在AI模型越来越强大的今天，与其说“你是怎么问的”不如说“你怎么设计提示”更关键。Google团队近日发布一份由Lee Boonstra主笔的白皮书《Prompt Engineering》，系统性地介绍如何针对大型语言模型（LLM）设计高效提示，帮助开发者与用户从AI模型中获得更准确、有条理的回应。
提示工程是一种设计文本输入（prompt）的技术，通过设计得宜的语句，引导AI模型输出符合预期的结果。无论你是要它总结一段文本、生成程序代码、翻译语言、分析场景或分类数据，一个好的prompt能让AI表现出色；反之，模糊或无结构的prompt往往得到的是杂乱、无用的答案。
除了提示内容，模型本身的输出设置也深深影响结果。像是：
Temperature（温度）：控制随机性，低值偏向固定输出，高值则会让输出更有创意。
Top-K与Top-P（nucleus sampling）：设置模型只从前K名或累积机率前P的词汇中挑选下一个token。
最大Token数量：决定输出的长度。
这些参数若搭配不当，也可能出现模型进入“重复循环”产生冗词的问题。
不过，这些参数设置只有高端使用本地端跑大模型的人才会用的到，对于一般我们习惯直接使用像是ChatGPT、Gemini、Grok等已经由官方帮我们调教好的这些大模型，是没办法调整这个参数的。
提示词（Prompt）是与大型语言模型（如ChatGPT、PaLM 2、Gemini等）互动的“界面语言”。根据Google白皮书的归类，设计提示词的策略可分为几种主要类型，各自对应不同的任务与使用需求。
白皮书归纳多种常见的prompt设计方式，包括：
Zero-shot：直接给任务指令，不提供范例。
Few-shot：加入几个范例，帮助模型模仿。
系统提示（System Prompt）：定义任务目的与结构。
角色提示（Role Prompt）：让模型扮演特定角色，如导游、老师。
上下文提示（Contextual Prompt）：提供任务背景资讯。
Chain of Thought：要求模型逐步推理，有助于复杂问题解题。
Step-back Prompting：让模型先思考相关问题，再回答原始任务。
以下进一步提供范例，方便大家理解。
最直接的方式，单纯给指令不加任何范例。
范例：
请将这段英文翻译为繁体中文：The future of AI is exciting.
加入一到两个范例，提高模型理卸任务格式的准确度。
范例：
英文：Good morning.
中文：早安。
英文：How's the weather today?
中文：
告诉模型它的角色与行为范围。
范例：
你是一位资深UI设计师，请针对以下APP界面给出用户体验改善建议。
让AI模型“扮演某人”帮助聚焦回答风格。
范例：
假设你是营养师，请为中午要外食的上班族推荐三种高蛋白但不油腻的便当选项。
给背景资讯，让模型理卸任务场景。
范例：
用户为新手摄影师，请简单解释“快门速度”与“感光度”的差异。
鼓励模型一步步推理，适用于逻辑与数理问题。
范例：
问：如果1颗苹果要15元，我买了4颗，然后用100元付款，找回多少钱？请逐步列出计算过程。
请模型先思考要问什么，帮助拆解复杂任务。
范例：
为了判断“这家公司是否值得投资”，我们应该先问自己哪几个问题？请列出三项。
接下来我们进一步用更多的例子，让你理解各种提示词技巧的使用场合
✔ 适用简单任务/快速测试
✅正面范例
请翻译以下英文句子为繁体中文：It is raining today.
模型回应清晰、精确
今天正在下雨。
❌负面范例（没说要翻译、没指定语言）
It is raining today.
🔴模型可能误解成续写或评论天气，不翻译
Yes, it seems like a gloomy day.
💡为什么要加任务指令？
模型无法预测你的意图，Zero-shot必须指令明确、具体。
✔ 适用于格式需要模仿、语气有要求的任务
✅正面范例
英文：Good night.
中文：晚安。
英文：Thank you.
中文：
模型正确理卸任务，并模仿格式
谢谢你。
❌负面范例（无示范）
请翻译英文：Thank you.
🔴模型可能使用简体、英文回答，或乱换格式
Thanks.
感谢（没有前后对应格式）
💡为什么提供范例？
能稳定模型输出格式与风格，尤其用于自动化批处理效果最佳。
✔ 用来设置模型身份、用途与语气范畴
✅正面范例
你是一位资深科技记者，请撰写一段正式口吻的新闻导言。
模型语气严谨，风格新闻化
❌负面范例（没设置角色）
帮我写一段新闻稿。
🔴模型可能语气过于轻松、像博客
大家注意啦～新iPhone又来了！
💡为什么要设置“你是谁”？
角色定位能帮助模型调整语气、专业度与上下文理解。
✔ 适合模拟对话、客服、教学与风格演出任务
✅正面范例
请扮演一位有耐心的小学数学老师，向十岁孩子解释“分数是什么”。
模型会用简单语言、有例子、语气温和
❌负面范例（直接说：解释分数）
解释分数。
🔴模型可能使用过于技术化的术语
分数是两个整数a/b的比值...
💡为什么要加入角色？
能影响模型的用词、逻辑、语调，适用于用户引导与对话设计。
✔ 当任务需理解背景，避免模型“自行想象”错误场景
✅正面范例
背景：你是一名客服，面对一位对送货延迟不满的客户。
任务：请撰写一段道歉且具建议的回应。
模型能理解立场与语气，给出具体建议
❌负面范例（没给背景）
帮我写一段道歉文本。
🔴模型可能内容空泛、无针对性
很抱歉造成不便，希望您能见谅。
💡为什么要提供背景？
模型没有记忆、不知道任务场景，上下文有助创建任务“状态”。
✔ 复杂问题、需要逻辑推理与数学运算时特别有效
✅正面范例
请一步步计算：我有500元，买了三样商品，分别是150、180和90元，还剩多少？
模型会依串行出计算过程与结果
❌负面范例（只问最终答案）
我买了这三样商品后还剩多少钱？
🔴模型可能算错，或中途跳步骤
💡为什么要要求分步骤？
可以让模型“慢慢想”，降低算错、乱猜的机率。
✔ 复杂任务前先引导模型“反问”，强化思考结构
✅正面范例
在回答“我该不该离职创业？”之前，请先列出应该考量的五个关键问题。
模型会先创建决策框架，再进行判断
❌负面范例（直接问：我该不该离职？）
我该离职吗？
🔴模型回应过于简化或主观
视情况而定，创业很辛苦。
💡为什么要让模型“先退一步”？
能帮助生成更全面的回应架构、避免一刀切式结论。
无论以上哪一类型，都可以进一步搭配“明确的结构指令”加强回应品质。
指令强化范例：
请以条列式列出
控制在150字以内
请避免重复词
请先给结论，再附理由
提示词不是魔法，而是一种“策略对话设计”。通过这些分类与实战练习，你不仅能更高效地引导AI工作，还能真正将它变成日常生活与职场上的得力助手。
