{
  "id": "prompt-engineering",
  "title": "提示工程",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "提示工程通过设计、测试和改进输入，引导生成式人工智能模型产生符合指定要求的输出。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "concept",
  "aliases": [
    "提示词工程",
    "提示词设计"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/prompt-engineering/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/prompt-engineering/",
      "json": "https://aiwiki.page/en/prompt-engineering.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "提示工程是指为生成式人工智能系统，尤其是大语言模型，设计、测试和改进输入，以获得符合指定要求的输出。提示可以包含指令、问题、示例、参考资料和对话历史。这项实践并非仅仅选择更有说服力的措辞，而是涉及定义任务、组织信息、明确输出约束以及评估结果。其效果取决于模型、任务和具体应用环境。(developers.openai.com)"
    },
    {
      "heading": "技术基础",
      "text": "语言模型以输入为条件生成文本。提示工程改变的是这一条件，通常并不改变模型已学习的参数。这使其区别于微调，后者使用针对特定任务的数据来更新参数。因此，提示可以让预训练模型适应不同任务，而不必为每种应用单独进行训练，不过，通过提示实现的适应并不保证模型表现可靠。(arxiv.org)\n\n在基于文本的系统中，分词与词元化将输入转换为模型处理的单元。上下文窗口限制了单次生成请求中可供模型使用的材料总量。指令、示例、参考文档和对话历史共同占用这一容量。窗口更大，并不一定意味着模型能同样有效地利用其中的每个细节：研究发现，在较长的输入中，相关信息出现的位置会影响模型表现。(developers.openai.com)\n\n聊天界面可以按角色区分消息，将应用层指令与用户请求及其他内容分开。提示设计可以利用这些区别，但角色的含义和指令的优先级取决于具体实现。标题或带标签的分节等结构化边界，有助于标明哪些文本属于指令、示例或源材料。(developers.openai.com)"
    },
    {
      "heading": "发展与研究背景",
      "text": "2020 年的论文《语言模型是少样本学习者》（Language Models are Few-Shot Learners）是一个重要里程碑。该论文展示了 GPT-3 能够根据输入中提供的指令和示例，完成多种自然语言处理任务，而无须针对特定任务进行梯度更新。实验涵盖机器翻译、问答和其他语言任务。这推动了上下文学习成为使用预训练模型的一种重要方法。(arxiv.org)\n\n此后，研究开始探索更复杂的提示策略。2022 年的一项研究提出了思维链提示，其示例不仅给出最终答案，还包含中间推理步骤。研究报告称，对于规模足够大的模型，这种方法能够提升其在算术、常识和符号推理基准测试中的表现。这些发现针对的是特定实验条件，并不意味着解释越长，结果就一定越好。(arxiv.org)\n\n一种相关但不同的方法是提示调优。这种方法并非人工编写普通文本，而是在保持基础模型参数不变的情况下，学习连续的提示表示。它属于参数高效微调，涉及训练过程中的优化，与普通文本提示的修改不同。(arxiv.org)"
    },
    {
      "heading": "提示结构与技巧",
      "text": "面向任务的提示通常会明确预期操作、相关背景、约束条件和期望的回复格式。指令可以指定受众、所需的详细程度、分类标签，或处理缺失信息的规则。明确的要求可以减少歧义，分隔符则用于将指令与待分析的材料区分开。指定角色可以确立某种视角或风格，但并不能赋予模型专业能力，也不能独立验证输出。(docs.anthropic.com)\n\n零样本提示只给出任务，不提供示例。少样本提示则包含输入示例及其期望输出，让模型能够推断标签含义、格式或转换规则等模式。这些示例在当前上下文中引导模型行为，而不会成为模型训练数据的永久组成部分。(arxiv.org)\n\n对于多步骤任务，提示可以将证据提取、分析和最终呈现分开。提示链将这些操作分配到多次调用中，把一个阶段的输出传递给另一个阶段。此类工作流程使中间结果可以接受检查，但设计时必须考虑错误从一个阶段传递到下一个阶段的问题。明确推理指令的作用因模型而异；面向推理型系统的提示指导，可能不同于面向其他模型的指导。(docs.anthropic.com)"
    },
    {
      "heading": "外部信息与应用集成",
      "text": "检索增强生成将生成过程与从外部资料集合中检索到的信息相结合。检索出的段落成为模型可用的证据，为需要用户当前请求之外知识的任务提供支持。提示工程决定如何呈现这些证据，以及如何指示模型使用它们；检索本身则是一个独立组件。(arxiv.org)\n\n在使用知识库或工具的应用中，提示设计还会规定工作流程的条件：需要哪些信息、何时适合执行外部操作，以及如何将操作结果纳入回复。因此，提示只是系统设计的一部分，不能代替高质量的检索、工具实现或输出检查。(docs.anthropic.com)"
