总觉得自己问AI的时候拿不到心仪的答案？

那你可以考虑学一下提示词的写法。

最近谷歌官方出了一个提示词的白皮书，内容很长，而且是全英文的。

我把核心的两大块内容提取出来(主要满足日常办公学习)，并用大白话讲一遍。

把这篇文章从头到尾看一遍，你能对大语言模型有初步的了解，并且学会基础的提示词写法。

废话不多说，现在就开始吧。

一、认识大型语言模型

大语言模型（LLM）就像一个学富五车但有时候会走神、需要你清晰引导的学生。它通过阅读海量的文字信息来学习，然后掌握词语之间的关系和模式。

LLM 的工作原理（猜词游戏）

你给LLM一句话作为开始（这就是输入），它就会根据自己学到的知识，预测接下来哪个词最可能出现在这里，然后把这个词写出来。

接着，它再根据前面所有已经写出来的文字，预测下一个最可能的词……就这样一个词一个词地“猜”下去，最终生成一段完整的文字（这就是输出）。

它猜得好不好，取决于它“学”得多不多，以及你的“指令”清不清晰。

提示词 (Prompt) 是什么

简单来说，提示词就是你给LLM的文字指令、问题或引导。

告诉LLM你想让它做什么，或者提供背景信息帮助它理解你的意图。

一个好的提示词就像是给那个“糊涂”学生的一份清晰的课堂任务单，让他知道目标是什么，需要怎么完成。

提示词工程有什么用

它是你掌控AI的关键！通过优化提示词，你可以让LLM更准确、更高效地完成各种任务，比如帮你写文章、做总结、翻译、编程、创意生成等等。

如果你给的提示词模棱两可或不够明确，LLM很可能会给你一个跑题、没用甚至奇奇怪怪的回答。

写出完美的提示词通常不是一步到位的，需要你像调教学生一样，不断尝试、修改、再尝试，这是一个持续优化的过程。

控制 LLM 的回答（简单设置）

LLM通常提供一些参数，可以调整它的输出风格。

1. 回答的长度: 可以限制输出的字数或段落数。
2. 回答的风格/变化（温度）:

• “温度”低: LLM会选择它认为最安全、最常见的词，回答倾向于保守、稳定，有点像教科书上的标准答案。
• “温度”高: LLM会更“大胆”，敢于尝试一些不那么常见但可能有创意的词，回答会更活泼、多样，但也可能出现意外或跑偏的内容。

还有一些其他参数（如Top-K, Top-P），它们也是用来调节LLM选择词语时的“冒险”程度，影响输出的多样性。理解它们是用来调整AI“个性”的就行。

二、核心提示词技巧

1.零样本/一个样本/多个样本提示

这是最基本、最常用的一类提示方式，用来教语言模型“怎么做一件事”。

它们的区别在于：你给模型多少个示例（例子）？

① 零样本提示（Zero-shot）

不给例子，直接下命令，适合模型已经很熟悉的问题、结构清晰的任务。

🧠 概念：

Zero = 0，意思是你不给任何例子，直接告诉模型：“请你做这件事”。

🔍 示例：

请判断这段评论的情绪： “这电影好得让我差点哭了。” 请只回答：正面 / 中性 / 负面

🧾 模型输出：正面✅

② 一个样本提示（one-shot）

给一个示例当“样本”，适合任务格式比较复杂，但不需要太多指导的场景。

🧠 概念：

你先给模型一个例子，让它模仿这种结构，继续做下一个。

🔍 示例：

示例： 评论：“我喜欢这个产品，很实用。” → 正面

请判断： 评论：“太难用了，用一次就删。” → ?

🧾 模型输出：负面✅

③ 多样本提示（Few-shot）

让模型学着做，适合你要教模型遵循某种结构、风格，或者让它学某种判断规则。

🧠 概念：

Few = 少量，一般 2~5 个例子，帮模型“理解任务逻辑”。

🔍 示例：

示例1： 评论：“这电影真棒！” → 正面

示例2： 评论：“一般般，没什么特别。” → 中性

示例3： 评论：“真是浪费时间。” → 负面

请判断： 评论：“剧情拖沓，演技也一般。” → ?

