?
什么是提示語工程？一個讓AI“聽話”的秘密
如果你曾經嘗試過用ChatGPT或者其他大語言模型完成任務，那么你一定遇到過這樣的情況：明明你的問題是清晰的，但答案卻離題萬里；或者你認為自己提供的信息足夠詳盡，可結果還是不理想。問題出在哪？很多時候并不是因為AI不夠聰明，而是因為你沒有使用“提示語工程”。
提示語工程（Prompt Engineering），顧名思義，就是將人類的需求轉化為能夠被AI理解并正確執行的形式。這不僅僅是簡單的提問或指令，而是一門藝術、一種策略——就像給一臺機器設定參數，使其運行邏輯更加貼近我們的實際需求。
舉個例子，假設你想讓AI幫忙寫一封感謝信。普通提示可能只是：“寫一封感謝信。” 但經過提示語工程處理后，你可以這樣表達：
“請幫我寫一封誠懇的感謝信，對象是我的團隊成員。在信中提到他們最近加班趕項目的努力，并肯定他們在團隊合作中的表現。”
前者模糊且缺乏細節，AI只能生成一段通用的文字。后者則包含明確目標、具體場景以及情感傾向，最終生成的內容會更貼合你的要求。
傳統提示語 vs. 現代提示語工程：一場對話方式的變革
回到我們熟悉的日常生活，其實每個人每天都在進行某種意義上的“提示”。比如對朋友說：“快點起床！” 或者對孩子說：“把作業做完再玩。” 這些都是最基礎的人類交流形式——簡潔、直接、無需過多修飾。
但在今天這個AI時代，僅靠這種傳統的表達方式已經遠遠不夠了。為什么呢？讓我們先看看兩者的區別：
1. 輸入復雜度
-
傳統提示語：通常單一化，以短句為主。
例如：“告訴我天氣。”
這類提示適合解決非常簡單的問題，但對于復雜的任務往往效果有限。 -
提示語工程：強調深度構造，需要更多的背景描述和上下文支撐。
例如：“我計劃明天去北京出差，請告訴我未來三天北京的天氣預報，并建議是否需要帶傘或外套。”
顯然，后者的回答不僅包括天氣信息，還會根據濕度和溫度分析出行建議，實用性大幅提升。
2. 精確性與靈活性
-
傳統提示語：由于信息量少，容易造成歧義。
例如：“列出五個菜的名字。”
這句話可以指向任何類型的菜肴，比如家常菜、西餐、甜品等。 -
提示語工程：重視定義邊界，減少誤解。
例如：“列舉五道經典的中式火鍋菜品，并附上食材清單。”
這里，“中式火鍋”是一個關鍵限定詞，既明確了范圍也增加了專業性。
3. 結果可控性
-
傳統提示語：難以掌控質量，有時甚至連基本語法都可能出現問題。
比如問：“解釋一下量子力學。” AI可能給出連物理學家都不太滿意的大段術語堆砌。 -
提示語工程：通過結構化約束提升結果的穩定性和一致性。
例如：“用通俗易懂的語言為初中生水平的小讀者解釋量子力學的基本原理，并配以生活化的比喻。”
如此一來，即使是深奧的知識也能變得平易近人。
提示語工程的魅力所在：從“猜”到“準”
提示語工程之所以吸引人，在于它改變了人機交互的方式——不再是單向地“丟給AI一個問題”，而是雙向互動式的精細化控制。下面再來看幾個具體的對比案例，體會其中的變化。
案例1：寫作助手
- 傳統提示語：
“寫一篇關于旅游的文章。” - 提示語工程：
“寫一篇500字的旅游攻略，主題是周末自駕游杭州西湖。內容需涵蓋交通路線、住宿推薦以及周邊景點，并使用幽默風趣的語言風格。”
是不是立刻感覺不一樣了？前者泛泛而談，后者則直擊重點，讓AI知道你在期待什么類型的作品。
案例2：數據分析
- 傳統提示語：
“整理數據。” - 提示語工程：
“整理以下銷售額數據，并用柱狀圖表示每月的趨勢。同時計算同比增長率，并標注最高值與最低值。”
同樣一份數據，如果缺少提示語工程的加持，結果可能是亂七八糟的數字羅列，但如果有了詳細指示，就變成了專業級別的報告。
案例3：代碼開發
- 傳統提示語：
“寫個程序。” - 提示語工程：
“用Python編寫一個函數，用于統計文本文件中每個單詞出現的頻率。返回結果應按頻率降序排列，同時忽略大小寫差異。”
前者讓人無從下手，后者則成為了明確的技術需求文檔。
提示語工程的實踐技巧：如何快速上手？
既然提示語工程這么強大，那我們該如何學習和應用呢？下面分享幾點實用建議：
