提示词工程 Prompt Engineering
通过合适的指令/示例构造，提升模型在目标任务上的表现与稳定性。
Prompt 工程包括指令措辞、上下文组织、示例选择与输出格式约束等实践，是零样本/少样本迁移的关键手段。
常见策略
- 零样本提示（Zero-shot）：直接描述任务目标与约束，适合通用任务。
- 少样本提示（Few-shot）：提供示例问答或输入输出对，帮助模型模仿模式。
- 思维链提示（Chain-of-Thought）：要求模型逐步展示推理过程，适合复杂推理问题。
- 角色设定与上下文记忆：通过设定身份、提供背景信息提升回答一致性。
- 系统提示词（System Prompt）与模板化 Prompt：在系统层预设模型「角色」「风格」与输出格式，通过固定模板（Prompt Template）复用结构化提示。
- ReAct / Reflexion 等 Agent 风格 Prompt：将「思考-行动-反思」写入提示结构中，用于复杂工具调用与自主任务执行。
工程实践
- 结构化模板：使用 Markdown、JSON Schema、正则约束输出格式，便于解析。
- 检索增强：结合向量检索或知识库动态构建提示上下文。
- 自动化迭代：利用提示调优工具（如 Prompt Tuning、RLHF 或评估器）批量实验效果。
评估与风险
- 稳健性：注意提示对措辞敏感，需进行 A/B 测试与鲁棒性评估。
- 偏见与安全：提示可能触发敏感内容，应配合安全策略与过滤器。
- 提示注入：当系统会“读取外部内容”（网页/文档/检索结果）时，需要重点防护提示注入与间接注入风险，见 提示注入。
- 成本控制：长提示会增加上下文开销，需要平衡效果与费用。
参考资料
- Brown et al. “Language Models are Few-Shot Learners.” (2020).（提出利用提示实现零样本/少样本迁移）
- Liu et al. “Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing.” (2023).（综述提示方法与应用）
- OpenAI. “Best practices for prompt engineering with the OpenAI API.” (2023).（提供工程层面的提示设计建议）
打开 GitHub 界面，修改后直接生成 PR