吴恩达AI提示工程指南
在AI时代，提示工程是每一个想要用好LLM的人的必备核心能力。 一、提示词核心指引：两大黄金原则 原则一：编写清晰且具体的指令 模糊笼统的指令只会得到差强人意的结果，清晰具体的指令才能让模型精准匹配你的需求。这里有4个可直接复用的实现策略： 1. 使用分隔符明确输入边界 用三重反引号“`、XML标签、章节标题等分隔符，清晰区分指令、上下文、待处理内容，避免提示词注入与内容混淆。 2. 要求结构化输出 明确指定输出为JSON、HTML、Markdown等格式，大幅降低后续内容处理的成本，尤其适合开发者场景。 3. 要求模型先校验条件再执行 让模型先判断输入是否满足任务的前提条件，不满足时直接告知原因，避免无效输出与错误结果。 4. 少样本提示（Few-shot） 给模型提供1-3个完成任务的优秀示例，让模型模仿示例的风格、逻辑、格式完成你的需求，效果远超纯指令。 原则二：给模型“思考的时间” 复杂任务中，不要让模型直接给出结论，而是通过拆解步骤、引导推理，让模型先完成思考过程，再输出结果，大幅降低错误率。核心策略有2个： 1. 明确指定任务完成的步骤 把复杂任务拆解成多个连续的子步骤，让模型按顺序执行，避免跳步出错。 2. 让模型先自主推理，再对比验证 对于有标准答案的推理类任务，不要让模型直接判断对错，而是让它先自己完成解题，再和给定结果对比，得出结论。 重要提醒：模型的局限性 LLM最核心的问题是幻觉——会编造听起来非常可信、但实际并不正确的信息。 减少幻觉的核心方法：让模型基于你提供的参考文本回答问题，而非凭空生成；若模型输出不确定的内容，要求它标注信息来源。 二、迭代：提示词优化的核心流程 没有任何一条 提 示词能一次 就达到完美效果，优秀的提示词，和代码开发一样，需要经过反复的迭代优化。 提示词迭代开发闭环
分析结果不达预期的核心原因：是指令不够清晰？还是缺少上下文？或是任务拆解不够细？
重复测试-分析-优化的循环，直到提示词效果稳定符合预期
迭代优化的核心技巧
每次迭代只修改1-2个核心变量，快速定位影响效果的关键因素
优先解决大的方向性问题，再优化细节格式、语气等次要问题
三、总结：高效提炼文本核心价值 文本总结是LLM最高频的应用场景之一，无论是电商评论、用户反馈、长文档、行业报告，都能通过提示词快速提炼核心信息。 1. 精准控制总结长度 通过“不超过XX字/XX句话”“XX个要点”的明确要求，适配不同场景的篇幅需求。 示例：请用3句话总结以下产品评论，每句话不超过20字。 2. 聚焦特定维度 让模型只提取你关心的维度，避免无关信息干扰，比如电商场景聚焦价格、物流、产品质量，用户反馈场景聚焦痛点、需求、建议。 示例：请总结以下用户评论中，关于产品续航能力的相关内容，不超过50字。 3. 批量处理标准化输出 通过固定的格式模板，实现多条文本的批量总结，比如把100条用户评论，批量总结成“核心痛点+好评点+改进建议”的标准化表格。 四、推断：挖掘文本背后的隐藏信息 推断任务，是让LLM超越简单的文本处理，去理解文本的深层含义，完成情感分析、主题提取、分类、意图识别等任务，无需传统机器学习的标注与训练，一条提示词就能实现。 1. 情感分析 快速判断文本的情感倾向，甚至精准提取情绪的细分类型。 示例：请判断以下用户评论的情感倾向，输出仅为“积极/消极/中性”，无需额外内容。 2. 信息提取 从非结构化文本中，精准提取你需要的特定信息，比如人名、地名、时间、事件、联系方式等。 3. 主题分类与标签 给文本打上对应的分类标签，适配内容管理、舆情监控、用户分层等场景。 