

将系统提示改为：“请为二年级学生总结以下内容，用1段话+3-5个要点”。观察优化后的响应如何直接用于课堂教学：

---

为什么需要提示工程？

理解LLM处理机制后，提示工程的必要性凸显于三大挑战：

1. 输出随机性
   相同提示在不同模型/版本下输出差异显著。提示工程通过约束条件减少波动
2. 内容虚构风险
   模型可能生成不准确内容。提示工程可要求提供引用或推理过程
3. 模型能力差异
   新模型能力更强但成本更高。提示工程可实现跨模型无缝适配

虚构内容验证

我们使用“虚构内容”指代LLM生成错误信息的情况（避免拟人化术语“幻觉”）。通过虚构主题提示测试：

# 火星战争2076年课程计划
## 课程目标
- 分析战争起因与影响
...

测试不同模型输出结果（均虚构时间线与事件）：

模型平台	输出特征
OpenAI	生成八年级课程框架
Azure OpenAI	创建高中课程大纲
Hugging Face	输出详细战争描述

提示：通过_元提示_和_温度参数_等技术可降低虚构风险

---

提示构建方法

掌握基础后，我们来拆解提示的_构建逻辑_。

基础提示

仅发送文本无上下文。例如输入美国国歌首句，模型自动补全歌词：

提示	补全
“哦，你可看见…”	“这是美国国歌《星条旗》首句，完整歌词为…”

复杂提示

通过Chat Completion API构建多轮对话上下文：

response = openai.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[
        {"role": "system", "content": "你是有帮助的助手"},
        {"role": "user", "content": "2020年世界大赛冠军？"},
        {"role": "assistant", "content": "洛杉矶道奇队2020年夺冠"},
        {"role": "user", "content": "比赛在哪里举办？"} 
    ]
)

指令提示

通过文本明确任务要求：

指令类型	示例	输出特征
简单	“写段内战描述”	基础段落
进阶	“描述内战并列出关键日期”	段落+时间轴
结构化	“用JSON格式输出内战关键事件”	结构化数据

---

提示工程技巧

提升效果的核心方法：

提供示例

通过示例教会模型输出模式：

方法	提示示例	输出
零样本	“太阳在照耀”翻译成西语	“El Sol brilla”
单样本	“太阳在照耀”=>”El Sol brilla” “寒冷多风日”=>	“Día frío y ventoso”
少样本	球员跑垒=>棒球 打出Ace=>网球 击出六分=>板球 扣篮=>	篮球

提示词引导

提供开头片段引导输出方向：

木星是太阳系第五行星...
总结如下：
我们学到的三个重点：
1. 

模板化提示

创建可复用的提示配方：

1. 基础模板：OpenAI示例库
2. 动态模板：LangChain占位符模板
3. 领域专用：教育提示库

---

最佳实践

遵循黄金原则提升效果：

实践	说明	案例
选用最新模型	新模型能力更强但需评估成本	GPT-4 > GPT-3.5
区分指令与上下文	用分隔符明确各部分权重	用—分隔系统指令
指令具体化	明确长度/格式/风格要求	“生成3点JSON格式总结”
示例+讲解	先指令后示例效果更佳	零样本→少样本过渡
设置备选方案	降低虚构内容概率	“如无数据请返回：信息不足”

提示：效果因模型/任务而异，需持续迭代优化

---

企业案例：GitHub Copilot

GitHub Copilot的演进展示提示工程如何驱动产品迭代：

1. 2023年5月：提升代码理解能力
2. 2023年6月：编写更优提示指南
3. 2023年7月：超越Codex的新模型

---

知识巩固

Q：哪个提示更符合最佳实践？
A. 展示红色汽车图片
B. 展示沃尔沃XC90红色车型在悬崖边夕阳下的图片
C. 展示红色沃尔沃XC90图片

✅ 答案：B选项最佳，明确指定品牌+场景；C选项次之

✏️** 挑战**：
尝试补全提示：”展示红色沃尔沃”，观察模型补全效果并优化

---

下一步

掌握基础后，进入第5课学习：高级提示技巧！