提示工程简介

对大型语言模型（LLM）进行基础生成调用，需要提供一段文本并接收一个回应。尽管这种方式直接，但输出的质量可能会大相径庭。模型的应答直接反映了它接收到的输入。这就是提示工程 (prompt engineering)的用武之地。

提示工程是一种实践，它通过设计和优化给LLM的输入，以获得更准确、相关和有用的输出。可以把LLM看作一个知识渊博、能力出众但又非常遵循字面意思的助手。如果你给出模糊的指令，你就会得到一个模糊或笼统的回答。如果你提供清晰、详细且结构良好的指令，你就能指引模型以高准确度完成特定任务。

设想一下为了相同目标，下面两个提示之间的区别：

模糊提示

“给我讲讲Python。”

LLM可能会回应一段关于Python编程语言的笼统的多段落历史，这可能并非你所求。

优化提示

“向一位有Java背景的程序员解释Python。主要说明语法和面向对象实现方面的三个重要差异。为每一点提供一个简短的代码片段。”

第二个提示更加有效，因为它提供了具体的限制和背景信息。它指引模型生成定制化、结构化且立即可用的回应。这就是提示工程 (prompt engineering)的精髓所在：从简单的提问转向精心构建的指令。

有效提示的构成

尽管提示可以很简单，但一个经过优化的提示通常包含几个不同的组成部分，它们共同指引模型。理解这些部分将帮助你构建自己的提示，以获得更优结果。

• 指令：清晰具体的命令，告知模型要做什么。这是主要任务，例如“总结”、“翻译”、“分类”或“编写代码”。
• 背景：模型准确执行指令所需的背景信息。这可能是一段要总结的文本、用于个性化回应的用户信息，或是技术文档。
• 输入数据：模型应该操作的具体数据。这通常与背景信息一同提供，例如你希望模型审查的代码片段。
• 输出格式：指定模型应如何构造其回应的指令。你可以要求输出为JSON对象、Markdown表格、编号列表或单个句子。

通过结合这些元素，你将获得对模型行为很大程度的控制。例如：

## 指令 ##
对以下客户评价的情感进行分类。

## 背景 ##
该用户是销售电子产品的电商平台的客户。

## 输入数据 ##
“笔记本电脑晚到了一天，但性能令人难以置信。我非常满意！”

## 输出格式 ##
返回一个JSON对象，包含两个键：“sentiment”（选项：“positive”、“negative”、“neutral”）和“confidence”（一个介于0.0和1.0之间的浮点数）。

这种结构化方法几乎没有模糊空间，并指引模型生成可预测、机器可读的输出。在本章中，我们将了解构建、管理和优化此类提示的工具和技术。我们将首先使用模板引擎创建动态提示，这些提示可以通过程序用变量填充，使其成为应用程序中可重用和可扩展的组成部分。