topic-ai-大模型-提示词工程

提示词工程 - Topic

1. 核心观点

Summary（一句话声明）

提示词工程是通过设计提示词结构和调整模型输入参数来充分挖掘 LLM 能力的系统性技术。

2. 快速导航

1. 概念

1.1 提示词和提示词工程的定义

• 1.1.1 系统提示词
• 1.1.2 用户提示词
• 1.1.3 提示词工程定义
• 1.1.4 调用 LLM API

1.2 输入参数设置

• 1.2.1 top_p 详解
• 1.2.2 Temperature 参数原理
• 1.2.3 top_p 参数原理
• 1.2.4 top_k 参数原理

2. 提示词编写指南

2.1 01 结构

• 2.1.1 参考提示词结构

2.1.2 引设

• 2.1.2.1 提示词常见结构
  • 2.1.2.1.1 系统输入设置（System Setup）
  • 2.1.2.1.2 引设（Setup / Introduction）
  • 2.1.2.1.3 上下文介绍（Context）
  • 2.1.2.1.4 任务目标（Goal / Objective）
  • 2.1.2.1.5 约束限制（Constraints）
• 2.1.2.2 一个完整例子
• 2.1.2.3 为什么需要引设

2.2 02 三大原则

• 2.2.1 原则 1：清晰且明确的指令

2.2.2 原则 2：给大模型思考的时间

• 2.2.2.1 多轮对话售前推荐最佳实践
• 2.2.2.2 思维链-基本概念
• 2.2.2.3 直接加上请一步步思考
• 2.2.2.4 要求ai给出结果再对比
• 2.2.2.5 逐步思考

2.2.3 原则 3：持续优化

• 2.2.3.1 调整输入参数
• 2.2.3.2 调整提示词结构
• 2.2.3.3 组合不同的技巧
• 2.2.3.4 反馈优化

2.3 03 提示词编写的通用技巧

• 2.3.1 给大模型思考的时间
• 2.3.2 结构化输出
  • 2.3.2.1 结构化输出-基本概念
  • 2.3.2.2 JSON Mode
  • 2.3.2.3 Pydantic 模式
• 2.3.3 提供样例（few-shot / one-shot）
  • 2.3.3.1 One-shot（单样本提示）
    • 2.3.3.1.1 结构
    • 2.3.3.1.2 示例
    • 2.3.3.1.3 One-shot 的作用
  • 2.3.3.2 Few-shot 基础
    • 2.3.3.2.1 Few-shot（少样本提示）
    • 2.3.3.2.2 Few-shot 示例
    • 2.3.3.2.3 Few-shot 为什么有效
  • 2.3.3.3 Few-shot 的设计原则
    • 2.3.3.3.1 示例必须具有代表性
    • 2.3.3.3.2 输出格式必须统一
    • 2.3.3.3.3 示例质量比数量更重要
  • 2.3.3.4 Few-shot 与 Zero-shot 的区别
  • 2.3.3.5 实际应用场景
  • 2.3.3.6 总结
  • 2.3.3.7 样例-基本概念
• 2.3.4 角色扮演与思维链
• 2.3.5 提示词调试与评估

2.4 04 提示词模板设计

• 2.4.1 思维链（Chain Of Thought）
• 2.4.2 自洽性（Self-consistency）

2.4.3 模板

• 2.4.3.1 推理模型提示词框架
• 2.4.3.2 非推理模型通用模板

2.5 05 案例

2.5.1 最佳实践客服质检

• 2.5.1.1 业务场景说明
• 2.5.1.2 业务指标要求
• 2.5.1.3 提示词优化过程
• 2.5.1.4 评测集准备 -> 提示词编写 -> 评测验证
• 2.5.1.5 Bad Case 分析 -> 提示词迭代 -> 评测验证

参考

• 77kstar 提示词工程智能