提示词工程与实践课程内容

2301_80226956

209人浏览 · 2026-06-03 18:05:08

2301_80226956 · 2026-06-03 18:05:08 发布

LLM Power Prompting

大型语言模型本质上是一个黑箱，而提示就是我们与它沟通的唯一接口。就像我们使用自然语言与人交流一样，提示也是我们向LLM下达指令、描述任务、提供上下文的主要方式。

Zero-shot prompting（零样本提示）

直接让LLM做一件事，不提供额外支持，不提供示例

K-shot prompting（少样本提示）

提供示例（k=1,3,5等），也称为“上下文学习”（in-context learning）

少样本提示通过在提示中加入几个输入-输出示例，教会模型你期望的格式、风格或逻辑。提供的示例跟目标任务越相似，生成效果越好

Chain-of-Thought Prompting（链式思维提示）

思维链提示要求模型在给出最终答案之前，先输出推理过程。

这能大幅提高复杂问题的正确率。

多样本CoT：在提示中给出几个带推理步骤的例子。
零样本CoT：直接加上一句“让我们一步步思考”。
实践中，你可以要求模型把推理放在<reasoning>标签中，便于解析最终结果。标签名称可自定义：不一定非要用 <reasoning>，你也可以用 <think>, <step_by_step>, <推理> 等。
关键是保持前后一致，并在提示中明确说明。

适用于需要多不逻辑推理的任务编程数学

Self-consistency Prompting（自洽提示要求投票输出最常见的答案）

对同一提示多次采样（通常结合CoT）聚合最常见的答案通过模型集成减少幻觉和错误

Tool Use（工具调用委托处理）

允许LLM将任务委托给外部系统减少幻觉，提高自主性 LLM本身不能直接运行代码、查询数据库或执行系统命令。但通过工具调用（如函数调用、API集成），模型可以请求外部系统完成这些操作。

例如，在一次修复后，你可以让模型调用pytest命令来确保单元测试仍然通过。模型会生成工具调用指令，由宿主环境执行并返回结果。整个流程可通过LangChain搭建。这是构建AI Agent的基石技术。

Retrieval Augmented Generation（先查后回答）

向LLM注入上下文数据无需重新训练即可让模型保持最新知识 RAG是一种混合架构：先根据用户查询检索相关文档（如代码库、API文档、公司内部知识库），然后将检索到的内容与原始问题一起送给LLM生成答案。

RAG 是 Retrieval-Augmented Generation（检索增强生成）的缩写。

简单来说，它是目前大语言模型（如 ChatGPT、Claude、DeepSeek）非常流行的一种技术架构，旨在让 AI 模型“学会查资料”再回答问题。

RAG 解决了什么核心问题？

大语言模型（LLM）有两个固有缺陷：

知识截止日期（过时）：模型训练好后，知识就停留在那一天。例如，如果你问一个 2023 年训练的模型“2024 年世界杯冠军是谁？”，它答不上来。
产生幻觉（一本正经胡说八道）：模型有时会编造看起来很有道理但实际错误的答案。对于企业内部文档或特定领域知识，它可能完全不知道。

RAG 的解决方案：
不要求模型记住所有知识，而是在回答问题时，先去一个外部知识库（如谷歌、维基百科或你的公司文档）里搜索，找到相关片段，然后把这段话作为参考资料喂给 AI，让 AI 根据资料回答问题。

RAG 的工作流程（三个步骤）

可以把 RAG 看作一个“阅读并回答”的过程：

步骤	操作	生活类比
1. 检索 (Retrieval)	用户问一个问题。系统将问题转化为向量，去知识库（如 PDF、网站）中搜索最相关的片段。	你去图书馆或谷歌搜索资料。
2. 增强 (Augmentation)	把搜到的相关片段 + 用户的问题拼接成一个“提示词（Prompt）”。	你把找到的书本段落夹在试卷旁边。
3. 生成 (Generation)	把拼接好的提示词发给大模型，让模型阅读段落来回答。	你让朋友读那段资料，然后回答试卷上的问题。