AI 术语表 · 入门 · 语言模型
提示工程
提示工程是为了让 AI 模型更好地给出想要的答案，而设计和打磨问题或指令（提示词）的工作。这是一种不重新训练模型、只修改输入文本来改进结果的方法。
通俗解释 这就像把工作交给初次合作的外包设计师时，与其说“做得好看点”，不如具体地说“面向 20 多岁用户的应用，以蓝色为主，参考示例图片”，这样才能得到想要的结果。
工作原理
LLM 会根据输入的文本续写接下来的内容，因此输入怎么写，答案就可能大不相同。常用的技巧包括：指定角色、明确写出目标和条件、展示几个期望答案的示例、让模型逐步思考（CoT）等。指定答案格式（表格、列表、JSON 等）也属于其中。核心在于查看结果、修改指令、再次测试的反复迭代。
为什么重要
像微调那样重新训练模型需要大量数据和成本，而提示词只需修改文字，因此快速又便宜。即使是同一个模型，好的提示词也能明显提升准确性和一致性。因此，它不仅对开发 AI 服务的开发者有用，对普通用户也成了一项实用技能。
注意事项
随着模型越来越聪明，像过去那样死记特定措辞的技巧效果正在减弱。取而代之的是，关注点正扩展到上下文工程，即设计在什么时候向模型提供哪些信息和工具。另外，在某个模型上效果很好的提示词，在另一个模型上可能效果不佳。因此，修改提示词时，最好通过 Evals 等评估确认是否真的有所改善。
示例
假设公司要开发会议纪要摘要功能。如果只写“帮我总结一下”，每次的长度和格式都会不同。如果改成“将决定事项、负责人、截止日期分成三项，以列表形式整理，会议纪要中没有的内容不要写”，并附上一个好的摘要示例，结果就会稳定得多，也更有用。