谷歌《Prompt Engineering》白皮书中文翻译
什么是提示词工程
提示词工程（Prompt Engineering）是通过设计和优化输入文本（即”提示词”）来引导大语言模型（LLM）生成高质量输出的过程。它不是简单的”写问题”，而是一门系统化的技术——理解模型的工作原理，用结构化的方式与模型沟通，从而获得更准确、更可控的结果。
无论你使用 ChatGPT、Gemini、Claude 还是其他 LLM，提示词工程都是与 AI 高效协作的基础能力。
为什么需要学习提示词工程
同一个问题，不同的提问方式可能得到天差地别的回答：
- 模糊的提示 → 模糊的回答
- 结构化的提示 → 精准的回答
- 带有上下文的提示 → 贴合需求的回答
掌握提示词工程，意味着你能让 AI 更好地理解你的意图，减少反复修改的时间成本。
核心技巧一览
1. 零样本提示（Zero-shot Prompting）
不提供任何示例，直接给出任务指令。适用于模型已有足够知识的场景。
请将以下句子翻译成英文：今天天气真好。 |
2. 单样本 / 少样本提示（One-shot / Few-shot Prompting）
通过提供一个或多个示例，让模型理解你期望的输出格式和风格。
示例： |
这是最实用的技巧之一——当你需要模型按照特定格式输出时，给它看一个”样板”比长篇解释更有效。
3. 系统提示（System Prompting）
为模型设定全局角色和行为准则，影响整个对话的基调。
你是一位专业的技术文档翻译，擅长将英文技术文档翻译成通俗易懂的中文。请保持专业术语的准确性，同时确保行文流畅自然。 |
4. 角色提示（Role Prompting）
让模型扮演特定角色，以获得更专业的回答。
作为一名有10年经验的数据分析师，请分析以下销售数据并给出优化建议。 |
5. 上下文提示（Contextual Prompting）
为模型提供完成任务所需的背景信息。
背景：我们公司是一家面向大学生的在线教育平台，主要产品是编程课程。 |
6. 思维链提示（Chain of Thought, CoT）
引导模型逐步推理，而不是直接给出答案。特别适合数学、逻辑推理等需要多步思考的任务。
问题：一个商店有 15 个苹果，卖掉了 8 个，又进了 12 个，还剩多少？ |
在提示中加入”请一步一步思考”或”Let’s think step by step”，就能显著提升模型在复杂任务上的准确率。
7. 思维树（Tree of Thoughts, ToT）
思维链的进阶版——让模型探索多条推理路径，评估每条路径的可行性，最终选择最优解。适合需要多方案对比的决策场景。
8. ReAct（推理 + 行动）
将推理（Reasoning）与行动（Acting）结合。模型先思考需要什么信息，再调用工具获取，然后基于结果继续推理。这是 AI Agent 的核心工作模式。
输出参数配置
除了提示词本身，模型的输出参数也会影响结果：
| 参数 | 作用 | 建议 |
|---|---|---|
| Temperature | 控制输出的随机性 | 创意任务调高（0.7-1.0），精确任务调低（0-0.3） |
| Top-P | 核采样，控制词汇选择范围 | 通常设为 0.95 |
| Top-K | 限制每步可选的词汇数量 | 通常设为 40 |
| Max Tokens | 限制输出长度 | 根据需求设置 |
最佳实践
- 明确你的需求 — 模糊的指令得到模糊的结果。说清楚你想要什么格式、什么风格、什么范围。
- 提供上下文 — 背景信息越充分，回答越精准。
- 使用分隔符 — 用
---、"""、```等符号清晰分隔指令和内容。 - 给出示例 — 一个好示例胜过十句描述。
- 指定输出格式 — 明确要求 JSON、表格、列表等格式。
- 迭代优化 — 提示词很少一次成功，根据输出结果持续调整。
- 先简后繁 — 从简单提示开始，逐步增加复杂度。
适合谁阅读
| 人群 | 收获 |
|---|---|
| AI 初学者 | 理解如何与 AI 有效对话，提升日常使用效率 |
| 内容创作者 | 用 AI 辅助写作、翻译、创意生成 |
| 开发者 | 掌握 API 调用中的提示词设计，构建 AI 应用 |
| 产品经理 | 理解 AI 能力边界，更好地设计 AI 产品 |
| 研究人员 | 系统了解提示词工程的理论框架和前沿方法 |
文档预览
下载中文翻译版
本次提供多个版本的中文翻译，可根据个人偏好选择阅读。
原文来源: Google Cloud - What is Prompt Engineering
提示词工程是一个快速发展的领域，随着模型能力的提升，技巧也在不断演进。建议在实践中持续探索，找到最适合自己的提示词策略。
