【谷歌】提示工程_68页_1mb

提示工程是设计和优化输入提示以提高大型语言模型（LLM）输出质量的过程。本文档系统介绍了提示工程的核心概念、方法及最佳实践，涵盖提示类型、配置设置、技巧和自动化策略。

LLM通过预测下一个标记生成输出，其效果受模型选择、训练数据、配置参数及提示设计影响。主要提示类型包括：零镜头提示（无示例，直接给出任务描述）、一镜头提示（单个示例）和少量镜头提示（多个示例）。系统提示定义任务整体目标，角色提示设定模型行为模式，情境提示提供背景信息。后退提示通过先解决一般性问题再反馈到具体任务，提升推理准确性。

提示工程涉及关键配置：输出长度控制、采样方法及温度调整。输出长度影响计算成本与结果质量，温度决定输出的随机性（低温度提高确定性，高温度增强创造性）。Top-K和Top-P是限制预测范围的采样技术，需根据任务需求选择组合。例如零镜头提示通常采用低温、高Top-K和Top-P值，而数学任务应设置温度为0以避免错误。

代码提示是提升模型实用性的细分领域，包含编写、解释、翻译及调试代码的技术。例如使用Bash脚本重命名文件夹内文件，或通过Python实现类似功能时需注意语法调整。结构化输出（如JSON）可提高数据处理效率，但需配合JSON修复工具避免格式错误。变量和输出格式的选择也会影响提示效果，需结合具体应用场景优化。

最佳实践强调：提供明确示例帮助模型理解任务；避免冗余信息，保持提示简洁；优先使用指导性指令而非限制性约束；混合分类任务中的示例类别以避免过度拟合；控制输出长度防止截断问题；记录提示迭代过程以便后续优化。自动化提示工程（APE）通过生成并评估新提示，可提升效率。

多模态提示结合文本、图像等输入形式，适合复杂任务。ReAct（推理与行动）结合自然语言推理和外部工具，如搜索功能，实现代理建模。思维链（CoT）通过分步推理提升答案准确性，自我一致性（Self-Consistency）则通过多路径推理选择最一致结果。思维树（ToT）允许模型探索多种推理路径，适配需要灵活分析的任务。

提示工程需持续实验和调整，不同模型和配置会产生差异。建议使用工具如VefiexAIStudio测试提示效果，并通过记录模板（如表21）跟踪版本迭代和反馈。最终目标是通过反复优化，使模型产出符合预期的准确、结构化结果。