網上充斥著各種 Prompt “最佳實踐”指南，很多都流于表面。你可能已經看過不少，感覺就像食譜一樣，告訴你加幾勺這個、幾勺那個。但今天，我們來點硬核的，看看搜索巨頭谷歌內部是如何系統性地理解和實踐 Prompt Engineering 的。這份來自 Google 的白皮書，扒開了 Prompt Engineering 的外殼，直指核心。準備好，這篇東西值得你收藏和反復琢磨。

為什么 Prompt Engineering 這么重要？

首先，得明白 LLM（大語言模型）到底是個啥。別被那些花哨的術語迷惑，它的本質是一個預測引擎。你給它一段文本，它就根據自己“見過”的海量數據，預測下一個最可能出現的詞（或者說 token）是什么。它不斷重復這個過程，把預測出來的詞加到輸入后面，繼續預測下一個。

你寫的 Prompt，就是在給這個預測引擎設定初始狀態，引導它走向你期望的預測序列。這就像給一個極其聰明但缺乏具體目標的學徒布置任務。你說得越清楚、越巧妙，他完成得就越好。反之，模糊不清的指令只會得到平庸甚至錯誤的結果。

所以，Prompt Engineering 不是什么魔法，它是一門手藝，關乎如何精確、高效地引導這個預測引擎產出我們想要的東西。人人都能寫 Prompt，就像人人都能寫幾行代碼，但要寫出好 Prompt，寫出能穩定解決問題的 Prompt，就需要理解其背后的機制并掌握一些技巧。

控制 LLM 輸出：那些你需要知道的“旋鈕”

直接和模型 API 或 Vertex AI 這樣的平臺打交道（而不是簡單的聊天機器人），你會發現可以調整很多參數。這些參數就像是你控制 LLM 輸出行為的旋鈕：

1. 輸出長度 (Max Tokens):這決定了模型最多生成多少內容。注意，它不是讓模型變得更簡潔，而是到字數上限就強行停止。設太短可能話沒說完，設太長又可能增加成本和響應時間，甚至導致模型在完成任務后繼續輸出無意義的“填充詞”。
2. 溫度 (Temperature):控制輸出的隨機性。低 T 值（比如接近 0），模型傾向于選擇最可能的詞，輸出更穩定、確定，適合需要事實性、固定答案的任務。高 T 值（比如接近 1），模型會考慮更多可能性，輸出更多樣、更“創意”，但也可能更離譜。T 值過高或過低都可能導致“重復循環”的 bug。
3. Top-K & Top-P:這倆都是用來限制模型從概率最高的詞中進行選擇。Top-K是只考慮概率排名前 K 的詞。Top-P(Nucleus Sampling) 則是選擇累積概率達到 P 的那些詞。它們都能調整輸出的多樣性和隨機性。通常你可以一起用，比如先按 Top-K 和 Top-P 篩選候選詞，再用 Temperature 從中采樣。

關鍵在于，這些參數是相互影響的。極端設置一個參數可能會讓其他參數失效（比如 Temperature=0 時，Top-K/P 就無關緊要了）。沒有萬能的設置，你需要根據具體任務去實驗和調整。想讓結果穩定？試試低 T。想要創意？調高 T、K、P。

核心 Prompting 技術：從入門到進階的“招式”

理解了基本原理和參數，接下來就是具體的 Prompting 技術了。這部分是真正的干貨，掌握它們能顯著提升你與 LLM 的協作效率：

1. 零樣本 (Zero-shot):最簡單直接的方式，直接描述任務或提問，不給任何范例。比如：“把這篇影評分類為正面、中性或負面：[影評文本]”。對于簡單任務或能力強的模型有時足夠了。
2. 少樣本 (Few-shot / One-shot):這是提升效果的關鍵一招。給 LLM 一到幾個示例，展示你期望的輸入輸出格式或模式。就像教小孩一樣，光說不如做給他看。模型會模仿你的例子來完成任務。例子質量要高、要多樣，甚至要考慮邊緣情況。
3. 角色/系統/上下文提示 (Role/System/Contextual Prompting):

• 角色提示 (Role Prompting):讓 LLM 扮演一個特定角色，比如“你現在是一位經驗豐富的 Python 程序員”或“像一個 5 歲小孩解釋黑洞”。這能有效設定輸出的語氣、風格和知識范圍。
• 系統提示 (System Prompting):給出更明確的指令或規則，比如“回答必須是 JSON 格式”、“語言風格要幽默”、“回答要尊重他人”。
• 上下文提示 (Contextual Prompting):提供與當前任務相關的背景信息。比如在生成文章建議時，先告訴它“你在為 Niche 網站寫關于 80 年代復古街機游戲的文章”。
• 這三者經常結合使用，共同精確地指導模型。

