Prompt Engineering

15989119660@163.com (Xiangtao XIAO) — Thu, 12 Mar 2026 00:00:00 +0000

Prompt Engineering（提示工程）是设计和优化输入提示（prompts）以引导大语言模型生成期望输出的技术。这一领域随着GPT-3的发布而兴起，是连接用户意图与模型能力的关键桥梁。

经典论文：

Brown, T. B., et al. (2020). “Language Models are Few-Shot Learners.” NeurIPS. [论文链接] - GPT-3论文，首次系统展示了prompt engineering的潜力
Wei, J., et al. (2022). “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.” NeurIPS. [论文链接]

1. Prompting Principles（提示原则）

清晰性（Clarity）和具体性（Specificity）是prompt设计的核心原则。研究表明，模糊的指令会导致模型输出不确定性增加，而具体的指令能显著提升输出质量。

Tactic 1: Use delimiters to clearly indicate distinct parts of the input

分隔符（如 ```、"""、—、<>）能帮助模型识别输入的不同部分，避免混淆。这在处理包含多段文本或代码的任务时尤为重要。
Tactic 2: Ask for a structured output

要求结构化输出（如JSON、HTML、Markdown表格）便于后续程序处理，是构建AI应用的最佳实践。
Tactic 3: Ask the model to check whether conditions are satisfied

让模型先验证条件再执行任务，可以减少错误输出。
Tactic 4: “Few-shot” prompting - give examples

Few-shot prompting通过提供少量示例来引导模型理解任务格式和期望输出。

经典论文：
- Brown, T. B., et al. (2020). “Language Models are Few-Shot Learners.” NeurIPS. [论文链接] - 首次提出few-shot learning概念
- Min, S., et al. (2022). “Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?” EMNLP. [论文链接]