🧾 模型输出：负面 ✅

📊 三种提示对比

模式	是否提供例子	特点	适合场景
Zero-shot	❌ 不提供	快速、简洁，但可能偏差大	模型熟悉的通用任务
One-shot	✅ 一个例子	有点“提示作用”，提升格式匹配	简单的结构化输出、轻微引导
Few-shot	✅ 多个例子	学习能力更强，模仿格式和风格	判断、分类、文案模仿、摘要等任务

✅ 一句话总结：

Zero / One / Few-shot 提示的核心在于：“你给模型看多少范例，它就学多少套路。”

2.设定提示

语言模型就像一个“万能演员”——你告诉它演谁、做什么、在什么场景，它就能模仿得像模像样。

所以我们要通过三种提示方式来“导演”它：

① 角色提示

✅ 概念

告诉模型“你现在是某种身份”。 它会根据这个身份自动调整说话方式、语气和知识范围。

🧠 类比

就像你对朋友说：“你扮演老师教我这个题”，对方立刻语气变认真。模型也是一样。

📝 示例

你是一个旅游导游，我在阿姆斯特丹，我想看博物馆，请推荐三个景点。

💡 变体：加入风格

你是一个幽默风趣的旅游导游……

模型可能会调皮地说：

想看博物馆？那一定不能错过梵高的“画疯子展览”！走，一起穿越艺术时空～

② 系统提示

✅ 概念

告诉模型“你该怎么做”，比如：

• 输出格式要求
• 不要废话
• 使用什么语气

🧠 类比

像你点外卖时说：“放门口就行，不用敲门”。

📝 示例

请判断下面这条电影评论的情绪，只回复 POSITIVE / NEUTRAL / NEGATIVE，不要加其他内容。 评论：”Her 这部电影让我不安，但也很深刻。”

✅ 结果

NEGATIVE（消极）

为什么加“只回复标签”很重要？

否则模型可能会说：

这是一部引发思考的电影，情绪复杂……

这就不是我们要的结果了。

③ 上下文提示

✅ 概念

告诉模型“你现在是在什么背景下工作”，让它知道更多信息。

🧠 类比

比如你说：“还记得昨天我们讲到的项目吗？” → 这就是提供上下文，别人听了就不会误会你讲的是新话题。

📝 示例

背景：你正在写一篇关于80年代街机游戏的博客。请你推荐3个可以写的文章主题，并简单介绍每个主题内容。

✅ 结果

1. 街机机台设计演变史
   • 从木质机箱到未来感造型，游戏不仅是内容，也是视觉享受。
2. 像素艺术的前世今生
   • 讲述早期技术限制下的艺术创意，今天反而成为复古潮流。
3. 影响一代人的经典街机游戏
   • 盘点太空侵略者、吃豆人等不朽 IP 的诞生与影响力。

对比：三种提示方式比较

类型	像在告诉模型	用途	示例关键词
角色提示	“你现在是个医生/导游”	控制语气、专业度、回答角度	“你是……的专家”
系统提示	“你要用简洁格式回答”	限制回答内容，统一输出风格	“只返回……”、“请勿解释”
上下文提示	“你正在处理某个具体情境”	增加上下文理解，提升准确性	“背景是……”、“情境是……”

✅ 使用建议（组合套路）

你可以组合这些提示来打造更强的提示句：

你是一个经验丰富的数据分析师，当前在处理客户满意度调查。 请你以专业简洁的语气，总结下列调查结果的三个关键趋势，返回 Markdown 格式的项目符号列表。

3.后退一步提问

什么是Step-back Prompting？

Step-back 的意思是“先退一步想一想，再来动手”。

这个技巧的目标是：不要直接叫模型做事，而是先让它“思考方法”，然后再解决问题。

为什么要这样做？

很多时候，大语言模型（LLM）直接答题会答错； 但如果你先引导它“怎么思考、有哪些选项”，它就会更靠谱。

🧠 类比理解

你问一个实习生：“写一份产品介绍文案。” 结果他写得四不像。

但如果你换句话问：

“你觉得一个好产品文案要包含哪些要素？列出来，再试着写一份。”

