谷歌AI提示工程白皮书 2025：12 个关键技巧详解与最佳实践指南
1. 提供示例
单样本/多样本: 你可以提供单个例子，也可以提供多个例子。
提供例子，通过例子，模型可以分析和抓取与例子相近的结果特征，获得更好的效果。
示例1：诗歌创作（单样本）
提示词：
请模仿示例风格创作一首关于秋天的七言绝句：
例：
枫红稻黄秋意浓，雁阵南飞破长空。
闲坐庭前观叶落，一壶清茶伴金风。
新作：
效果说明： 示例提供了平仄押韵模式和典型意象，模型会继承季节元素使用、对仗结构和古典意境营造方式。
示例2：产品描述生成（多样本）
提示词：
根据示例为新品蓝牙耳机撰写电商描述：
示例产品：智能手表
特点：50米防水/两周续航/血氧检测
文案：挑战深潜50米，伴您探索水下世界。持久续航14天，健康监测昼夜不停...
新产品：无线降噪耳机
特点：40dB主动降噪/30小时续航/空间音频
效果说明： 示例展示了如何将技术参数转化为场景化描述，模型会模仿"技术指标+使用场景+情感共鸣"的三段式结构。
2. 设计简洁
简单，推荐使用动词，避免使用生涩难懂的表达。
尝试使用描述动作的动词。以下是一些例子：
行动，分析，分类，对比，比较，创建，描述，定义， 评估，提取，查找，生成，识别，列出，测量，组织，解析，选择， 预测，提供，排序，推荐，返回，检索，重写，选择，展示，排序， 总结，翻译，写作。
3. 明确输出结果
在与人沟通时，同样需要尽量用明确简洁的方式提问。如果表达过于复杂绕圈子，交流肯定会受阻，你可能得不到想要的回答。
到底要什么？而不是说出最终目的前需要烘托“氛围感”。
DO:
生成一篇三段式的博客文章，介绍五大最受欢迎的游戏主机。 这篇文章应该具有信息量和吸引力，并以一种对话式风格撰写。
DO NOT:
生成一篇关于游戏主机的博客文章。
4. 使用指令而非限制
在提示词中使用指令和限制来指导大语言模型的输出。
- 指令提供了对期望格式、风格或内容的明确指示。它引导模型该做什么或该产生什么。
- 限制是对响应的一系列限制或约束。它限制了模型不该做或避免的事情。
这种方法与人类更倾向于正面指令而非“不该做”的清单是一致的。
DO:
生成一段关于五大最受欢迎游戏主机的博客文章。只讨论游戏主机、生产公司、年份和总销量。
DO NOT:
生成一段关于前五名游戏主机的博客文章。不要列出游戏名称。
5. 控制最大token长度
在某些情况下，我们不希望模型输出过多内容，因为有些场景下，例如标题或描述有字数限制。因此，我们需要主动控制模型的输出量。
"请用一条推特解释量子物理。"
"将输出内容限制在80个字以内。"
6. 在提示中使用变量
在提示中引入变量可以增加灵活性和重用性，类似于编程中的变量替换。通过定义变量，我们可以在需要时修改其值以适应不同的需求。
![[2025-02-05-img-3-Reading-TechAI-PromptEngineering-Google-whitepaper_Prompt Engineering_v4-Content-Best Practices-Use variables in prompts.png]]
7. 实验不同的输入格式和写作风格
测试！测试！！测试！！！
不同的模型、模型配置、提示格式、用词选择和提交方式会产生不同的结果。 对提示属性进行实验很重要，比如风格、用词和提示类型（零样本、少样本、系统提示）
一个以生成关于革命性游戏主机世嘉 Dreamcast 文本为目标的提示，可以被表述为问题、陈述或指令的形式，从而产生不同的输出：
- 问题：世嘉 Dreamcast 是什么，为什么它是一款如此具有革命性的游戏主机？
- 陈述：世嘉 Dreamcast 是世嘉公司于 1999 年发布的第六代视频游戏主机。它...
- 指令：写一段话描述世嘉 Dreamcast 游戏主机，并解释为什么它如此具有革命性。
8. 对于少样本提示的分类任务，混合使用不同的类别
使用 few-shot prompting 技巧去处理分类任务时，注意提供的例子最好不要有固定的顺序，而是混合到一起，这样让模型从中学习到模式而不是例子的排列顺序。
示例1: 情感分类
错误提示（固定顺序）
文本: "这部电影的视觉效果太震撼了！" → 情感: 正面
文本: "服务周到，环境也很优雅。" → 情感: 正面
文本: "完全浪费了我的时间。" → 情感: 负面
请分类: "角色塑造非常肤浅。" →
问题: 连续给出同一类别的样本，模型可能学习到「第三个句子永远是负面」的错误模式。
正确提示（混合类别）
文本: "角色塑造非常肤浅。" → 情感: 负面
文本: "镜头语言充满诗意" → 情感: 正面
文本: "剧情漏洞多得离谱" → 情感: 负面
请分类: "配乐完美契合了故事氛围" →
效果: 迫使模型关注语言模式（如负面关键词「肤浅」「漏洞」），而非顺序记忆。
示例2: 主题分类
错误提示
文章标题: "火星探测器发现有机分子" → 类别: 科技
文章标题: "量子计算新突破" → 类别: 科技
文章标题: "金州勇士队获得冠军" → 类别: 体育
请分类: "AI模型以95%的准确率诊断癌症" →
问题: 过于工整的科技/科技/体育循环可能让模型关注数字位置。
正确提示
文章标题: "基因编辑疗法获批进入临床试验" → 类别: 科技
文章标题: "NBA总决赛MVP揭晓" → 类别: 体育
文章标题: "爱沙尼亚测试区块链投票系统" → 类别: 科技
请分类: "世界杯预选赛赛程公布" →
9. 适应模型更新
升级模型，优化提示。使用更新的模型，以获得更好的基础模型效果，持续提示优化。
10. 尝试不同的输出格式
- JSON 格式方便处理
- 通过提示要求 JSON 格式，迫使模型遵守结构化要求并限制模型幻觉内容
输入
将电影评论分类为正面、中性或负面。返回有效的 JSON：
评论："她"是一个令人不安的研究，揭示了如果允许人工智能继续不受控制地发展，人类将走向何方。它太令人不安了，我无法观看。
模式：
"""
电影：
{
"sentiment": 字符串 "POSITIVE" | "NEGATIVE" | "NEUTRAL",
"name": 字符串
}
电影评论：
{
"movie_reviews": [电影]
}
"""
JSON 响应：
输出
{
"movie_reviews": [
{
"sentiment": "NEGATIVE",
"name": "Her"
}
]
}
11. CoT Best practices 思维链
因为思维链一般解决的问题只有一个标准答案，并且有严谨的要求，temperature 应该设置为 0。
12. 记录各种提示尝试
当你正在构建一个检索增强生成（RAG）系统时，你还需要记录下 RAG 系统中具体哪些因素影响了提示中的内容被插入——这包括你的查询、分块的设定、分块输出以及其它相关信息。
