你不必是數據科學家或機器學習工程師——人人都可以編寫提示詞。

（You don't need to be a data scientist or a machine learning engineer – everyone can write a prompt.）

作者 | 王啟隆

出品 | CSDN（ID：CSDNnews）

最近，Google 官方發布了一份長達 69 頁的【Prompt Engineering 白皮書】，可以說是目前最系統、最權威的“AI 溝通指南”了。我們也是第一時間翻譯好了這本書，準備【免費】送給大家！

怎么拿？很簡單，看完這篇文章，參與文末的小活動就行！

現在咱們聊聊，為啥這份白皮書突然就刷屏了？為啥說它是“必學秘籍”？

很簡單，因為現在跟 AI 打交道，真的太難了！

• 你苦口婆心解釋半天，它抓著一個無關緊要的詞就開始自由發揮……

• 你想要個 A，它自信滿滿地給你個 B，還附贈一套又臭又長、看似完美的錯誤邏輯……

• 同一個問題，昨天它懂你，今天它就裝傻，效果全看“緣分”……

即使是 OpenAI o1、DeepSeek R1 這些主打推理能力的新時代模型出來了，大家以為可以“傻瓜式”對話了，結果該懵圈的時候還是懵圈，該跑偏的時候照樣跑偏——現實狠狠地打了我們一巴掌：AI 再強，你不懂“說話的藝術”，它也只能是個“最熟悉的陌生人”！

而“提示工程 (Prompt Engineering)”這門學問，就是教我們如何掌握這門藝術，如何精確、高效地引導 AI，讓它從“猜你心思”變成“懂你心思”。

Google 這份白皮書，不是某個博主的心得體會，不是零散的技巧合集，而是 Google 官方基于對大語言模型（LLM）的深刻理解，系統性梳理出來的方法論、技巧庫和最佳實踐。

接下來，咱們就一起“開卷”這本秘籍，把里面的精華嚼碎了、掰開了，讓你徹底搞懂 Prompt 的門道。

別忘了，看到最后有驚喜，讀至文末，領取 69 頁完整白皮書（英文原文 PDF + 中文翻譯版 PDF）！

第一層心法：搞懂 AI 的“腦回路”——它其實只會猜詞？

大語言模型（LLM）是一個預測引擎。當你輸入文字時，模型會根據它訓練過的數據預測下一個詞應該是什么。通過精心設計的提示，你可以引導模型生成更符合你期望的回答。

白皮書開篇就給我們提了個醒：別把大語言模型（LLM）想得太玄乎，它骨子里就是個能力超強的預測機器。你給它一段話（你的提示詞），它就在自己“消化”過的海量信息里瘋狂搜索，預測接下來最可能蹦出哪個詞（準確說是 Token），然后吐出來；接著，把這個新詞加到你的話后面，再預測下一個... 就這么循環往復，直到它覺得說得差不多了或者達到你設定的長度。

想明白這點，是不是瞬間感覺思路清晰了？為啥 Prompt 那么關鍵？因為你的提示詞，就是在給這個猜詞游戲設定開局和規則！ 你開頭的引導越清楚、給的信息越多、指令越明確，它猜中你心思的概率就越大。這就是為啥有時候你換個說法，或者多加句背景，AI 的回答就能從反應遲鈍變得智能多了！記住，你不是在跟它談心，你是在引導它的預測方向！

第二層心法：玩轉溫度、Top-K、Top-P 這些關鍵參數

提示的許多方面都會影響其效果：使用的模型、模型的訓練數據、模型配置、您的用詞、風格和語氣、結構以及上下文都很重要。因此，提示工程是一個迭代的過程。不恰當的提示可能會導致模棱兩可、不準確的響應，并且會妨礙模型提供有意義的輸出。

大部分人都是直接在各種 LLM 的官網使用聊天機器人，很少會有非開發者主動去研究怎么玩轉 API。那么，開發者使用 AI 和非開發者使用 AI 的區別在哪呢？

比方說我現在打開 DeepSeek 的頁面，一共就五個可交互的元素：寫提示詞用的聊天框（ChatBox）、切換成 R1 模型的「深度思考」按鍵、聯網搜索按鍵、上傳附件還有一個發送按鍵。

這里面影響結果最大的因素，自然是調整 提示詞。但 除了提示本身，我們其實還可以調整各種配置選項來控制 AI 的輸出，這些設置會影響 AI 生成回答的方式。

典型的就是谷歌自家的 Google AI Studio，除了常見的聊天框以外，我們還能在右邊去調節各式各樣的參數：

• 溫度 (Temperature)

這玩意兒直接控制 AI 回答的隨機性（或者說創造力）。你可以把它想象成調節 AI “ 膽量”大小的開關，正所謂“人有多大膽，地有多大產”，溫度調的越大，模型創造力也就越強。

