“我摊开心中愁，你只见眼前秋。”

AI First 101: 从 Prompt Engineering 开始的 AI 指南

前言

正好最近上了个这方面的课程，系统性地学习一下 Prompt Engineering
边学边记笔记，简单做了这篇文章
最近困得要死，事情多又睡不够，难顶
哦对了，祝大家国庆快乐，虽然已经过了。假期好短呜呜呜。

LLM 与 Gen AI

首先来做一下名词解释，理解一下 大语言模型（LLM， Large Language Model） 和 生成式 AI（Generative AI，Gen AI） 的关系。
Gen AI 是一个宏大的概念，指能自动生成文本、图片、音频或视频内容的人工智能系统；而 LLM 是其中专注于自然语言处理的一个分支。所以简单来说是一种包含关系：LLM 是 Gen AI 的一种实现形式。

提示词工程 Prompt Engineering

大部分情况下，我们都是通过 ChatGPT、Gemini 等LLM接触 Gen AI。在这些模型固定的情况下，输出结果的质量很大程度上取决于我们输入内容的质量。为了得到理想的输出结果，我们就需要不断改进和完善我们输入的内容，这就有了提示词工程 Prompt Engineering。

Prompt 直译就是提示词，指我们给 AI 输入的指令、问题、上下文等，用来告诉模型你希望它做什么。
我们在许多资料中看到的 Prompting 就是指输入提示词的这一过程，而 Prompt Engineering 则是指通过精心设计和优化 prompt，以引导 AI 产生期望输出的技术与方法。

Prompt 分类

根据是否提供示例，我们可以将 Prompt 分为三类，具体内容如下：

当然，没有最好的 Prompt，只有最适合的 Prompt。还是需要具体情况具体分析，根据情景选择最合适的Prompt。

Prompt Engineering 5 步架构

Prompt Engineering 的核心，在于清晰的上下文、以及持续优化。
我们可以将 Prompt Engineering 的过程，即不断完善输入内容的过程，总结为以下5个步骤

| 步骤 | 含义 | 示例 | | —————— | ————– | ——————– | | Task（任务） | 明确模型要完成什么任务 | “帮我写一篇关于人工智能伦理的博客草稿” | | Context（上下文） | 提供必要背景或约束条件 | “目标读者是大学生，语气友好” | | References（参考） | 提供格式、风格或示例 | “模仿TED演讲式语言风格” | | Evaluate（评估） | 判断输出是否符合预期 | 检查逻辑性、准确性、流畅度 | | Iterate（迭代） | 基于反馈不断优化Prompt | 改写、增加上下文、拆分任务 | 关于 Iterate，这里也提供一种方法论：

• Revisit the prompting framework：重审提示框架。回顾前面的四个步骤，思考是否任务定义过宽、上下文不够清晰，或参考示例过少。
• Separate prompts into shorter sentences ：将 Prompt 拆分为更短的句子。将复杂、冗长的提示语拆成多个短句或步骤，帮助模型更清晰地理解任务逻辑，避免“混乱指令”导致的输出偏差。
• Try different phrasing or switch to an analogous task：尝试不同表述或切换类比任务。换一种问法、调整语气或使用不同的语义结构，能显著提升输出质量。
• Introduce constraints ：引入约束条件。明确输出格式、语气、篇幅或风格要求，这种限制能让模型更聚焦目标，提高输出可控性。

Prompt Engineering 实用技巧

Custom Instructions：自定义指令

通过 Custom Instructions，你可以告诉模型“你是谁”与“你希望它如何回答”。这就像为 AI 建立 “人格设定”。
举个例子，在输入问题或任务前，先告诉模型：

“你是一名理性且略带文艺风格的技术博主，擅长以通俗语言解释复杂概念。”

这类设置能帮助模型在整个会话中保持一致语气与目标。

在这一阶段，我们通常会遵循以下几个原则：

Memory Bank：记忆库

Memory Bank 让模型在多轮对话中保留上下文记忆，实现“对话连续性”。 这对于持续项目、学习计划或团队沟通尤为重要。
使用 Memory Bank，能为模型的输出内容提供以下好处：

