什么是提示工程？
提示工程（Prompt Engineering）是“设计、优化输入给大语言模型的提示词，使其生成准确、有用且符合预期的输出”的技术与方法集合。它不改变模型本身，只通过调整“问法”来引导 AI 的表现。
定义看起来非常简单，但是该如何理解呢？
- 首先，它是一系列的技术和方法，既然是技术和方法，自然是可以通过学习来获得的；
- 其次，它的目的是使大模型生成的内容更加准确、更加符合预期，换句话说，就是为了让我们能够更好的使用大模型，驯服大模型。
- 最后，它不改变大模型本身，因此不用担心把大模型问“坏了”，更不会涉及复杂的模型训练，如果持续提问仍然得不到想要的结果，那么新开一个对话框，继续提问！
模型配置
大多数 LLM 都带有各种配置选项，用于控制其输出。有效的提示工程会针对不同的任务来优化和选择这些参数。我们介绍几个最常用的选项：
- 模型（Model），尽可能的选择更先进的模型来完成工作。
- Temperature（温度），用来控制输出内容的随机性的。数值越低，回答的越准确；数值越高，回答的越随即。
- Top-K和Top-P，也叫做核采样（nucleus sampling），跟温度类似，也是用来控制生成内容的多样性和随机性的。通常和温度参数二选一。
- Max Length（最大长度），直接限制回答的长度，这个参数是强制截断，它本身不会让LLM输出更简洁的内容。如果需要更简洁的内容，可以在prompt里面加上具体指令，例如“请用一句话概括”。
需要注意的是，这些参数不是孤立存在的，在实际的使用过程中，我们经常要把它们放在一起，反复验证直到获得满意的内容。
Google给出了几个不错的实践：
- 温度 0.2、Top-P 为 0.95、Top-K 为 30 将给出相对连贯的结果，可以具有创造性但不过度；
- 温度 0.9、Top-P 为0.99 和Top-K 为 40 开始，可以得到更有创造性的结果；
- 温度 0.1、Top-P 0.9 和 Top-K 20开始，可以得到更准确的结果。
需要注意，自由度越高（温度、Top-K/Top-P 和Max Length高），LLM 可能生成相关性较低的文
本
提示词的要素
提示词由一些关键要素组成：
- 指令：想要模型执行的特定任务或指令。
- 上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。
- 输入数据：用户输入的内容或问题。
- 输出指示：指定输出的类型或格式。
提示词技巧
- 使用最新最先进的模型，这一点在现阶段非常重要！
- 从简单开始，不断迭代，在指令里逐渐添加上下文、示例样本、输出风格等，直到得到满意的结果
- 将指令放在开头，并使用分割符与上下文、示例样本等分开
- 指令要明确，要告诉LLM做什么，而不是不做什么
- 可以通过添加示例样本来说明输出的风格