generative-ai-for-beginners 高级提示词工程实战：七大核心技术、温度调参与自优化工作流

generative-ai-for-beginners 高级提示词工程实战：七大核心技术、温度调参与自优化工作流

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners

本篇文章基于 generative-ai-for-beginners 课程第 5 课《Creating Advanced Prompts》编写，深入讲解从"会写提示词"到"理解提示词为什么更优"的进阶路径，覆盖 zero-shot、few-shot、chain-of-thought、generated knowledge、least-to-most、self-refine、maieutic 七大提示词技术，以及如何通过 temperature 等参数控制输出的确定性与多样性。读者学完后，将能够针对任意 LLM 构造高质量提示词，并掌握一套可复用的"构造—验证—优化"迭代方法论。

1. 从基础提示词到工程化思维

上一课（第 4 课 04-prompt-engineering-fundamentals）给出了提示词工程的核心定义：

提示词工程（Prompt Engineering）是通过提供更有用的指令或上下文，引导模型产生更相关回答的过程。

在此基础上，写提示词包含两个步骤：构造（constructing）——提供相关上下文搭好提示词骨架；优化（optimization）——逐步改进提示词以获得期望结果。本课不再停留在"能写出提示词"，而是回答"为什么一个提示词优于另一个"，并给出可套用到任何 LLM 的基础技术集合。

1.1 一个看似简单实则丰富的例子

生成 10 道地理题。

这个单行提示词其实已经隐式应用了两类技术：

• 上下文（Context）：限定了主题是"地理"；
• 限制输出（Limiting the output）：明确要求不超过 10 道题。

1.2 简单提示词的局限

即使如此，你可能仍得不到想要的结果，原因有两个：

• 主题过大：你无法确定生成的是国家、首都还是河流相关的问题；
• 格式不可控：如果你希望问题按特定格式呈现，单靠这句话无从约束。

这正是提示词工程的价值所在——好的提示词需要在上下文、格式、范围等多个维度上精确表达意图。

2. 七大提示词核心技术

首先需要建立一个认知：提示词能力是 LLM 的涌现属性（emergent property），它不是模型内置的功能特性，而是我们在使用模型过程中"发现"出来并加以利用的能力。下面按从基础到进阶的顺序逐一展开。

2.1 Zero-shot prompting（零样本提示）

这是最基础的提示形式：单个提示词，完全依赖 LLM 的训练数据作答，不提供任何示例。

• 提示词："什么是代数？"
• 回答："代数是数学的一个分支，研究数学符号及操作这些符号的规则。"

适合开放式问答、概念解释等场景，是入门 LLM 时最常使用的技巧。

2.2 Few-shot prompting（少样本提示）

在请求之外附带 1 个或多个示例，用示例给 LLM 提供期望输出的上下文、格式或风格：

• 提示词："用莎士比亚的风格写一首诗。以下是几首莎士比亚体十四行诗示例： 第 18 首：'我可否将你比作夏日？你比它更可爱也更温婉……' 第 116 首：'让我承认，两颗真心的结合，容不得任何阻碍……' 第 132 首：'我爱你的眼睛，它们怜悯着我……' 现在，写一首关于月亮之美的十四行诗。"
• 回答："月亮在天空柔柔地发光，银色的光芒洒下温婉的恩泽……"

示例的作用是让模型理解具体任务，从而生成更准确、更相关的响应——尤其适合风格模仿、格式固定类任务。

2.3 Chain-of-thought（思维链）

思维链的核心是带着 LLM 走一系列步骤，教会它"怎么做"。先看一个反例：

• 提示词："爱丽丝有 5 个苹果，扔掉 3 个，给鲍勃 2 个，鲍勃又还回 1 个，爱丽丝还剩几个苹果？"
• 回答：5（错误）

正确答案是 1（5 − 3 − 2 + 1 = 1），但 LLM 直接"跳步"给出了错误结果。应用思维链需要三步：

1. 给 LLM 一个相似示例；
2. 展示计算过程，教它如何正确计算；
3. 再给出原始问题。

• 提示词："丽莎有 7 个苹果，扔掉 1 个，给巴特 4 个，巴特还回 1 个： 7 − 1 = 6 6 − 4 = 2 2 + 1 = 3 爱丽丝有 5 个苹果，扔掉 3 个，给鲍勃 2 个，鲍勃还回 1 个，爱丽丝还剩几个苹果？"
• 回答：1

注意提示词显著变长——多了一个示例、一段计算过程，再加原始问题，最终得到正确结果。思维链适用于需要多步推理的任务（算术、逻辑、规划等），是提升准确率非常有效的技术。

2.4 Generated knowledge（生成知识注入）

很多时候我们希望提示词的一部分来自公司数据、另一部分是具体诉求。典型做法是使用模板 + 变量占位符：

{{company}}: {{company_name}} {{products}}: {{products_list}} Please suggest an insurance given the following budget and requirements: Budget: {{budget}} Requirements: {{requirements}}

