Google 官方提示工程白皮书，中英文版本免费领

2025-04-14

2 分钟

AIAI 提示词

大家好，我是 luckySnail ，文末会分享如何获取 Google 提示词白皮书的资源地址，现在让我们先了解一下它吧！

想象一下，大型语言模型（LLM）就像一个超级聪明的“阿拉丁神灯”，能回答问题、写文章、写代码，几乎无所不能。但是，怎么才能让这个“神灯”准确理解你的愿望，并给出最想要的答案呢？答案就是——提示工程 (Prompt Engineering)！

最近，Google 发布了一份官方的提示工程白皮书，就像一本“神灯使用说明书”，系统地介绍了如何更好地与 LLM 沟通。别担心，“工程”听起来很复杂，但这份白皮书告诉我们：“每个人都可以编写提示！” 这篇文章就带你用最简单有趣的方式，快速了解这本“说明书”。

什么是提示工程？为什么叫“工程”？

简单来说，提示工程就是设计出高质量提示词，引导 LLM 给出准确、有用输出的过程。

这不是随便问个问题那么简单。你需要考虑用什么模型、怎么措辞、给多少背景信息等等。这就像做菜，同样的食材，不同的调料和火候，味道就千差万别。

之所以叫“工程”，是因为它是一个需要设计、优化、评估、调试的系统过程，需要不断尝试和改进，才能找到最佳“配方”。

不仅仅是提问：掌控 LLM 的“魔法旋钮”

除了写好提示，我们还需要了解 LLM 的一些“魔法旋钮”，也就是输出配置，它们能控制 LLM 如何“说话”：

输出长度 (Max Tokens)：想让它话痨还是简洁？可以限制它最多说多少个“字”（令牌）。但注意，限制长度不等于自动变简洁，想简洁还得在提示里说清楚。
温度 (Temperature)：想让回答更“稳重”还是更“有创意”？调低温度，回答更固定、准确；调高温度，回答更多样、天马行空。温度为 0 时最“死板”，总是选最可能的那个词。
Top-K & Top-P：这两个参数决定了 LLM 在预测下一个词时有多少“备选项”。Top-K 是选概率最高的 K 个，Top-P 是选概率加起来超过 P 的那些。怎么选最好的 K 或 P？答案是多试试！

注意这些“旋钮”会互相影响，需要理解它们的配合才能更好地控制输出。

核心提示技巧：让 LLM 更懂你的“十八般武艺”

白皮书介绍了很多实用的提示技巧，就像不同的“武功招式”，下面一个个来看：

零样本 (Zero-shot)：最直接的方式，啥例子也不给，直接描述任务让 LLM 干活。（“给我总结下这段文字。”）
单样本 & 少样本 (One/Few-shot)：给 LLM 看一两个甚至三五个“样板”，让它照着学。这招特别管用，能让输出格式更符合你的要求。（“例子：输入‘苹果’，输出‘水果’。现在输入‘土豆’，输出？”）
设定“人设”和“场景” (System, Role, Context)：
- 系统提示：给 LLM 定个“总基调”。（“你是一个严谨的科学编辑。”）
- 角色提示：让 LLM 扮演特定角色。（“你现在是莎士比亚，给我写首诗。”）
- 上下文提示：提供具体背景信息。（“背景：我们在讨论周末去哪儿玩。选项A是爬山，选项B是看电影。请分析利弊。”）
退一步思考 (Step-back)：遇到复杂问题，先引导 LLM 思考一个更宏观、更普遍的问题，再回来解决具体问题，这样能让它“思路更开阔”。
思维链 (Chain of Thought - CoT)：让 LLM “一步一步地想”，把推理过程写出来。这能显著提高复杂问题的准确性。（“请解释为什么天空是蓝色的，一步一步来。”）
自我一致性 (Self-consistency)：让 LLM 针对同一个问题，用不同的“思路”（推理路径）想几次，然后选那个最常出现的答案，提高结果的可靠性。
思维树 (Tree of Thoughts - ToT)：CoT 的升级版，让 LLM 同时探索多个不同的推理“小路”，适合需要深度探索的复杂任务。
推理与行动 (ReAct)：让 LLM 不仅能“想”，还能“做”，比如结合搜索引擎查找最新信息，或者调用计算器进行计算。

LLM 也能当“码农”：代码提示技巧

白皮书还专门讲了怎么让 Gemini (Google 的 LLM) 帮你搞定代码：

写代码：告诉它你想用什么语言实现什么功能。
解释代码：把看不懂的代码丢给它，让它解释。
翻译代码：比如把 Python 代码转成 Java。
调试和审查代码：给出错误信息和代码，让它帮你找 Bug，提改进建议。

让 AI 帮你写提示：自动提示工程 (APE)

写提示写累了？还有更高级的玩法：让 LLM 自己去生成和优化提示！这就是自动提示工程，让 AI 帮助 AI 变得更好用。

成为提示高手的“秘籍”：最佳实践

白皮书给出了很多实用的建议，助你成为提示高手：

给例子！给例子！给例子！ （重要的事情说三遍）少样本提示效果拔群。
保持简洁清晰：指令越明确越好。
说清楚你要啥：明确输出的格式、长度、内容。
多用肯定句：告诉它“做什么”，而不是“不要做什么”。
控制输出长度：用配置或提示明确限制。
用变量让提示更灵活：方便重复使用。
大胆尝试：不同的措辞、格式、风格都试试。
记录你的尝试：记下哪些提示有效，哪些无效，不断学习。
和别人交流：分享经验，互相启发。
关注模型更新：模型会进化，你的提示也要跟上。

未来趋势：多模态提示

白皮书也提到了未来可以用文字、图片、声音等多种信息组合起来给 LLM 下指令，但这部分还没深入展开。

Google 的这份提示工程白皮书，就像一本现代版的“与 AI 共舞”指南。它告诉我们，掌握提示工程这门“手艺”，是充分发挥 LLM 潜力的关键。无论你是开发者、写作者、学生还是任何想利用 AI 的人，理解并实践这些原则和技巧，都能让你手中的“阿拉丁神灯”更加听话、更加强大。如果你想更了解和学习提示工程，强烈建议看完整版本的提示工程白皮书，地址如下：翻译为中文在线查看地址： https://baoyu.io/blog/google-prompt-engineering-whitepaper 英文在线访问和下载地址： https://drive.google.com/file/d/1AbaBYbEa_EbPelsT40-vj64L-2IwUJHy/view?pli=1 下面是我让 notebooklm 生成的大纲，推荐你也结合它一起进行快速学习

此文自动发布于：github issues