示例：请给以下新闻内容打上不超过3个主题标签，标签从【科技、财经、体育、娱乐、民生】中选择。 4. 意图识别 精准判断用户输入的核心意图，适配客服、智能助手、私域运营等场景，比如区分用户是咨询、投诉、下单还是售后需求。 五、转换：实现文本的多维度改写 文本转换，是利用LLM的语言能力，实现文本的跨格式、跨语言、跨风格转换，覆盖翻译、格式改写、语气调整、语法纠错、代码转换等高频场景。 1. 多语言翻译 不仅能实现常规的中英互译，还能完成小语种翻译、专业领域翻译，甚至是方言转换、网络热词翻译。 示例：请将以下中文文本，翻译成商务场景正式的英文邮件用语，语气礼貌专业。 2. 格式转换 把非结构化文本转换成Markdown、JSON、HTML、表格等结构化格式，也能实现代码注释、文档转换、思维导图大纲生成。 3. 语气与风格转换 把文本改写成你需要的语气和风格，比如把口语化内容改成正式书面语、把生硬的文案改成亲切的小红书风格、把专业术语改成大白话科普。 4. 文本纠错与润色 实现语法纠错、错别字修改、语句润色，适配文案写作、邮件撰写、论文修改、代码调试等场景。 六、扩展：把短信息生成长文本 文本扩展，是让LLM基于简短的核心信息，扩写成长篇内容，比如邮件、文案、报告、故事、演讲稿等，是内容创作的核心能力。 1. 用好温度（Temperature）参数
温度值越低（0-0.3）：输出越稳定、越聚焦，适合需要精准、固定结果的场景，比如正式邮件、报告撰写
温度值越高（0.7-1.0）：输出越有创意、越多样，适合文案创作、故事编写、头脑风暴等场景
2. 明确扩写的核心框架 给模型指定扩写的结构、段落、核心要点，避免扩写内容偏离主题、逻辑混乱。 示例：请基于以下产品核心卖点，写一篇300字左右的电商产品详情页文案，结构分为标题、核心优势、适用人群、结尾引导四个部分。 3. 补充场景与受众信息 明确告知模型内容的使用场景、目标受众，让扩写内容更贴合需求，比如给职场新人的邮件、给客户的产品介绍、给学生的科普内容，写法完全不同。 七、搭建自定义对话助手 1. 设定清晰的角色与边界 给机器人明确的身份定位、工作职责、回复规则，甚至是语气风格，同时明确告知机器人不能做的事情，划定对话边界。 示例：你是一个专业的电商客服机器人，名字叫小助手，只回答和本店产品、订单、售后相关的问题，语气亲切耐心，不回答任何无关问题，遇到无法解答的内容，引导用户联系人工客服。 2. 管理对话上下文 LLM本身没有记忆能力，需要在提示词中传入完整的历史对话上下文，让机器人理解对话的前因后果，实现连贯的多轮对话，避免答非所问。 3. 标准化回复规则 给机器人设定固定的回复流程、话术模板，比如客服场景的欢迎语、投诉处理流程、售后解决方案，确保回复的规范性与一致性。 4. 持续迭代优化 基于真实的对话数据，不断优化提示词，补充高频问题的标准答案，修正机器人的错误回复，让对话效果持续提升。 结语 提示工程不是玄学，而是一套可学习、可复用、可迭代的系统方法论。在AI时代，能否用好大模型，核心不在于模型本身，而在于你能否通过精准的提示词，驾驭模型的能力，把它转化为实际的生产力。 本文整理自DeepLearning.AI《ChatGPT Prompt Engineering for Developers》官方课程，由 OpenAI 技术团队成员 Isa Fulford 与 DeepLearning.AI 创始人 Andrew Ng（吴恩达）联合授课，仅用于 AI 技术学习分享。
夜雨聆风