    },
    {
      "heading": "评估与可复现性",
      "text": "提示质量依据特定任务的标准进行评估，例如答案是否正确、是否符合格式要求、是否完整，或是否成功执行。评估既要包含有代表性的示例，也要包含困难和意外情形。人工判断与自动化检查各有用途，而由模型进行的评分本身也需要接受可靠性审查。(developers.openai.com)\n\n反复根据同一批示例修改提示，可能导致对评估集的过拟合。将开发示例与留出的测试集分开，可以更有力地检验泛化（机器学习）能力。由于输出可能变化，模型更新也可能改变其行为，要进行可复现的比较，就需要记录提示版本、模型版本以及相关的生成设置。当这些组成部分发生变化时，应重新开展评估。(developers.openai.com)"
    },
    {
      "heading": "局限性与安全",
      "text": "提示无法消除人工智能幻觉，提供参考资料也不能保证模型会正确使用这些资料。长上下文实验表明，证据的放置位置可能影响模型表现。因此，流畅的回复仍不等同于经过核实的答案。(arxiv.org)\n\n提示注入是一种网络安全问题：嵌入待处理内容中的恶意指令试图改变系统的行为方向。外部网页、文档和工具返回结果都可能携带此类指令。提示边界虽有帮助，但防御还涉及模型训练、内容检测、应用层安全措施和测试；仅靠提示措辞无法使智能体免受攻击。(anthropic.com)"
    }
  ],
  "links": [
    "generative-artificial-intelligence",
    "large-language-model",
    "language-model",
    "fine-tuning",
    "tokenization",
    "context-window",
    "natural-language-processing",
    "machine-translation",
    "in-context-learning",
    "chain-of-thought-prompting",
    "prompt-tuning",
    "zero-shot-prompting",
    "few-shot-prompting",
    "training-data",
    "prompt-chaining",
    "retrieval-augmented-generation",
    "knowledge-base",
    "overfitting",
    "test-set",
    "generalization",
    "ai-hallucination",
    "prompt-injection",
    "cybersecurity"
  ],
  "sources": [
    {
      "title": "developers.openai.com/api/docs/guides/prompt-engineering",
      "url": "https://developers.openai.com/api/docs/guides/prompt-engineering"
    },
    {
      "title": "arxiv.org/abs/2005.14165",
      "url": "https://arxiv.org/abs/2005.14165"
    },
    {
      "title": "arxiv.org/abs/2201.11903",
      "url": "https://arxiv.org/abs/2201.11903"
    },
    {
      "title": "arxiv.org/abs/2104.08691",
      "url": "https://arxiv.org/abs/2104.08691"
    },
    {
      "title": "docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/prompt-template…",
      "url": "https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/prompt-templates-and-variables"
    },
    {
      "title": "arxiv.org/abs/2005.11401",
      "url": "https://arxiv.org/abs/2005.11401"
    },
    {
      "title": "developers.openai.com/api/docs/guides/evaluation-best-practices",
      "url": "https://developers.openai.com/api/docs/guides/evaluation-best-practices"
    },
    {
      "title": "anthropic.com/research/prompt-injection-defenses",
      "url": "https://www.anthropic.com/research/prompt-injection-defenses?slug=helpful-honest-harmless-ai"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}