他表现是不是会好很多？模型也是一样！

📌 示例 1：写游戏剧情（对比）

❌ 直接提示：

写一个第一人称射击游戏的新关卡剧情。

🧾 模型输出：

你被敌人围困在城市里，要打出一条血路，穿过废墟，干掉敌人… （很套路）

✅ Step-back 提示

Step 1：先问“常见的好关卡设定有哪些？”

请列举5种在第一人称射击游戏中常见且具有挑战性的关卡场景设定。

🧾 模型输出：

• 废弃军事基地
• 僵尸小镇
• 外星飞船
• 网络黑客城市
• 水下研究站

Step 2：再要求写剧情

现在请以“水下研究站”为背景，写一个新关卡剧情，用一段话描述。

🧾 模型输出：

你被派往一座废弃的深海实验室，那里弥漫着诡异电波和失踪科学家的回音……

📌 示例 2：写道歉信

❌ 直接提示

写一封道歉信，给因为发货延迟而不满的客户。

🧾 模型输出：

对不起，由于不可抗力导致延迟，我们深感歉意……

✅ Step-back 提示

写好一封道歉信，最重要的三个要素是什么？

🧾 模型输出：

• 说明问题发生的原因
• 表达真诚道歉
• 提供补偿或解决方案

好的，请你基于这三点，为客户写一封道歉信，保持语气真诚、语言简洁。

🧾 模型输出：

尊敬的客户，非常抱歉您近期的订单出现了延迟。此次延误是由于仓库系统更新导致的物流排队，我们对此深感抱歉…… （内容更真诚、针对性更强）

对比：Step-back 提示 vs 直接提示

模式	操作方式	优点	缺点
❌ 直接提示	一上来就“做这件事”	快，但容易答偏或敷衍	对复杂任务效果差
✅ Step-back 提示	先问思路/策略，再执行任务	更准确、结构更合理	多一步交互，略复杂

如何写一个 Step-back 提示？

你可以按照以下结构来写：

任务目标：你想让模型完成的事

Step 1：请你列出 [完成这类任务的关键要素/常见思路/适用结构]

Step 2：根据上述内容，请你完成这个任务。

🧪 示例模板

任务目标：写出一个AI产品的宣传句子

Step 1：请列出一个优秀AI产品文案应包含的3个特点

Step 2：结合这些特点，为产品“小云雀AI剪辑工具”写一句宣传文案

🧾 模型可能输出：

“小云雀AI，一句话生成爆款视频，创作像呼吸一样简单！”

✅ 总结一句话

Step-back Prompting = 先思考，再执行

让模型先当“策划”，再当“工人”，结果往往更靠谱。

4.逐步思考提示

什么是 Chain of Thought（CoT）？

Chain of Thought（简称 CoT）是一种提示技巧， 通过引导模型“一步一步地思考”，来提高逻辑推理和复杂问题的回答质量。

为什么要用 CoT？

大模型（LLM）在遇到逻辑问题、数学题、多步骤任务时，如果直接回答，很容易出错。 而如果你提示它“请一步一步来”，它就像学生解题一样，会先思考过程，再得出答案，正确率明显提升。

