提示工程是一门新兴的学科，专注于以最佳实践构建LLM的最佳输入，从而尽可能以程序化方式生成目标输出。AI工程师必须知道如何与AI进行交互，以获取可用于应用程序的有利结果。此外，AI工程师还必须知道如何正确提问和编写高质量的提示词。简而言之，让大模型知道我们在说什么，知道我们想干什么，知道我们要得到一个什么结果。那么我们该怎么来写呢？

相较于问大模型1+1这样简单的问题，当我们希望大模型能够处理复杂的提问时，我们需要通过提示词告诉大模型，嘿，你该这样做！

1. 三明治结构(适用于一般性提问)

   所谓的三明治结构，只是我个人的说法，指的是提示词里面会有三大结构：角色、上下文、任务

   下面我用一段prompt来展示(以kimi为例)：

   

   从上图可以看到，我在提问的时候，上下文其实是最重要的，因为只有上下文写的足够详细，大模型才能弄清楚提问者的想法，从而回答出有价值的回答。当然并不是说其他三部分不够重要，只是相对来说，上下文这一部分需要花的心思最多，比如我除了说我体重有点超标，我还可以提供一些我身体其他的指标，比如最近是否有足够的睡眠，来帮助大模型了解我的身体现状，从而回答出更科学的建议。

   相较于上下文而言，任务就不用那么复杂了，它一条规则，那就是越明确越具体越好，你应该提供足够的任务信息，并在提示词中使用合适的短语来引导模型给出你所期望的结果。看起来我们好像要提供足够多的信息，才能让大模型知道要干嘛，现实确实是这样的。因为现在的大模型在没有调教的情况下就是个呆瓜。

   角色就更好说了，给大模型赋予角色的概念，能让大模型更好贴近场景，控制其输出，在我过往的经验中，在提问的时候，加上角色概念文本，能有效提升大模型回答的准确率。

   在我们现实使用时，不必拘泥于一定是要这种结构。下面我将根据我学习到的知识和之前撰写prompt的一些经验，写一些小的示例，希望能够做到抛砖引玉。

2. 提示原则

   1. 编写清晰、具体的指令

      1. 在提示词中应该有层次分明的结构

         这里所谓的层次分明的结构，并不是指我们在写提示词的时候，要像json或者yml文件，遵循好格式。而是要告诉大模型，这个和这个是分开的不是一个东西。当然在我们写大规模的提示词时，我们最好也保存层次分明的结构，这样更方便相关人员阅读以及修改，对此我推荐使用markdown格式来编写提示词。

         在编写 Prompt 时，我们可以使用各种标点符号作为“分隔符”，将不同的文本部分区分开来。分隔符就像是 Prompt 中的墙，将不同的指令、上下文、输入隔开，避免意外的混淆。你可以选择用 ```，"""，< >，<tag> </tag>，: 等做分隔符，只要能明确起到隔断作用即可。

      2. 在提示词的末尾，询问模型是否理解问题并指示模型提出更多问题。

         如果你正在构建基于聊天机器人的解决方案，那么这样做非常有效。举例来说，你可以在提示词的末尾添加如下文本：你清楚地理解我的请求了吗？如果没有，请问我关于上下文的问题。这样一来，当我回答时，你就能够更高效地执行我所请求的任务。

      3. 重复提示

         重复提示会取得良好的效果，尤其是当提示词很长时。基本思路是，在提示词中多次添加相同的指令，但每次采用不同的表述方式。

      4. 添加长度限制

         如果你只希望模型回答1个词或者10个句子，那么应该把要求添加到提示词中，这能让大模型回答更简洁，另外一方面长篇大论的回答既消耗大模型token又延长了大模型回答的时间。

   2. 寻求结构化的输出

      像一般大模型的回答就是一段话，假如我们在API中去解析这样的字符串是挺难受的，但是我们可以让大模型，根据我们设定的结构来输出，以json格式为例：

我们可以在提示词中写：输出结构按照json格式返回
或者：输出必须被json.loads接受
或者：Make sure the answer is in json format.
在最新的GPT4中，OpenAI在API中推出了结构化输出,确保模型生成的输出将完全匹配开发者提供的Json模式。

3. 要求模型检查是否满足条件

   如果任务包含不一定能满足的假设（条件），我们可以告诉模型先检查这些假设，如果不满足，则会指出并停止执行后续的完整流程。大模型根据一定的逻辑去回答问题，如果提问天马行空不着边际，大模型很难做出准确的回答。

4. 提供少量样本学习

   它指的是LLM仅通过提示词中的几个示例就能进行概括并给出有价值的结果。在使用少样本学习技巧时，你可以给模型提供几个示例，例如下例：
   
   少样本学习技巧提供了具有目标输出的输入示例。然后，在最后一行，我们提供了想让模型完成的提示词。这个提示词与之前的示例具有相同的形式。模型将根据给定示例的模式执行操作。少样本学习是LLM的一个强大的特点，因为它使得LLM高度灵活且适应性强，只需有限的额外信息即可执行各种任务。