原文出处：Creating Advanced prompts 原作者：Microsoft · 许可证：MIT License 中文译本由诸葛AI学院整理，仅供学习参考，版权归原作者与微软所有。

先把上一章的收获复习一下：

提示工程（prompt engineering）是这样一个过程：我们给出更有用的指令或上下文，从而引导模型给出更贴合需求的回复。

写提示词有两个环节：构造（constructing），也就是提供相关的上下文；以及优化（optimization），也就是一点一点把提示词改好。

到这一步，我们对怎么写提示词已经有了基本的理解，但还得往深里走。这一章，你会从"随便试几个提示词"走到"明白为什么这个提示词比那个好"。你会学到怎么按几种基本技巧来构造提示词，这些技巧用在任何大语言模型（Large Language Model，LLM）上都成立。

本章简介

这一章涵盖以下内容：

延伸你的提示工程知识，把不同的技巧用到你的提示词里。
配置提示词，改变输出的变化程度。

学习目标

学完本课，你将能够：

运用提示工程技巧，改善提示词的效果。
写出多样化或确定性（deterministic）的提示词。

提示工程

提示工程是编写提示词的过程，目的是得到你想要的结果。写一段文本提示词只是它的起步。它算不上一个工程学科，更像是一套技巧，你用上它们，就能得到想要的结果。

一个提示词的例子

拿这样一个基础提示词：

生成 10 个关于地理的问题。

这个提示词里，你其实用到了一组不同的提示技巧。

拆开来看：

上下文，你指定了内容要关于"地理"。
限制输出，你要的问题不超过 10 个。

简单提示的局限

你想要的结果，可能拿到，也可能拿不到。问题确实会生成出来，但地理是个很大的话题，你很可能得不到想要的东西，原因有两条：

话题太大，你不知道它会扯到国家、首都、河流还是别的什么。
格式，如果你希望问题按某种方式排版呢？

可见，编写提示词要考虑的东西很多。

到目前为止我们只看了一个简单的提示词例子。生成式 AI 能帮到的角色和行业远不止这些。接下来看几种基本技巧。

提示技巧

首先得明白，提示是大语言模型的一个涌现特性（emergent property）。它不是模型里预置的功能，而是我们在使用模型的过程中发现的行为。

提示大语言模型有几种基本技巧，逐个来看。

零样本提示（zero-shot prompting），最基础的提示形式。只给一个提示词，让模型仅凭训练数据给出回复。
少样本提示（few-shot prompting），给模型提供 1 个或更多示例，让它参照这些示例生成回复，从而为模型指明方向。
思维链（chain-of-thought），告诉模型怎么把一个问题拆解成若干步骤。
生成知识（generated knowledge），为了让提示词得到更好的回复，你可以在提示词里额外提供一些生成出来的事实或知识。
由少到多（least to most），和思维链类似，也是把问题拆成一系列步骤，然后要求模型按顺序把这些步骤执行完。
自我精炼（self-refine），对模型的输出提出批评，再要求它改进。
助产士式提示（maieutic prompting）。你要的是确保模型的答案正确，办法是让它把答案的各个部分解释清楚。这算自我精炼的一种形式。

零样本提示

这种提示风格很简单，就是一个提示词。你刚开始接触大语言模型时，用的多半就是它。举个例子：

提示词："什么是代数？"
回答："代数是数学的一个分支，研究数学符号以及操作这些符号的规则。"

少样本提示

这种提示风格在提出请求的同时附上几个例子，帮模型一把。它仍然是一个提示词，只是加上了与任务相关的数据。举个例子：

提示词："写一首莎士比亚风格的诗。下面是几首莎士比亚十四行诗的例子：第 18 首：'我能否把你比作夏日？你可是更加可爱，更加温婉……' 第 116 首： '两颗真心忠于的结合，我不能承认阻碍。爱并不是爱，如果它随变化而变化……' 第 132 首：'我爱你的眼睛，它们怜我受苦，明知你的心以傲慢折磨我……' 现在，写一首关于月亮之美的十四行诗。"
回答："月亮在天上柔柔地发光，银色的光洒下温婉的神采……"

示例给到了模型想要的上下文、格式或风格。它们帮模型理解具体任务，生成更准确、更贴切的回复。

思维链

思维链是很有意思的技巧，核心是带着模型走一串步骤。思路是：把提示词写成能让模型明白"这件事该怎么做"的形式。看下面这个例子，分别是有思维链和没有思维链的写法：

- 提示词："爱丽丝有 5 个苹果，扔掉 3 个，给鲍勃 2 个，鲍勃又还回 1 个，爱丽丝现在有几个苹果？"
- 回答：5

模型回答 5，这是错的。正确答案是 1 个苹果，算法是 (5 -3 -2 + 1 = 1)。

那怎么教会模型做对？

试试思维链。应用思维链的意思是：

给模型一个相似的例题。
展示计算过程，以及怎么算才对。
提供原始的提示词。

具体写法：

提示词："丽莎有 7 个苹果，扔掉 1 个，给巴特 4 个，巴特又还回 1 个： 7 -1 = 6 6 -4 = 2 2 +1 = 3 爱丽丝有 5 个苹果，扔掉 3 个，给鲍勃 2 个，鲍勃又还回 1 个，爱丽丝现在有几个苹果？" 回答：1

注意，加了例题、计算过程，再放上原始提示词，提示词写得长得多，最后得到了正确答案 1。

可见思维链是非常有力的技巧。

生成知识

很多时候你要构造的提示词得用自己公司的数据。提示词的一部分来自公司，另一部分是你要问的正题。

举个例子，如果你做保险业务，提示词可以长这样：

text {{company}}：{{company_name}} {{products}}： {{products_list}} 请根据以下预算和要求推荐一份保险：预算：{{budget}} 要求：{{requirements}}

上面是用模板来构造提示词。模板里有若干变量，写作 {{variable}}，它们会被替换成公司 API 提供的实际值。

变量被替换成你公司的内容之后，提示词可能长这样：

```text 保险公司：ACME Insurance 保险产品（每月费用）： - 车险，低价，500 美元 - 车险，高价，1100 美元 - 房产险，低价，600 美元 - 房产险，高价，1200 美元 - 人寿险，低价，100 美元

请根据以下预算和要求推荐一份保险：预算：1000 美元要求：车险、房产险和人寿险 ```

把这个提示词交给大语言模型，会得到这样的回复：

output 根据预算和要求，我们推荐 ACME Insurance 的以下保险组合： - 车险，低价，500 美元 - 房产险，低价，600 美元 - 人寿险，低价，100 美元总费用：1,200 美元

可以看到，它把人寿险也推荐了，这不该出现。这个结果表明提示词还需要优化，要改得更明白：哪些条件是允许的。经过多轮尝试，我们得到下面这个提示词：

```text 保险公司：ACME Insurance 保险产品（每月费用）： - 类型：车险，低价，费用：500 美元 - 类型：车险，高价，费用：1100 美元 - 类型：房产险，低价，费用：600 美元 - 类型：房产险，高价，费用：1200 美元 - 类型：人寿险，低价，费用：100 美元

请根据以下预算和要求推荐一份保险：预算：1000 美元，类型只限：车险、房产险 ```

注意，加上"类型"和"费用"这些字段名，再用 restrict（限定）这个关键词，模型就更能明白我们要什么。

现在得到的回复是：

output 根据预算和要求，我们推荐车险的低价产品，每月费用 500 美元。

这个例子想说明的是：即使用的是 生成知识 这类基础技巧，多数情况下你还是得优化提示词，才能拿到想要的结果。

由少到多

由少到多提示的思路，是把大问题拆成若干子问题。这样做，等于在指导模型怎么去"攻克"那个大问题。数据科学是个合适的场景，你可以让模型把问题分步拆开，比如：

提示词：用 5 个步骤完成数据科学工作，该怎么做？

你的 AI 助手会回答：

收集数据
清洗数据
分析数据
绘制数据图表
呈现数据

自我精炼，批评结果

面对生成式 AI 和大语言模型，你不能直接相信它们的输出，得验证。毕竟模型只是把它认为下一个最可能说的话摆给你，并没有管那对不对。所以，让模型批评自己是个有用的做法，这就引出了自我精炼技巧。

它的流程是：

初始提示词，要求模型解决一个问题
模型作答
你批评这个答案，要求 AI 改进
模型再次作答，这一次它会把批评考虑进去，给出它想到的解决办法

这个过程你想重复多少遍都可以。

下面是用这个技巧的例子：

提示词："创建一个 Python Web API，包含 products 和 customers 两个路由"

AI 的回答：

```python import flask app = Flask(name)

@app.route('/products') def products(): return 'Products'

@app.route('/customers') def customers(): return 'Customers' ```

提示词：针对上面的代码提出 3 点改进建议

AI 的回答：

```text 好的，这里有三条改进代码的建议：

导入正确的模块：第一行应该导入 Flask 而不是 flask。正确的导入语句是 from flask import Flask。

添加 main 函数：在文件末尾加一个 if name == 'main': 代码块，让程序在被执行时启动应用。

使用 f-字符串：用 f-字符串来格式化路由函数里的 return 语句。例如，return 'Products' 可以改成 return f'This is the {request.path} page'。 ```

```python from flask import Flask, request

app = Flask(name)

@app.route('/products') def products(): return f'This is the {request.path} page'

@app.route('/customers') def customers(): return f'This is the {request.path} page'

if name == 'main': app.run() ```

可以看到，因为对第一个答案做了批评，AI 上面对最初那版代码做了改进。

助产士式提示

助产士式提示和自我精炼相似，但它的重点不是改进，而是让模型解释自己。目的是减少模型输出里的前后矛盾，确保最后得到正确答案。要走的流程是：

让模型回答一个问题
对答案的每一部分，让模型更深入地解释。
如果出现不一致，把不一致的部分丢弃。

重复第 2 步和第 3 步，直到每一部分都过完，你对答案满意为止。

下面是一个提示词的例子：

提示词：我该怎么分 5 步制定一份疫情危机预案？ LLM 回答：

text 1. 识别风险 1. 识别利益相关方 1. 识别资源 1. 识别行动 1. 识别沟通渠道

它给出了 5 步，可我们怎么知道这对不对？让模型把每一步解释一遍：

提示词：详细解释第一步，疫情情况下的风险具体有哪些？

```text 风险有下面这些：

失去生命
失去业务
失去声誉
失去客户
失去员工 ```

到这一步，我们要确认模型说的是对的，于是让它把第一个风险再解释细一点，期望它和上面的答案一致：

提示词：在疫情期间，最大的风险是什么，为什么？

text 最大的风险是失去生命，因为它是最需要保护的东西。

疫情期间最大的两个风险是什么？

text 最大的两个风险是失去生命和失去业务。

到这里，模型的答案是一致的，它把"生命"和"业务"列为头两个风险。我们可以放心往下一步走。不过，不能盲目信任模型，输出始终要验证。

让输出多样化

大语言模型天生是非确定性的（nondeterministic），同一个提示词每次运行，结果都不一样。拿下面这个提示词试试：

"生成一个 Python Web API 的代码"

```python

导入必要的模块

import flask from flask import request, jsonify

创建 Flask 应用

app = flask.Flask(name)

为 API 创建一个路由

@app.route('/api', methods=['GET']) def api(): # 从请求中获取数据 data = request.args

# 处理数据
result = process_data(data)

# 以 JSON 形式返回结果
return jsonify(result)

处理数据的函数

def process_data(data): # 对数据做一些处理 result = data + 1

# 返回结果
return result

运行应用

if name == 'main': app.run()