📖 类比理解

就像你做数学题，不是直接跳出答案， 而是写草稿：

• 第一步：已知……
• 第二步：我们可以推导出……
• 最后得出答案是……

模型也可以用这个方式“想事情”。

📌 示例 1：不用 CoT，模型答错了

问：我3岁时，我的伴侣是我年龄的3倍。现在我20岁。我的伴侣多大了？

🧾 模型直接输出：63岁

❌ 明显错了。

📌 示例 2：加入 CoT，模型答对了！

问：我3岁时，我的伴侣是我年龄的3倍。现在我20岁。我的伴侣多大了？ 请一步一步思考（Let’s think step by step）。

🧾 模型输出：

第一步：我3岁时，我的伴侣是 3 × 3 = 9 岁

第二步：现在我 20 岁，说明我比小时候大了 17 岁

第三步：我的伴侣也增加了 17 岁 → 9 + 17 = 26 岁

答案是：26 岁 ✅

📌 示例 3： One-shot CoT 提供范例

Q: 当我哥哥 2 岁时，我是他年龄的两倍。现在我 40 岁，我哥哥几岁？

A: 我哥哥 2 岁时，我是 4 岁。年龄差是 2 岁。我比他大。 现在我 40 岁，所以他是 38 岁。答案是 38。

Q: 我 3 岁时，我的伴侣是我年龄的3倍。现在我20岁，我的伴侣几岁？ 请一步步思考。

🧾 模型输出：

我3岁时，伴侣是 3 × 3 = 9 岁

年龄差是 6 岁 → 我比他小6岁

现在我 20 岁 → 伴侣是 20 + 6 = 26 岁

📌 示例 4：用于生成代码逻辑

产品名字是“小云雀AI”，请写一段产品介绍文案。 但请你先一步一步说明：一个成功的AI产品介绍需要包含哪些要素？

🧾 模型输出：

• 强调核心功能
• 用简单语言传达价值
• 有场景感或使用画面

基于以上： “小云雀AI，自动生成爆款短视频，一句话创作，灵感不再等待。”

对比： CoT vs 普通提示

类型	模型行为	优点	缺点
普通提示	直接输出答案	快速	容易出错，无法解释过程
CoT 提示	一步一步解释 + 输出结果	更准确、有过程可追溯	输出较长，消耗 token 更多

CoT 提示模板（推荐结构）

任务描述（如：请解决以下逻辑问题）

请一步一步思考，写出你的推理过程，然后再给出最终答案。

【问题内容】

🧪 示例模板应用

问题：一辆火车上午9点出发，以每小时60公里的速度行驶。它要到达240公里外的城市。 它几点到达？请一步一步思考。

🧾 模型输出：

1. 距离是240公里
2. 速度是60公里/小时
3. 时间 = 距离 ÷ 速度 = 240 ÷ 60 = 4小时
4. 出发时间是9点 → 到达时间是13点（下午1点）

✅ 一句话总结

CoT 提示 = “模型，请像人一样想事情”， 把思考过程写出来，最后再给答案，更靠谱。

5.自一致性提示

什么是 Self-Consistency？

Self-Consistency 是在 Chain of Thought（CoT）的基础上， 让模型用不同方式“多次思考”，然后从这些回答中选出最一致的那个作为最终答案。

为什么需要它？

即使使用 CoT，模型的回答也可能受温度参数等影响， 导致它每次“思考路径”不同，答案也不一样。

但如果你：

• 多问几次
• 对每次推理结果做统计
• 选择最常出现的答案

就能得到一个更可靠的结果。

📖 类比解释

你问一个问题，10个人各写一遍推理过程，如果有 7 个人都得出“答案是B”，那B很可能是对的。

模型也是一样，它就是你团队里的 10 个“脑子”。

🧪 应用流程

1. 同一个问题，提示模型用 CoT 思考
2. 用较高温度（如 0.8）采样 多次回答（例如 10 次）
3. 比较每个回答的最终结果
4. 选出出现频率最高的那个答案作为最终输出

📌 示例：邮件是否重要？

EMAIL 内容：

Hi, 我注意到你的网站用了 WordPress，一个非常棒的开源系统。 不过你联系表单有个小 bug，我加了截图，在输入名字时会弹出 JavaScript。 你也可以不修，挺有意思的。