4. 思維鏈 (Chain of Thought, CoT):這是讓 LLM 處理復雜推理任務的利器。與其直接要答案，不如讓它“一步一步地思考”（"Let's think step-by-step"）。LLM 會先輸出推理過程，再給出最終答案。這對于數學題、邏輯題等特別有效，能顯著提高準確性。結合 Few-shot CoT 效果更佳。
5. 自洽性 (Self-consistency):CoT 的進階版。對同一個問題，使用較高的 Temperature 生成多個不同的 CoT 推理路徑，然后看哪個最終答案出現次數最多，就選哪個。類似“集體投票”，用多次采樣來提升結果的穩定性和準確性，尤其是在推理路徑不唯一的情況下。
6. 退一步提示 (Step-back Prompting):遇到復雜問題時，先不直接問，而是讓 LLM 先思考一個與問題相關的、更泛化或更高層次的問題/原則，然后再把這個“退一步”得出的見解作為上下文，去解決原始的具體問題。這能激活模型更深層的知識，提升回答的洞察力。
7. ReAct (Reason & Act):讓 LLM 不僅能思考，還能“行動”。這里的“行動”通常指調用外部工具，比如進行網絡搜索、運行代碼解釋器等。LLM 會生成思考過程和下一步要執行的動作（如搜索某個關鍵詞），執行動作后得到觀察結果，再基于觀察結果繼續思考和行動，形成一個“思考-行動-觀察”的循環，直到解決問題。這是構建更強大 Agent 的基礎。
8. 代碼提示 (Code Prompting):LLM 在編程方面也是一把好手。你可以讓它：

• ?寫代碼:“寫一個 Python 腳本，讀取文件夾下所有 .txt 文件，并在每個文件開頭加上‘DRAFT_’前綴。”
• 解釋代碼:“解釋一下這段 Bash 腳本是做什么的？”
• 翻譯代碼:“把這個 Bash 腳本翻譯成 Python 代碼。”
• 調試和審查代碼:“這段 Python 代碼報錯了 [錯誤信息]，幫我看看哪里錯了，并給出修改建議。”

成為 Prompt 高手的最佳實踐 (濃縮版)

看了這么多技術，感覺信息量很大？別擔心，記住以下幾條核心原則，并在實踐中不斷運用和體會：

• 示例為王 (Provide Examples):少樣本提示通常比零樣本效果好得多。清晰的例子是最好的老師。
• 簡潔清晰 (Design with Simplicity):Prompt 語言要直接、明確，避免歧義和不必要的復雜性。如果你自己都覺得繞，LLM 很可能也會。多用動詞明確指示。
• 具體化輸出要求 (Be Specific):不要只說“寫個博客”，要說“寫一個三段的博客，關于排名前 5 的游戲主機，風格要信息豐富且吸引人”。明確長度、格式、風格、內容要點。
• 指令優于約束 (Instructions over Constraints):盡量告訴模型“要做什么”，而不是“不要做什么”。正面指令通常比一堆負面約束更有效、更靈活。當然，安全和固定格式約束有時是必要的。
• 控制輸出格式 (Output Formats):對于提取信息、分類、排序等任務，要求輸出 JSON 或 XML 等結構化格式通常更穩定、更可靠，還能減少幻覺。注意處理可能的 JSON 截斷問題。輸入也可以用 Schema 規范化。
• 迭代與文檔化 (Iterate & Document):Prompt Engineering 是一個實驗科學。你需要不斷嘗試、調整、評估結果。最最重要的一點：詳細記錄你的每次嘗試（用了哪個模型、什么參數、完整 Prompt、輸出結果、效果評估）。這不僅是為了方便回顧和調試，也是在不同模型版本間保持效果穩定的關鍵。推薦使用表格記錄。

結語

谷歌這份白皮書，與其說是指南，不如說是一套思維框架和工具箱。它告訴我們，有效的 Prompt Engineering 并非一日之功，它需要你理解 LLM 的工作原理，掌握各種引導技巧，并通過大量的實踐和迭代去打磨。

這里的每一項技術、每一條最佳實踐，都蘊含著提升 AI 協作效率的巨大潛力。把這篇文章收藏起來，時不時翻出來看看，結合你自己的場景去嘗試。掌握這門手藝，無論你是想提升工作效率，還是探索新的 AI 應用和商業機會，都將受益匪淺。

本文轉載自??草臺AI??，作者：RangerEX