提示工程

在生成式 AI 模块中，您了解到生成式 AI 模型的输入空间实际上是无限的。为了生成符合用户预期的输出，您需要构建提示。提示是应用与模型之间的结构化合约。

撰写良好的提示：

• 说明 LLM 应如何构建回答。
• 包含多个可随时间推移进行版本控制、测试和改进的组件。
• 可作为共享制品，用于跨团队协作。

在本模块中，您将学习如何撰写有效的提示。我们会说明提示的结构，以及其组成部分在系统和最终用户之间的分布情况。您还将学习基本的提示技巧，以及每种技巧的适用场景。

在本模块中，我们将使用一个共享示例：BlogBuddy，这是一款由 AI 赋能的写作助理，灵感源自 CyberAgent 对 Prompt API 的使用。

返回生成式 AI 模块，查看 BlogBuddy 系统蓝图。

提示组件

每个提示组成部分在引导模型行为方面都发挥着特定作用。

• 上下文：确定模型的角色和领域，以便模型了解其行为方式。
• 指令：为模型分配特定任务。
• 输入变量：由应用实时提供的特定情境上下文。
• 输出格式：定义预期输出结构。例如，您可能需要 JSON 输出。
• 示例：演示如何针对一个或多个其他输入执行任务。
• 限制：设置明确的限制，以确保输出内容的一致性、安全性以及与品牌的一致性。

您的提示可以包含这些组成要素中的部分或全部。以下示例展示了 BlogBuddy 的写作助理功能的这些组件。

### Context

You are a writing assistant for blog authors.
Your job is to generate helpful, concise, and engaging content.

### Instruction

Generate 3 alternative titles for the user's blog post with a given style.

### Input variables

Here is the content of the blog post:
${blogPostContent}

Here is the desired style:
${titleStyle}

### Output format

Return valid JSON ONLY, in the following exact structure:
{
  "titles": ["Title option 1", "Title option 2", "Title option 3"]
}

### Examples

Example input:
{
  "blogPostContent": "I finally visited the small neighborhood café I've been eyeing for months...",
  "titleStyle": "friendly"
}

Example output:
{
  "titles": [
    "A First Visit to the Neighborhood Café",
    "Trying the Café I've Wanted to Visit for Months",
    "My Experience at a Long-Awaited Local Spot"
  ]
}
### Constraints

- Each title must be under 128 characters.
- Titles must be original, not copied verbatim from the draft.
- Keep the tone natural and human. Avoid emojis unless explicitly requested.
- Avoid sensationalism or clickbait.
- If the draft includes multiple topics, choose the most prominent topic.

对于您的第一个提示，请从基本要素入手：指令和输出格式。然后，在分析结果并确定需要哪些更精细的控制措施才能取得成功后，逐步添加更多组件。

系统提示与用户提示

部分提示组件是硬编码的，而其他组件可由最终用户提供：

• 系统提示由应用开发者提供，用于定义模型的整体行为。它可以设置模型的角色、预期语气、输出格式（例如严格的 JSON 架构）以及任何全局限制。系统提示也是您编码安全和责任要求的地方。它在不同请求之间保持一致，并为模型的行为提供稳定的基础。

• 用户提示包含直接促成输出的即时请求。 用户请求执行特定任务，其中可以包含特定变量。 例如，“为这篇帖子显示三个标题”“继续写这个段落”或“让这篇文案听起来更正式”。

大多数生成式 AI API 都允许您将提示构建为消息数组，每条消息都包含角色（系统或用户）和内容。这样可以更轻松地将稳定的全局指令与动态的每请求输入分开。

如何确定哪些组件应包含在系统提示中，哪些应留给用户指定？答案取决于用户体验的灵活性和模型的性能。

受限用例

对于高度特定的用例，可以在系统提示中预定义大部分提示。例如，在 BlogBuddy 中，用户可以点击显示标题，列出为草稿生成的标题建议。

任务是固定的，输出格式是已知的，用户无需提供额外的上下文即可获得预期结果。在这种情况下，您需要将所有稳定规则、语气指南、输出架构和示例都放在系统提示中。

如需使用 Prompt API 构建此功能，我们可以使用 initialPrompts 为整个会话定义系统级行为：

// Defines stable behavior for the entire session
const session = await LanguageModel.create({
  initialPrompts: [
    {
      role: "system",
      content: `You are a blog-writing assistant.
      Your task is to generate high-quality titles for blog posts.
      Always respond in concise, friendly language.
      Return exactly 3 alternative titles.
      Produce valid JSON with a "titles" array of strings.`
    }
  ]
});