• Maintain Continuity（保持连续性）：在多轮交互中保持上下文一致，避免重复解释或丢失信息。
• Enhance Relevance（提升相关性）：根据历史对话生成更符合当前需求的回答。
• Improve Efficiency（提高效率）：减少重复说明，节省用户时间，提升协作体验。

MCP Servers：模型控制协议与服务器

MCP（Model Context Protocol） 是一种为多模型协同与工具集成而设计的通信协议。它的目标是为生成式 AI 建立一个统一的“语言环境”，让不同模型、插件或外部工具能够高效、安全地交互。
简单来说，MCP 就像是 AI 的“通信桥梁” ， 它定义了不同 AI 模块（如语言模型、数据工具、知识库、外部 API）如何共享上下文、执行任务与返回结果。

而 MCP Servers 则是采用了 MCP 的服务器，负责处理多个 AI 模型之间的请求与响应、管理外部数据或工具调用、以及保证通信过程的安全与可控性。

1. 客户端向 MCP Server 发送任务请求（如数据检索、调用 API、执行脚本）；
2. MCP Server 解析请求并路由到合适的模块或模型；
3. 执行任务后，Server 将结果回传给 Client；
4. Client 再将结果整合进用户的对话或应用逻辑中。

使用 MCP Servers 后意味着，AI 不再是“孤立的模型”，而是一个可扩展的系统，可以同时调用多个外部服务和智能模型。

其具体优点如下：

Prompt Chaining：提示链

Prompt Chaining 是将多个 Prompt 依次串联，实现渐进式提问和输出，使模型在每一步的输出基础上继续处理下一步任务。
可以理解为“分解问题 → 逐步求解”的策略。举个例子：

需求：生成一段说明文概括某文章的内容

第一步：总结文章核心观点
Prompt：“请总结下面文章的主要观点。”

第二步：将总结转换为推理流程
Prompt: “根据总结内容，列出文章的逻辑步骤。”

第三步：生成最终输出
Prompt: “将逻辑步骤转化为一段连贯的说明文。”

这种技巧的优点是：能处理复杂任务，将大问题拆解为小步骤；提高生成内容的逻辑性和一致性等。
缺点也有：对用户拆分问题和流程设计的要求较高；某一步的错误可能会影响最终结果等。

Tree of Thought：思维树

Tree of Thought（ToT） 是一种多路径推理方法，它通过生成多个思路（思维节点），在模型内部形成“思维树”，再选择最优路径生成答案。
可以理解为“模拟人类多方案思考，再选最佳方案”。举个例子：

需求：求解一道数学题

第一步：让模型生成多种可能解法（各为一个思维节点）
Prompt：“请使用不同的方法求解这道题。”

第二步：对每个思维节点进行评估
Prompt：“请对每个方法进行评估，列出各自的优缺点。”

第三步：选择最优或最合理的解法输出
Prompt：“考虑到xxx等因素，请选择最适合的解法”

这种技巧的优点是：提升复杂推理和多步骤问题的正确率；能模拟人类思考的多路径探索。
局限性则是：需要更多计算资源；设计和调优较为复杂。

局限性和伦理考量

六大局限性

由于模型在训练时，因为各种因素，用以训练的数据做不到绝对充分且客观，因此会导致模型的输出存在各种局限性。
下面这张表总结了当前 LLM / Gen AI 的六大局限性及其含义：

伦理考量

由于局限性的存在，可能会导致输出的结构存在各种伦理上的问题。
在使用生成式 AI 时，我们应注意以下伦理维度：

• Human Oversight（人类监督）：AI 不能完全取代人类判断，应始终由人做最终决策。
• Code Rights（代码权利）：明确生成内容的版权归属，尤其在商业场景中。
• Bias Prevention（偏见防止）：识别和纠正模型潜在偏见，避免误导与歧视。

参考

1. Google’s 9 Hour AI Prompt Engineering Course In 20 Minutes
2. OpenAI - Introduction to Prompt Engineering
3. LangChain Docs - Advanced Prompting Strategies

• Previous
  博客优化：添加 Gitalk 评论