調低溫度（比如 0.1 到 0.3），AI 就變得比較保守，傾向于選擇概率最高、最常見、最符合事實的詞匯，輸出結果特穩定、一致，適合做總結、提取信息這類嚴謹的任務。 缺點嘛，可能有點缺乏驚喜。

低溫度典型的任務，就是讓 AI 寫代碼：

順帶一提，筆者真的是 INTP

調高溫度（比如 0.8 到 1.0 甚至更高），AI 就膽子大了，敢于嘗試一些概率沒那么高、更不尋常的詞，輸出結果會更多樣化、更有創意，甚至可能給你驚喜……

高溫度適合拿來寫文章或者日常聊天對話：

Top-K 和 Top-P (核采樣)：這倆是用來給 AI 的備選詞庫劃定范圍的，算是對溫度控制的補充。Top-K 比較直接，比如設置 K=50，那 AI 在預測下一個詞時，就只考慮概率排名前 50 的詞。Top-P 則更智能一點，比如設置 P=0.95，AI 會從概率最高的詞開始往下加，直到這些詞的概率總和達到 0.95 為止，然后只在這些詞里做選擇。這能動態地調整備選范圍，比固定 K 值更靈活。它們的作用都是在保持一定創造性的同時，防止 AI 選到那些特別不靠譜的詞，進一步平衡輸出的可靠性和多樣性。

白皮書建議，可以從 Temp=0.2, Top-P=0.95, Top-K=30 這樣的組合開始嘗試，然后根據任務需求微調。如果需要更有創意的回答，可以嘗試Temp=0.9、Top-P=0.99 和 Top-K=40。

第三層心法：從“瞎貓撞死耗子”到“精準制導”——核心提示技巧詳解

即使對同一模型使用完全相同的提示，輸出句子的格式和用詞也可能存在細微差異。

這部分是白皮書的精華所在，招式層出不窮，涵蓋了多種實用的 Prompt 技巧，咱們挑幾個最能打的“絕學”細細品味：

零樣本提示（Zero-shot）

大家可能經常在 AI 文章或者 AI 訪談看到這個詞，但其實它代表的就是我們平時最經常使用的技巧——啥都不加。所謂零樣本，正是直接告訴AI你想要什么，不提供任何示例。

少樣本提示（Few-shot）

與其讓 AI 猜測你的意圖，不如直接給出范例。例如，想讓 AI 將非結構化文本轉換為特定 JSON 格式，可以在 Prompt 中包含幾個清晰的“輸入-輸出”對。

看到沒？給了幾個好例子，AI 就知道你想要啥格式、啥風格了。白皮書還特別強調，給的例子質量要高，要能代表真實場景，最好還能覆蓋一些容易出錯的邊界情況（比如上面的中性反饋）。

谷歌建議，一般來說，少樣本提示應該使用 3-5 個例子。例子應該多樣化、高質量且書寫良好。

分層指令 (System, Contextual, Role Prompting)

將指令分解為不同層次，可以更清晰地引導 AI。這三個提示類型就像給 AI 下達指令的三個層次，組合起來威力無窮：

• 系統提示 (System)：這是給 AI 定“人設”和“總綱領”的。比如，在 Prompt 最開始就聲明：“你是一個專業的 Python 代碼審查助手，專注于發現潛在的 bug 和不符合 PEP8 規范的代碼。” 這就給 AI 的行為定了基調。

• 上下文提示 (Contextual)：這是提供當前任務的具體“背景信息”的。比如，在系統提示之后，你接著說：“現在，請審查以下這段 Python 代碼：[粘貼代碼]”。這就是把具體的“工作對象”告訴了 AI。

• 角色提示 (Role)：這是進一步細化 AI 的“言行舉止”的。比如，你可以補充一句：“請用資深工程師的口吻，給出具體的修改建議，并解釋原因。” 這就讓 AI 不僅知道做什么，還知道“怎么說”。

沒有這些層次，你可能只會問“幫我看看這段代碼有啥問題”，AI 可能只會簡單回答你錯誤有哪些類型，但不會告訴你錯在哪了，往往還不會告訴你怎么改。但用了這些方法，AI 就能更精準、更專業、更符合你預期地完成任務！

“退一步，想得更明白” (Step-back Prompting)

有時候，直接問一個很具體的問題，AI 反而容易陷入細節或者給出膚淺的答案。比如你問：“給我寫一個關于 ‘時間管理 App’ 的營銷推文。”

AI 可能隨便給你寫幾句。但如果你用“退一步”的技巧，先問它一個更抽象的問題：

“請先總結一下，撰寫吸引人的營銷推文需要遵循哪些核心原則？”