当用户点击 Show Titles 时，系统会针对当前内容调用提示：

// The only variable input is the blog content
const result = await session.prompt(blogContent);

随着时间的推移，用户可能会要求更高的灵活性和更全面的控制。在这种情况下，您可以将某些组件移到用户提示中，并提供界面控件。例如，包含风格或语气规范的下拉菜单。

不过，结构化操作过多可能会影响用户体验。在这种情况下，您可能需要改用更开放式的设计，让用户自行指定大部分提示。 您可以在用户体验模式模块中详细了解如何优化此设计。

灵活任务依赖于详细的用户提示

开放式互动体验，可帮助用户从头开始撰写博文，为用户提供更大的灵活性。他们可能会要求提供创意、大纲、重写内容、语气转换或头脑风暴，或者具体说明任务应如何执行。对于这类应用，您可能需要更强大的服务器端模型。

对于灵活任务，用户需要指定更多信息，因为可能的选项范围要广得多。系统提示仍然控制着整体行为。

最佳实践包括：

• 在系统提示中放入稳定的规则、结构和示例。在用户提示中放入动态内容和特定于任务的请求。
• 用户体验越开放，用户提示就越需要灵活，以适应不可预测的输入。
• 用户提示需要完成的工作越多，模型的能力就越强，因为模型必须处理更多变化，但内置结构更少。

您可以使用这些规则，在产品上下文中逐步优化控制与用户灵活性之间的权衡。密切观察用户偏好设置和行为。更灵活的设置并不一定能转化为实际价值。用户还需要有时间、技能和认知带宽来撰写更详尽的提示。

常用的提示技巧

开发者通常会尝试多种提示技巧，以找到最适合其使用情形和模型的技巧。

零样本提示

您向模型描述任务，并希望获得最佳结果。例如：

"What is the capital of France?"

对于许多 AI 任务，零样本提示都是一种高效的基准。对于不太复杂的请求（例如查询百科知识），您最好还是使用这种技术。不过，在大多数实际应用中，您需要使用额外的条件和逻辑来扩展提示。

少样本提示

通过少样本提示，您可以提供示例来展示正确的行为、风格、结构和其他重要变量。以下是用于情感分类的提示示例：

You classify user messages into one of the following categories:
- "positive"
- "negative"
- "neutral"
Here are examples to guide your classifications:
Input: "I love this product! It works perfectly."
Output: { "label": "positive" }

Input: "This is terrible. I want a refund."
Output: { "label": "negative" }

少样本提示非常适合此类伪预测任务。它还可以应用于具有可识别结构的任务，例如图 1 中的标题生成。

当输出空间非常大时（例如开放式或长篇内容），小样本提示可能不是最佳技术。很难甚至不可能提供有意义的示例来涵盖该空间。

思维链提示

您鼓励模型在生成答案之前进行逐步推理。 您可以明确描述这些步骤，也可以让模型自行定义。例如：

"Think step-by-step to identify the main idea of this paragraph. Then produce a
short heading under 60 characters."

思维链非常适合需要多步推理和执行的任务，例如撰写博客文章大纲或支持复杂决策。这是所谓推理模型背后的主要技术。

这可能成本高昂。生成逐步推理轨迹会增加计算量、费用和延迟时间。仅当您的使用场景需要复杂的推理和规划时才使用。

自我反思提示

在初始生成之后，您要求模型自行评判并修改其输出。例如：

"Review your previous output.
Identify unclear phrasing and rewrite it more concisely."

自我反思对于需要通过迭代改进来完成的任务（例如编辑或重写工具）尤其有用。它易于实现，并且可以大幅提升质量。当提示的效果良好时，自我反思循环会很有帮助。首先，优化输出内容，使其更清晰或更令用户满意。

要点总结

在本模块中，您学习了如何使用结构化组件构建提示。实际上，提示工程是一项高度实验性的工作。只有经过多轮改进，才能实现清晰度和可靠性。

在下一模块中，我们将介绍以评估为导向的提示开发。这种做法有助于您系统地改进提示，并找到最适合您的产品和用户的提示。

资源

每种技术都有自己的变体和最佳实践。有各种详细的外部资源，例如：

• Google Cloud 的提示工程指南
• DAIR 的提示工程指南
• Janna Lipenkova 撰写的提示撰写简易指南
• 请参阅《AI 产品开发艺术》中的第 6 章。

请查看所选模型的文档，其中可能包含可帮助您获得尽可能理想效果的具体建议。

检验您的掌握情况