模板中的{{variable}}由公司 API 提供的真实数据替换。例如填入保险业务数据后：

Insurance company: ACME Insurance Insurance products (cost per month): - Car, cheap, 500 USD - Car, expensive, 1100 USD - Home, cheap, 600 USD - Home, expensive, 1200 USD - Life, cheap, 100 USD Please suggest an insurance given the following budget and requirements: Budget: $1000 Requirements: Car, Home, and Life insurance

模型输出：

Given the budget and requirements, we suggest the following insurance package from ACME Insurance: - Car, cheap, 500 USD - Home, cheap, 600 USD - Life, cheap, 100 USD Total cost: $1,200 USD

问题来了：它把不需要的 Life 保险也推荐进来了。经过反复试错（trial and error），优化后的提示词为：

Insurance company: ACME Insurance Insurance products (cost per month): - type: Car, cheap, cost: 500 USD - type: Car, expensive, cost: 1100 USD - type: Home, cheap, cost: 600 USD - type: Home, expensive, cost: 1200 USD - type: Life, cheap, cost: 100 USD Please suggest an insurance given the following budget and requirements: Budget: $1000 restrict choice to types: Car, Home

这次输出：

Given the budget and requirements, we suggest the Car, Cheap insurance product which costs 500 USD per month.

关键改动有两处：一是为每个条目显式标注type与cost字段，二是使用restrict关键字明确约束可选范围。这个例子的核心启示是：即使使用了基础技术，多数情况下仍要持续优化提示词才能得到期望结果。

2.5 Least-to-most（由易到难分解）

思路与思维链类似但更偏"分治"：把大问题拆成一系列子问题，再按顺序逐一求解，帮助 LLM "征服"大问题。数据科学场景示例：

提示词：如何用 5 个步骤完成数据科学？

回答：

1. 收集数据
2. 清洗数据
3. 分析数据
4. 绘制数据
5. 呈现数据

适合复杂任务拆分、多阶段流水线等场景。

2.6 Self-refine（自我精炼：批判式迭代）

对生成式 AI 的输出不能盲目信任——LLM 只是输出"下一个最可能说的词"，不代表"正确"。因此让 LLM 自我批判是很好的实践。流程：

1. 初始提示词，要求 LLM 解决问题；
2. LLM 作答；
3. 你对答案提出批评，要求 AI 改进；
4. LLM 参考批评再次作答，给出改进后的方案。

该过程可按需反复循环。示例：

提示词："创建一个包含 products 和 customers 路由的 Python Web API"

AI 初版回答：

import flask app = Flask(__name__) @app.route('/products') def products(): return 'Products' @app.route('/customers') def customers(): return 'Customers'

提示词："针对上述代码提出 3 处改进建议"

AI 的批评意见：

Sure, here are three suggestions to improve the code: Import the correct module: The first line should import Flask instead of flask. The correct import statement should be from flask import Flask. Add a main function: Add a if __name__ == '__main__': block to the end of the file to run the application when the file is executed. Use f-strings: Use f-strings to format the return statements in the route functions. For example, return 'Products' can be changed to return f'This is the {request.path} page'.

改进后的代码：

from flask import Flask, request app = Flask(__name__) @app.route('/products') def products(): return f'This is the {request.path} page' @app.route('/customers') def customers(): return f'This is the {request.path} page' if __name__ == '__main__': app.run()

可以看到，正是"批判第一次回答"这一步，让第二轮输出质量显著提升。

2.7 Maieutic prompting（产婆术式提问）

与 self-refine 相似，但更强调"让 LLM 解释自己"，通过逐层追问消除输出中的不一致，确保它抵达正确结论。工作流：

1. 请 LLM 回答一个问题；
2. 对答案的每一部分，要求 LLM 更深入地解释；
3. 若发现不一致，丢弃不一致的部分；
4. 重复第 2、3 步，直到遍历所有部分且对答案满意。

示例：

提示词：如何用 5 个步骤制定缓解疫情的危机预案？

1. Identify the risks 1. Identify the stakeholders 1. Identify the resources 1. Identify the actions 1. Identify the communication channels

5 个步骤已给出，但我们无法确定是否正确，于是要求逐项深挖：

提示词：详细解释第一步，疫情中具体有哪些风险？

The risks are the following: - Loss of life - Loss of business - Loss of reputation - Loss of customers - Loss of employees

提示词：疫情中最大的风险是什么，为什么？

The biggest risk is loss of life because it's the most important thing to protect.

提示词：疫情中最大的两个风险是什么？

The two biggest risks are loss of life and loss of business.