```

把同一个提示词再跑一遍，生成的回复略有不同：

```python

导入必要的包

import flask from flask import request, jsonify

创建 Flask 应用

app = flask.Flask(name) app.config["DEBUG"] = True

创建一个图书列表

books = [ {'id': 0, 'title': 'A Fire Upon the Deep', 'author': 'Vernor Vinge', 'first_sentence': 'The coldsleep itself was dreamless.', 'year_published': '1992'}, {'id': 1, 'title': 'The Ones Who Walk Away From Omelas', 'author': 'Ursula K. Le Guin', 'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.', 'published': '1973'}, {'id': 2, 'title': 'Dhalgren', 'author': 'Samuel R. Delany', 'first_sentence': 'to wound the autumnal city.', 'published': '1975'} ]

为 API 创建一个端点

@app.route('/', methods=['GET']) def home(): return '''

Books API

A prototype API for retrieving books.

'''

创建一个端点，返回全部图书

@app.route('/api/v1/resources/books/all', methods=['GET']) def api_all(): return jsonify(books)

创建一个端点，返回单本图书

@app.route('/api/v1/resources/books', methods=['GET']) def api_id(): # 检查 URL 里是否带了 ID # 带了 ID，就把它赋给一个变量 # 没带 ID，就显示一个错误 if 'id' in request.args: id = int(request.args['id']) else: return "Error: No id field provided. Please specify an id."

# 创建一个空列表存放结果
results = []

# 遍历数据，匹配出请求的 ID
# ID 是唯一的，但其他字段可能匹配出很多条
for book in books:
    if book['id'] == id:
        results.append(book)

# 用 Flask 的 jsonify 函数，把我们的
# Python 字典列表转成 JSON 格式
return jsonify(results)

app.run() ```

那么，输出不一致是个问题吗？

要看你想做什么。你要的是一个确切的回复，那它就是问题。你接受变化的输出，比如"生成任意 3 个关于地理的问题"，那就不是问题。

用温度控制输出的变化

好，我们决定要限制输出，让它更可预测，也就是更确定。怎么做到？

温度（temperature）是 0 到 1 之间的一个值。0 表示最确定，1 表示最多样。默认值是 0.7。看看把温度设成 0.1 时，同一个提示词跑两次的结果：

"生成一个 Python Web API 的代码"

```python

导入必要的库

import flask from flask import request, jsonify

创建 Flask 类的实例

app = flask.Flask(name)

为 API 创建一个端点

@app.route('/api/v1/endpoint', methods=['GET']) def api_endpoint(): # 获取请求数据 data = request.get_json()

# 处理数据
result = process_data(data)

# 返回结果
return jsonify(result)

处理数据的函数

def process_data(data): # 处理数据 result = {'result': 'success'}

# 返回结果
return result

运行 Flask 应用

if name == 'main': app.run()

```

再跑一次这个提示词，得到的是：

```python

导入必要的库

import flask from flask import request, jsonify

创建 Flask 应用

app = flask.Flask(name)

为 API 创建一个路由

@app.route('/api', methods=['GET']) def api_call(): # 从请求中获取数据 data = request.get_json()

# 处理数据
result = process_data(data)

# 返回结果
return jsonify(result)

定义 process_data 函数

def process_data(data): # 对数据做一些处理 result = data + 1

# 返回结果
return result

运行应用

if name == 'main': app.run()

```

这两份输出之间只差一点点。这次反过来，把温度设成 0.9：

```python

导入必要的库

import flask from flask import request, jsonify

创建 Flask 应用

app = flask.Flask(name)

为 API 创建一个路由

@app.route('/api', methods=['GET']) def api_call(): # 从请求中获取数据 data = request.args

# 处理数据
result = process_data(data)

# 返回结果
return jsonify(result)

处理数据的函数

def process_data(data): # 对数据做一些处理 result = data + 1

# 返回结果
return result

运行应用

if name == 'main': app.run()

```

温度取 0.9 的第二次尝试：

```python import flask from flask import request, jsonify

创建 Flask 应用

app = flask.Flask(name) app.config['DEBUG'] = True

创建一些测试数据

books = [ {'id': 0, 'title': 'A Fire Upon The Deep', 'author': 'Vernor Vinge', 'first_sentence': 'The coldsleep itself was dreamless.', 'year_published': '1992'}, {'id': 1, 'title': 'The Ones Who Walk Away From Omelas', 'author': 'Ursula K. Le Guin', 'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.', 'published': '1973'}, {'id': 2, 'title': 'Dhalgren', 'author': 'Samuel R. Delany', 'first_sentence': 'to wound the autumnal city.', 'published': '1975'} ]

创建一个端点

@app.route('/', methods=['GET']) def home(): return '''

Welcome to our book API!