-
明確目標
第一步永遠是弄清楚自己想得到什么。只有目標清晰，才能指導后續的具體操作。 -
分層拆解
將復雜任務拆分成小塊，逐步細化要求。例如，寫一本書可以從大綱開始，再到章節細化，最后才是具體內容創作。 -
善用格式
JSON、Markdown等工具可以幫助更好地組織提示內容，避免遺漏重要細節。 -
不斷迭代
別指望一次成功！提示語工程是個反復試錯的過程，多修改幾次總會找到最優方案。
提示語工程中的函數式應用
有了上面的基礎后我們來看什么叫提示語工程中的函數式應用。這是在吳恩達以及一些外面教程中不曾被提及到的一個應用，原因在于：真正的生產級應用中的填示語是帶函數和變量的。
這和AI中的Functional Call還不一樣。
- ai的functional call是指call的是一個LLM(大模型）可訪問的API函數；
- 而提示語中的函數是指把提示語和代碼、變量相結合構成真正AI原生應用的一種AI規則，AI原生應用是否夠“AI"很大一部分依賴于你的AI函數設計得好不好；
要知道在AI原生應用中一切傳統開發和設計模式都黯然失色了，更不要提什么規則引擎、工作流、參數配置這些遠古的手法了。
就拿上文中的一個例子我們來了解什么是AI提示語工程中的函數來說明
不用函數的AI提示語寫法
{"你的角色": "你是一名中國的食品營養分析專家同，你總是以中文形式輸出""要求你做的事": "根據我的輸入的食品請你以百分比格式給出它的蛋白質含量、鹽含量、卡路里含量""你的輸出格式始終以我給你的標準json數據格式{"saltness": "xxx%","protein": "xxx%","calorie": "xxx%"}來返回"我當前輸入的食品": "8個菜肉大餛飩"
}真正的提示語工程寫法
{"你的角色": "你是一名中國的食品營養分析專家同，你總是以中文形式輸出""要求你做的事": "根據我的輸入的食品請你以百分比格式給出它的蛋白質含量、鹽含量、卡路里含量""你的輸出格式始終以我給你的標準json數據格式<%returnTemplate%>返還給我。"我當前輸入的食品": "8個菜肉大餛飩"
}此時我們把：<%returnTemplate%>作為變量，存于外部系統如：mongo、redis、mysql里。
在使用時我們把以下的內容從存儲里取出來
{"saltness": "xxx%","protein": "xxx%","calorie": "xxx%"
}然后
inputPrompt=inputPrompt.replace("<%returnTemplate%>", templateTextFromMongodb);此時我們得到的這個最終的在replace后的inputPrompt就是一個完整的提示語。
這種做法的好處在于：
- 完全解耦了提示語與業務；
- 格式甚至可以動態化配置在外部而不要改代碼；
- 把復雜、嵌套的提示語徹底解耦便于管理維護；
AI未來的鑰匙掌握在誰手里？
提示語工程不僅僅是一種技術手段，更是未來人機協作的核心能力之一。正如古人所言，“工欲善其事，必先利其器”。學會打磨提示語，就如同握住了一把通往無限可能性的金鑰匙。
當你熟練掌握了提示語工程之后，你會發現，無論面對多么棘手的任務，只需輕輕一點，那個看似遙不可及的答案就會浮現在屏幕上等待著你。而這一切的背后，不過是幾行精心設計的字符罷了。
課后作業
今天這課為了鞏固知識點布署了一道課后作業。
用提示語工程去寫一篇1,000字左右的科技類博客：往龍卷風里扔一顆多核彈能消除龍卷風嗎？
寫完后大家可以這么去驗證自己的文章，我也是用這種方式來驗證自己用AI寫出的作文質量的就是把這篇文章發到知乎或者是今日頭條一些雜文類網站，看看你的點擊率能否破萬！
我告訴大家，完全可以得只要你的提示語工程寫得足夠好，變量設置的足夠合理，另外記得先用一個帶有markdown格式的編輯器寫完校對完并且避免任何錯別字（會讓AI引起誤解）后扔給AI，然后去看看AI的輸出吧。
 leetcode刷題)
