2025年AI提示词工程的十大技巧

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

该论文提出了多种提示工程技术，用于解决大型语言模型的提示优化问题。下面为你提取 10 个具体的提示词技巧：

• 零样本提示：只需提供任务描述和一些文本，就能让 LLM 开始生成内容。此方法适用于对创造性要求不高的任务。
• 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进行模仿。示例的数量和质量对任务的复杂程度有显著影响。
• 系统提示：设置整体的上下文和目的，明确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。
• 角色提示：为模型分配特定角色，如旅行指南，使其生成与该角色相符的内容。
• 上下文提示：提供与当前任务相关的具体细节或背景信息，辅助模型理解请求并生成相关响应。
• 逐步回退提示：先让 LLM 思考一个与具体任务相关的通用问题，再将答案用于后续的具体任务提示，以激活相关的背景知识和推理过程。
• 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，适用于需要推理的任务。
• 自一致性提示：通过生成多样的推理路径，选择最常见的答案，提高响应的准确性和一致性。
• 树状思维（ToT）提示：允许 LLM 同时探索多个不同的推理路径，特别适合复杂任务。
• 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，旨在引导大型语言模型，如 Gemini、GPT 等，生成更准确的输出。这就如同与人交流，提问方式会直接影响 AI 的回答质量。即便你不是程序员，也能通过优化提示词，让 AI 更好地理解你的需求。

技巧

以下是提取的提示工程技巧、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的任务，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的任务，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输出的任务，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的情况，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，提高答案可靠性的任务，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。