此时 LLM 的回答保持一致，始终把"生命"和"业务"列为前两大风险，我们可以带着较高信心进入下一步。但务必牢记：不要盲目信任 LLM，任何输出都应经过验证。

3. 控制输出的确定性与多样性

LLM 天然是非确定性的（nondeterministic）：同一提示词反复运行会得到不同结果。例如反复运行提示词"为 Python Web API 生成代码"，两次输出可能差异巨大——第一次生成一个简单的/api接口，第二次则生成了一个带书籍数据列表、多路由的完整 Books API。

那么输出多样化是问题吗？取决于目标：如果你需要特定响应，它是问题；如果你只想要"生成任意 3 道地理题"这类多样化结果，则完全不是问题。

3.1 temperature：确定性与多样性的调节旋钮

temperature 是介于 0 与 1 之间的数值：0 最确定（deterministic），1 最多样（varied），默认值为 0.7。文档用"生成 Python Web API 代码"做了对照实验：

• temperature = 0.1时两次运行，输出仅在函数命名、注释措辞上有细微差异，结构几乎一致；
• temperature = 0.9时两次运行，输出从极简接口到完整的 Books API（含数据列表、/api/v1/resources/books/all、/api/v1/resources/books多路由），结果千差万别。

在仓库中可以找到实际调用 temperature 参数的示例：例如 06-text-generation-apps/python/aoai-app-recipe.py 中，首轮生成菜谱使用temperature=0.1控制质量，第二轮生成购物清单时进一步降到temperature=0以获得更确定的输出；而 06-text-generation-apps/python/githubmodels-app.py 展示了temperature=1.、top_p=1.等参数与max_tokens=1000的完整组合用法。这印证了课程的核心观点：在需要稳定、可复现输出的生产场景（如购物清单、格式化结果）应压低 temperature，而在创意生成场景可调高。

注：除 temperature 外，还有 top-k、top-p、repetition penalty（重复惩罚）、length penalty（长度惩罚）、diversity penalty（多样性惩罚）等参数可以调整输出，但超出本课程范围。

4. 提示词良好实践清单

除了上述技术，编写提示词时还应遵循以下实践：

• 指定上下文（Specify context）：上下文至关重要，能多具体就多具体（领域、主题等），信息越多效果越好；
• 限制输出（Limit the output）：若需要特定数量的条目或特定长度，务必显式说明；
• 同时指定"做什么"和"怎么做"：例如"创建一个包含 products 和 customers 路由的 Python Web API，拆分为 3 个文件"；
• 使用模板（Use templates）：当需要用公司数据丰富提示词时，用{{variable}}占位符模板再以真实数据替换，这也是 generated knowledge 技术的工程化落地方式；
• 拼写正确（Spell correctly）：LLM 可能给出正确回答，但输入拼写正确往往能得到更好的响应。

5. 动手实践：Assignment 与源码级参考

本课的实战任务是把 self-refine 技术应用到一段真实的 Flask 代码上。课程给出的初始代码如下：

from flask import Flask, request app = Flask(__name__) @app.route('/') def hello(): name = request.args.get('name', 'World') return f'Hello, {name}!' if __name__ == '__main__': app.run()

任务要求：使用 GitHub Copilot 或 ChatGPT 之类的 AI 助手，运用 self-refine 技术改进这段代码。建议先把改进方向（如架构、性能、安全性）和数量（如"3 处改进"）写进提示词，效果通常更好——这正是 05-advanced-prompts/README.md 中的 TIP 提示。

仓库提供了可对照的参考实现：

• 05-advanced-prompts/python/aoai-assignment.py 是任务初始代码；05-advanced-prompts/python/aoai-solution.py 是应用 self-refine 后的示例解答，可以看到它围绕"安全性"这一明确方向迭代：从环境变量加载SECRET_KEY取代硬编码、引入 Flask-WTF 表单做输入校验、用markupsafe.escape防 XSS、用@app.errorhandler(400)处理异常——完美展示了"限定改进方向 + 限定数量"的提示策略如何产出高质量代码；
• 05-advanced-prompts/javascript/assignment.js 与 05-advanced-prompts/javascript/solution.js 则展示了 JS/Express 版本的完整 self-refine 过程：从"CommonJS 转 ES module、去掉未用参数、优化日志文案"到"环境变量管理密钥、express-validator 输入校验、HTTPS 加密传输"两轮迭代，其中自签名证书还可用openssl req -nodes -new -x509 -keyout server.key -out server.cert生成。

知识自测

为什么使用 chain-of-thought 提示词？（1 个正确、2 个错误选项）

1. 教会 LLM 如何解决问题。✅
2. 教会 LLM 在代码中找错误。
3. 指导 LLM 提出不同解决方案。

正确答案是 1：思维链的本质是向 LLM 展示"如何通过一系列步骤解决问题"，并附上同类问题的解法示例。

延伸挑战

完成 Assignment 后，把你构建的任何程序拿出来，想清楚希望应用哪些改进，再使用 self-refine 技术落地这些改动，并对比改进前后结果的好坏。这个循环本身就是在训练你"构造—批判—再构造"的提示词肌肉记忆。

6. 本章小结与下一步

本课把提示词工程从"经验直觉"提升为"技术体系"：seven 大技术各有适用场景——零样本适合开放问答、少样本适合风格与格式固定、思维链适合多步推理、生成知识适合企业数据注入、由易到难适合复杂任务拆分、自我精炼与产婆术式提问则承担"验证与纠错"职责；temperature 则让我们在确定性与多样性之间自由调节。下一课将把这些提示词知识落地到真实应用中——在 06-text-generation-apps 中构建文本生成应用。

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners