Prompt 学习笔记

Prompt 最佳实践

提供示例

在提示词中提供单样本或少样本示例，通常能明显提升输出质量。示例会给模型一个参照：你希望它输出什么格式、什么风格、覆盖哪些信息。

好的示例比抽象描述更直接。与其说“写得自然一些”，可以给一段你认可的输出，让模型照着语气和结构生成。

简洁设计

提示词要简洁、清晰，读起来像正常任务说明。你读着费劲的提示词，模型也容易跑偏。

复杂背景可以拆成上下文、任务、输出格式几块写，避免把所有信息揉成一长句。

示例：

原始问题：

我现在正在纽约游玩，想多了解一些好地方。我带着两个 3 岁的孩子，假期里我们应该去哪里呢？

可以改成：

请扮演一名旅游向导，为游客介绍纽约曼哈顿适合带 3 岁幼儿游览的好去处。

尽量使用描述动作的动词，比如：

行动、分析、分类、归类、对比、比较、创造、描述、定义、评估、提取、查找、生成、识别、列举、测量、组织、解析、挑选、预测、提供、排序、推荐、返回、检索、重写、选择、展示、排序、总结、翻译、撰写。

明确输出内容

明确告诉模型你想要什么。简短指令有时会过于宽泛，模型会自己补全很多隐含条件。把主题、长度、格式、语气、受众写清楚，输出会稳定很多。

示例：

更好的写法：

写一篇三段的博客文章，介绍排名前五的视频游戏主机。文章要有信息量，语气自然，适合普通玩家阅读。

宽泛写法：

生成一篇关于视频游戏主机的博客文章。

使用指令而非约束条件

提示词里可以写指令，也可以写约束。指令说明模型应该生成什么，约束说明边界。

优先把目标写成正向指令。比如：

撰写一篇关于五大视频游戏主机的单段博客文章，只讨论主机、制造公司、推出年份和总销量。

约束适合放在最后，用来处理安全、格式和边界要求。约束太多时，模型容易在限制之间摇摆，输出也会变得僵硬。

控制最大令牌长度

要控制回复长度，可以在配置中设置最大 token，也可以直接在提示词里说明长度。比如：

用一条推文的长度解释量子物理学。

在提示词中使用变量

需要复用提示词时，可以把会变化的信息抽成变量。比如城市名、用户角色、输出语言、目标格式，都适合做成变量。

变量能减少重复修改，也方便把提示词接入应用。如果多条提示词共享同一段信息，把它保存成变量再引用，会比到处复制更稳定。

尝试不同的输入格式和写作风格

模型、采样配置、提示词格式和用词都会影响结果。同一件事可以写成问题、陈述或指令，输出会有差异。

比如要介绍世嘉 Dreamcast，可以这样写：

• 问题：世嘉 Dreamcast 是什么？它为什么是一款有代表性的游戏机？
• 指令：写一个段落，介绍世嘉 Dreamcast 游戏机，并说明它的创新点。
• 陈述：世嘉 Dreamcast 是一款有代表性的游戏机，请围绕它的硬件、发布时间和影响写一段介绍。

在分类任务的少样本提示中，混合不同的类别

分类任务里的少样本示例要混合不同类别。示例顺序过于整齐时，模型可能学到顺序模式，而不是类别特征。

一个实用做法是先准备 6 个左右的少样本示例，混合不同类别，再用测试集观察准确率。

适应模型更新

模型版本、上下文长度、工具调用能力和安全策略都会变化。提示词也要跟着更新。

可以用 Vertex AI Studio 这类工具保存、测试和记录不同版本的提示词，避免只凭感觉调参。

尝试输出格式

除了输入方式，也可以调整输出格式。对于提取、选择、解析、排序、排名或分类这类任务，可以要求模型返回 JSON 或 XML。

结构化输出的好处很直接：

• 返回格式更稳定
• 更容易拿到你真正需要的字段
• 更适合后续程序处理
• 能减少无关内容
• 日期、数字和枚举值更容易被校验

思维链最佳实践

使用思维链（CoT）或自一致性方法时，要让最终答案和推理过程分开，方便程序提取结果。

对于有明确答案的推理任务，可以把温度设为 0，让输出更稳定。推理过程会影响后续 token 的预测，输出格式越明确，结果越容易解析。

记录各种提示词尝试

记录每次提示词实验，包括模型版本、采样参数、提示词内容、输入样例和输出结果。

不同模型、不同采样设置，以及同一模型的不同版本，都会影响输出。即使输入完全相同，模型也可能在个别词句上出现差异。把实验记录下来，才能判断哪些改动真的有效。