Cheers, Harry the Hacker

请判断这封邮件是否属于“IMPORTANT” 或 “NOT IMPORTANT”， 请一步一步思考并解释为什么。

🧾 模型回答尝试（1）

1. 邮件提到了网站存在 XSS 漏洞
2. 存在安全隐患
3. 尽管语气轻松，但内容严重

结论：IMPORTANT（重要）

🧾 模型回答尝试（2）

1. 邮件语气幽默
2. 没有明确要求修复
3. 没有显著紧急性

结论：NOT IMPORTANT（不重要）

🧾 模型回答尝试（3）

1. 提到一个真实漏洞
2. 虽然不是正式报告，但影响不小
3. 建议尽快检查网站

结论：IMPORTANT（重要）

📊 分析结果

回答次数	输出
10次	7次判断为 IMPORTANT，3次判断为 NOT IMPORTANT

✅ 最终结果：选择“IMPORTANT”作为更可信答案

⚙️ 技术设置建议

参数	建议值
Temperature	0.7 – 1.0（鼓励多样性）
重复次数	至少 5～10 次
选择逻辑	统计最终结论，选出现频率最高者

🛠 提示模板推荐

请对下面的问题进行一步一步的逻辑分析，并给出最终结论。

问题：XXX

请重复此过程多次，并记录最终结论。选出最常见的那个作为最终答案。

✅ 一句话总结

Self-Consistency 就是：多次推理 + 多人投票 + 选最稳的那个答案

特别适合：

• 安全、法律、财务类任务
• 需要准确分类的业务系统
• 对错误容忍度低的AI场景

6.思维树提示

什么是 Tree of Thoughts（ToT）？

Tree of Thoughts（简称 ToT）是一种比 Chain of Thought 更强的推理方法。

它不只沿着一条线思考，而是像树枝一样，探索多条推理路径，然后比较、筛选最优结果。

ToT 和 CoT 的区别是什么？

提示方法	思维方式	举例
CoT	一条线想到底	A → B → C → 答案
ToT	多条路并行探索	A1 → B1 → 答案1

A2 → B2 → 答案2
A3 → B3 → 答案3

ToT 就像走迷宫时，不只走一条路，而是尝试多条路，然后选最短那条。

📖 类比说明

• CoT 就像你自己在纸上一步一步写推理
• ToT 就像你组了三支小队，分别从不同方向出发，最后比谁找到的答案最好

📌 示例：创作解谜游戏关卡

请设计一个解谜游戏的新关卡。 要求：玩家进入一个神秘场所，依靠线索一步步解开谜题。 输出方式：请列出多个构思方向，每个方向都有一个简单情节描述。

🧾 模型 ToT 输出（构建三个“树枝”）：

方向一：废弃图书馆

• 玩家进入荒废图书馆
• 必须解读书籍顺序和藏在书页中的符号
• 解开密码门，进入下一层

方向二：沉船遗迹

• 玩家在水下探险
• 收集海洋生物骨骼组成“星座图”
• 解锁隐藏舱室的古代信息

方向三：梦境空间

• 玩家在梦中穿梭场景
• 每个梦都有碎片式信息
• 最终拼成一段过去的真相

✅ 分析与选择

可以从多个维度来选出最优答案：

• 哪个最有创意？
• 哪个更容易实现？
• 哪个最适合游戏故事线？

例如：选择“废弃图书馆”作为主线，其他两个作为备选。

🧪 更进一步的 ToT 实践流程：

1. 提出任务或问题
2. 生成多个不同思路（分支）
3. 每条思路展开若干推理步骤
4. 比较所有路径得出的答案
5. 选择一个最佳输出结果

🛠 提示模板推荐

请为以下问题/任务设计多个解法思路，每个思路请详细展开1～2步的推理，并给出最终答案或建议。

问题：[在这里写任务内容]