'''

@app.route('/api/v1/resources/books

```

可以看到，结果的差异大得不能再大了。

另外，还有一些参数可以改用来调整输出，比如 top-k、top-p、重复惩罚（repetition penalty）、长度惩罚（length penalty）、多样性惩罚（diversity penalty）。这些超出了本课程的范围。

最佳实践

能帮你拿到想要的结果的做法很多。提示词写得多了，你会形成自己的风格。

除了已经讲过的技巧，提示大语言模型时还有一些值得考虑的好做法：

指定上下文。上下文很重要，你能指定得多细就多细，领域、话题等等，越具体越好。
限制输出。你要固定数量的条目或固定长度，就明确写出来。
同时说明要什么和怎么要。记住，既要讲清楚你要什么，也要讲清楚你要的方式，例如"创建一个 Python Web API，包含 products 和 customers 两个路由，分成 3 个文件"。
使用模板。你常常需要拿公司的数据来补充提示词，用模板来做这件事。模板里可以有变量，你替换成真实数据即可。
拼写正确。模型可能给你正确的回复，但你拼写正确的话，回复会更好。

作业

下面是 Python 代码，演示怎么用 Flask 构建一个简单的 API：

```python from flask import Flask, request

app = Flask(name)

@app.route('/') def hello(): name = request.args.get('name', 'World') return f'Hello, {name}!'

if name == 'main': app.run() ```

用一个 AI 助手，比如 GitHub Copilot 或 ChatGPT，对它应用"自我精炼"技巧来改进这段代码。

解答

请给这段代码加上合适的提示词，自己完成作业。

[!TIP] 组织提示词让模型做改进时，限制改进的数量是个好主意。你也可以指定改进的方向，比如架构、性能、安全性等。

解答代码

知识检查

我为什么要用思维链提示？给我一个正确答案，两个错误答案。

为了教模型怎么解决问题。
B，为了教模型在代码里找错误。
C，为了让模型想出不同的解决方案。

A：1。因为思维链做的事，就是给模型提供一串步骤、类似的题目以及它们是怎么被解决的，从而示范这道题该怎么解。

挑战

作业里你正好用到了自我精炼技巧。挑一个你写过程序，想想你想给它做哪些改进。然后用自我精炼技巧把这些改动提出来。你觉得结果更好，还是更差？

很棒！继续学习

学完本课，可以去生成式 AI 学习合集看看，把生成式 AI 的知识接着往深里学。

接着去第 6 课，用提示工程的知识构建文本生成应用。

编写进阶提示词

本章简介

学习目标

提示工程

一个提示词的例子

简单提示的局限

提示技巧

零样本提示

少样本提示

思维链

生成知识

由少到多

自我精炼，批评结果

助产士式提示

让输出多样化

导入必要的模块

创建 Flask 应用

为 API 创建一个路由

处理数据的函数

运行应用

导入必要的包

创建 Flask 应用

创建一个图书列表

为 API 创建一个端点

Books API

创建一个端点，返回全部图书

创建一个端点，返回单本图书

用温度控制输出的变化

导入必要的库

创建 Flask 类的实例

为 API 创建一个端点

处理数据的函数

运行 Flask 应用

导入必要的库

创建 Flask 应用

为 API 创建一个路由

定义 process_data 函数

运行应用

导入必要的库

创建 Flask 应用

为 API 创建一个路由

处理数据的函数

运行应用

创建 Flask 应用

创建一些测试数据

创建一个端点

Welcome to our book API!

最佳实践

作业

解答

知识检查

挑战

很棒！继续学习