等 AI 回答了（比如：突出痛點、強調價值、制造稀缺感、明確行動召喚等），你再把這些原則作為上下文，提出你的具體要求：

“很好。現在，請基于以上原則，為一款新的 ‘時間管理 App’（主要功能是智能規劃、番茄鐘、任務提醒）撰寫一條營銷推文。”

看到沒？通過先引導 AI 思考“上層建筑”，再讓它去蓋“具體房子”，能有效激活它的知識儲備，讓最終的輸出更有深度和策略性。

思維樹（Tree of Thoughts）

這是對付復雜推理難題的“大招”，尤其適合數學題、邏輯題。

我們知道，CoT（思維鏈）是讓 AI 走一條推理路徑。但一條路可能走偏，最后往往是得開個新窗口讓 AI 重新思考一遍，然后報錯“服務器人擠滿了，請稍后再試”。

谷歌建議：使用思維鏈提示時，最好將溫度設置為0，因為通常只有一個正確答案。

而思維樹（ToT）的思路是：讓 AI 走 N 條不同的路！具體做法通常是保持 CoT 的引導語（比如“一步一步思考”），但把溫度調高，讓 AI 每次生成推理過程時都有一定的隨機性，從而產生多種不同的解題步驟和答案。

最后，你統計一下這 N 個答案里，哪個答案出現的次數最多，就選它！這就像投票，大多數“路徑”都指向的答案，往往就是最靠譜的那個，雖然計算成本高了點（要跑 N 次），但在追求極致準確率的場景下，效果拔群。

讓 AI “動手”干活 (ReAct - Reason & Act)

這是目前最接近“智能體 (Agent)”概念的提示模式。它徹底打破了 AI 只能“動嘴皮子”的限制。通過 ReAct 框架，AI 的工作流程變成了一個循環：

思考 (Reason)->行動 (Act)->觀察 (Observation)->再思考……

這里的“行動”通常是調用外部工具。比如，你問 AI：“Metallica 樂隊成員一共有多少個孩子？” 它光靠自己數據庫里的舊知識可能不知道。但用了 ReAct，它的內心 OS 可能就是：

通過這種“思考-行動-觀察”的循環，AI 可以利用外部工具獲取最新信息、進行計算、甚至操作其他軟件，能力邊界大大擴展！

出了新手村之后，如何持續精進到最佳實踐？

提示工程是一個反復試驗的過程：精心設計并測試不同的提示、分析并記錄結果、根據模型的表現來優化提示、不斷嘗試直到獲得期望的輸出……每當你更換模型或模型配置時，記得回到第一步，并繼續對之前使用的提示進行試驗。

掌握了白皮書的這些心法心得，你其實已經超越了 90% 的人了！（當然，不是指看完這篇文章，而是說要讀到文末領取白皮書并看完）

但想成為真正的“提示詞王者”，谷歌還建議了大家養成一些好習慣：

• 簡潔至上 (Design with simplicity)：避免冗長、模糊或歧義的表述。清晰、直接的指令更容易被 AI 理解。

• 明確輸出要求 (Be specific about the output)：對輸出的格式、長度、風格等提出具體要求（例如，“輸出為 Markdown 表格”，“總結為 3 個要點，每點不超過 50 字”）。

• 使用模板與變量 (Use variables in prompts)：對于重復性任務，創建包含占位符的 Prompt 模板，可以方便地替換變量以適應不同輸入，提高效率，也便于集成到自動化流程中。

• 持續實驗 (Experiment)：不同的模型、任務、參數組合可能產生截然不同的結果。將 Prompt Engineering 視為一個實驗過程，不斷嘗試、比較和優化，找到最適合特定場景的方案。

• 記錄與復盤 (Document the various prompt attempts)：記錄下每次重要嘗試的細節（目標、模型、參數、Prompt、輸出、效果評估、心得），有助于追蹤進展、避免重復錯誤、分享經驗，并在模型更新后進行有效性驗證。白皮書甚至提供了一個記錄模板。

呼～一口氣說了這么多，是不是感覺信息量有點超載，但又有點豁然開朗？

別擔心！這些心法和招式，不是讓你死記硬背的，關鍵在于理解其背后的邏輯，然后去實踐中體會、去應用中打磨！

那么，最好的“練武場”遠在天邊，近在眼前！咱們 CSDN，就給你搭好了這個舞臺：

掃描上圖二維碼或點擊閱讀原文，參與 CSDN 問答挑戰，將成功截圖發送給小助手（vx: csdn-01），挑戰并成功通關的用戶，將【免費】獲得【Google 官方提示工程白皮書】全 69 頁高清 PDF 的原版 & 完整翻譯版。

朋友們，別再讓 AI “猜”你的心思了！是時候拿起這份“說明書”，去真正地“駕馭”它了！理論學習 + 實戰演練 + 官方秘籍，這套“組合拳”打下來，保證你神清氣爽，功力大漲~