🧾 示例应用：AI写广告脚本

问题：写一段30秒广告脚本，推广“智能健身镜”。

🧾 模型输出：

思路一：日常生活转变型

• 开头：加班后的疲惫
• 镜头切换：AI健身镜指导短时高效训练
• 结尾口号：你不再需要健身房，镜子就是教练

思路二：科技未来型

• 开头：科技冷色调未来城市
• 镜头：镜子自动识别体型、推荐训练方案
• 结尾：改变未来，从这面镜子开始

思路三：情感共鸣型

• 开头：父亲陪孩子练体能
• 镜头：健身镜记录进步，生成成长影集
• 结尾口号：AI见证你们一起变强

ToT 的优劣分析

优点	缺点
可以探索多个解法	消耗时间更长，推理更复杂
更适合创造性/策略类任务	需要结构化管理每个“思路分支”
结果更有比较与选择性	对新手提示设计要求稍高

✅ 一句话总结

Tree of Thoughts = 让模型同时尝试多个想法，然后挑最好的一个！

是多路径探索、多版本思考的进阶版提示技巧，适合复杂决策或创意任务。

7.先思考再行动提示

🧠 什么是 ReAct 提示技巧？

ReAct = Reason + Act

意思是：模型先“思考”，然后“采取行动”，再根据行动结果继续思考，形成一个思考-行动-观察-再思考的循环。

这是提示工程中迈向“智能代理”模型的关键技术之一。

🧭 它有什么用？

ReAct 特别适合：

• 需要调用工具或外部信息的任务（如搜索、数据库查询、API 调用）
• 多步、互动性强的问题解决过程
• 具备一定“探索”需求的复杂任务

🧠 类比理解

ReAct 就像你派一个 AI 助理去查资料。它会这样做：

1. 先思考：“我需要什么信息？”
2. 去 Google 搜索
3. 看看搜索结果
4. 再思考：“这些够不够？还要查什么？”
5. 重复这个过程，直到得出答案

🔁 典型 ReAct 流程结构

Thought → Action → Observation → Thought → Action → … → Final Answer

📌 示例任务：M乐队成员有几个孩子？

目标：让 AI 通过搜索工具找出答案，而不是自己“猜”。

🧾 提示输入（使用 LangChain 框架）：

任务：请告诉我 Metallica 乐队成员一共有多少个孩子。 你可以用搜索工具查询每个成员的情况。请一步步思考并逐步获取信息。

📟 ReAct 实际运行日志：

Thought: Metallica 有 4 个成员。

Action: 搜索 James Hetfield 有几个孩子

Observation: 3 个

Thought: James 有 3 个孩子，目前统计 3

Action: 搜索 Lars Ulrich 有几个孩子

Observation: 3 个

Thought: 现在总数是 6

Action: 搜索 Kirk Hammett 有几个孩子

Observation: 有两个儿子

Thought: 现在总数是 8

Action: 搜索 Robert Trujillo 有几个孩子

Observation: 2 个

Final Answer: 10 个孩子 ✅

⚙️ 技术实现建议

使用工具（以 Python + LangChain 为例）：

• LangChain 框架（处理 ReAct 循环）
• Google Search API（例如 serpapi）
• 模型：VertexAI、GPT、Claude 等均可接入

🧾 示例代码片段（以 VertexAI + serpapi）：

from langchain.agents import load_tools, initialize_agent, AgentType
from langchain.llms import VertexAI

llm = VertexAI(temperature=0.1)
tools = load_tools(["serpapi"], llm=llm)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
agent.run("How many kids do the band members of Metallica have?")

🛠 提示设计模板

你是一个能主动执行任务的智能助理。

你可以通过 [搜索/API/计算工具] 获取外部信息。

请遵循： Thought → Action → Observation → Thought … 直到得出答案。

问题：______

🔎 ReAct 的常见动作类型

动作 (Action)	描述	示例
Search	执行网络搜索	Google/SerpAPI
Lookup	查询数据库、表格、知识库	维基百科、公司文档
Code Execution	执行 Python 代码	计算、数据处理
API 调用	请求外部服务	天气API、产品价格API

📊 ReAct 优劣势分析

优点	缺点
能动态查信息，处理复杂任务	实现需要额外工具支持（如 API、LangChain）
提升任务可靠性与“代理能力”	响应速度更慢，消耗资源更多
思考-行动交替，接近人类工作方式	不适合一次性直接输出的简单任务

✅ 一句话总结

ReAct 提示是 LLM 通往“智能代理”的起点， 它让模型不只是回答，而是思考后采取行动，并根据结果再调整行为。

写在最后

提示词工程听起来高大上，但核心就是清晰地与AI沟通。

最重要的秘诀就是实践，多尝试、多修改，看不同的提示词会带来什么样的结果。

想用好 AI 还是尽快学英文吧。

我最近也准备用 AI 给自己安排学习计划了，如果学了之后有明显的提升，也会来分享方法的。

这次努力把英文都翻译成中文，但是有时候不用英文真的很奇怪，感觉很难解释到位。

而且英语才是 AI 的母语，有些词还是用英语写更贴切，而且识别准确度也更高，相信你要是平时没少看我的文章，应该也能发现这点。

本文主要是给初学者打基础用的，地基不牢，再往上搭什么都很容易倒，只是知其然，不知其所以然。

再往后基本就要学代码了，如果想要这个白皮书的英文原版，可以找我领。

今天就酱八，明天继续聊AI。