高级提示词工程：常用技巧与输出控制

概念定位

原文把提示词工程定义为：通过提供更有用的指令或上下文，引导模型给出更相关的回答。它包含两步：构建提示词（补充相关上下文）和优化（逐步改进提示词）。原文也强调，提示词工程更像一组可套用的技巧，而非严格意义上的工程学科。

基本技巧

• 零样本（zero-shot）：只给一个提示，完全依赖模型训练数据作答。
• 少样本（few-shot）：在提示中附上 1 个或多个示例，让模型把握任务的上下文、格式或风格。
• 思维链（chain-of-thought）：先给出一个类似示例及其计算步骤，再提出原问题。原文的苹果计数例子显示，不展示步骤时模型给出错误答案 5，展示逐步计算后得到正确答案 1。
• 生成知识（generated knowledge）：用模板把公司数据填入 {{变量}}，再拼接实际问题。原文保险产品的例子说明，即使采用这种基础技巧，也常需反复试错优化：补充 type、cost 字段并加入 restrict 限定后，模型才按预算和需求给出符合要求的建议。
• 由少到多（least-to-most）：把大问题拆成子问题，例如让模型把“如何用 5 步做数据科学”拆成收集、清洗、分析、绘图、展示数据。
• 自我精炼（self-refine）：先让模型作答，再让它批评并提出改进，然后让模型根据批评重新作答，可重复多轮。
• 助产式提问（maieutic prompting）：要求模型逐部分解释答案，丢弃前后不一致的部分，循环追问直到答案自洽。原文同时提醒，不能盲目信任模型输出，仍需自行核实。

输出多样性控制

LLM 本质上是非确定性的，同一提示多次运行结果会不同。温度取值在 0 到 1 之间：0 最确定，1 最多样；原文称默认值为 0.7。原文用同一“生成 Python Web API 代码”的提示对比不同温度下的输出，说明低温度结果差异较小，高温度结果差异较大。原文还提到 top-k、top-p、重复惩罚等参数，但明确不在该课程范围内。

实践建议

原文列出：明确上下文（领域、主题等）；限定输出数量或长度；同时说明“要什么”和“怎么做”；用模板注入企业数据；注意拼写正确。