CCAI|AI通识20讲(7/20)——提示工程

上一讲我们把大模型“越大越强吗”这件事讲透了：参数是可调刻度，规模像剂量—效应曲线，涌现像跨过血药浓度后的骤然起效。但这些都还藏在模型“体内”，是工程师调出来的东西。落到临床人手里，我们既改不了参数，也换不了规模，唯一能做的，其实只有一件事——怎么跟它说话。

这听起来轻描淡写，效果却惊人。同一个模型，有人问出来的是含糊套话，有人问出来的是一份条理清晰、贴合场景的回答。这中间的技巧，就是今天这一讲的主题：提示工程（Prompt Engineering）。我们用临床人最熟悉的三件事来理解它——开检查申请单、交班、以及问诊时的“引导性提问”。你会发现，跟AI打交道的基本功，和你每天在病房里做的功夫，几乎是同一套。

很多人一听“提示工程”就以为要写代码，其实它一个字程序都不用写。所谓提示（Prompt），就是你输入给模型的那段话；提示工程，就是系统地组织这段话，让模型更可能给出你要的结果。模型是一台“概率生成器”：你给的条件越明确，它被“框”得越准；你说得越含糊，它就越容易往最常见的平庸答案上滑。

把它想成一位学识极广、随叫随到、但完全不了解你病人的会诊专家。你只丢一句“看看这个病人怎么办”，他只能回你一篇教科书；但你把主诉、关键指标、时间线、你真正拿不准的点讲清楚，他给出的就是能直接用的意见。提示工程，练的就是“如何向一位顶级专家高效交班”的能力。

把零散的“提问”升级为“可执行的指令”，靠的是五个可复用的零件。它们不一定每次都用全，但心里有这张清单，提问就不会漏项。

零件之外，还有三个立竿见影的技巧，能明显改善回答质量。

第一是“给样例”（Few-shot）。与其反复解释你要什么格式，不如直接甩一两个“标准问—标准答”的样例，模型会照着模仿，格式和口径立刻对齐。第二是“让它一步步想”（思维链，Chain-of-Thought）：加一句“请先分析再给结论”，模型会把推理摊开，复杂问题上的准确率往往更高，你也更容易看出它错在哪一步。第三是“限定输出”：明确字数、条数、语气和“不知道就说不知道”，把发散的空间收拢。

图 2  三种问法：直接问（左）、给样例（中）、要求分步推理（右）

临床类比：鉴别诊断的“先摊开、再收敛”

“一步步想”之所以有效，正是它逼着模型复刻了临床思维：面对一个休克病人，合格的做法不是脱口而出一个诊断，而是先把可能病因摊开（感染性、低容量、心源性、梗阻性），逐条用证据排除，最后收敛。思维链提示做的，就是把这条“先列鉴别、再排除、后定论”的路径显式化——既提高了它答对的概率，也方便你审它每一步的合理性。

04

几个要避开的坑

会用提示，也要警惕提示带来的陷阱。最常见的是“诱导性提问”：你自己先预设了答案，比如问“这个病人是不是脓毒症？”，模型很容易被你的措辞带着走，顺着你给的方向点头，给出一个你爱听而非正确的答案。

另一个坑是“问得太宽”——“重症患者怎么管理？”这种问题只能换回一篇大而空的综述；还有一个坑是“把模型当搜索引擎”：它给的是概率化生成的文本，流畅不等于真实，这正是“一本正经胡说”（幻觉）的来源。

临床类比：问诊时的“暗示性提问”

这几乎是问诊功底的翻版。实习医生问“你是不是右下腹痛？”，病人多半顺着说“是”，于是你被自己的提问喂出了一个假定的阑尾炎。规范做法是开放提问：“哪里不舒服？”问AI同理——尽量中立地设问，警惕自己把结论预先塞进问题里，让模型替你“确认偏见”。

05

这三阶段对临床使用意味着什么

把提示工程当成日常基本功，能让AI在医疗场景里更靠得住，但边界必须始终清楚：

• 其一，把话说具体：带上场景、关键数据和你真正关心的判断点，泛泛之问只会换来泛泛之答。

• 其二，善用样例与分步：需要固定格式或复杂推理时，给样例、要它先分析，既提质量又便于核查。

• 其三，保持中立提问、并始终复核：不让自己的预设污染问题，永远把它当成“会诊意见”而非“最终结论”，涉及诊断与用药的判断，决定权和责任在医生手里。

图3  提示的迭代闭环：写—跑—评—改，好结果是打磨出来的

临床类比：把AI当“住院医的初步意见”

最贴切的定位，是把AI看成一位知识渊博但需要被清晰交班、也允许被质疑的住院医。你交班越清楚、追问越到位，它的初步意见就越可用；但拍板、担责的始终是你——AI负责把信息整理和初稿的效率拉满，医生负责判断与决策。