当前位置：首页 > news >正文

提示工程实战指南：Google白皮书关键内容一文讲清

news 来源：原创 2025/7/20 18:25:20

You don’t need to be a data scientist or a machine learning engineer – everyone can writea prompt.

一、概述

Google于2025年2月发布的《Prompt Engineering》白皮书系统阐述了提示工程的核心技术、实践方法及挑战应对策略。该文档由Lee Boonstra主编，多位Google工程师与研究人员参与编写，旨在为开发者提供可操作的提示设计框架。文档内容涵盖提示工程基础理论、主流提示技术（如零样本/少样本提示、思维链、自洽性、思维树等）、输出参数配置（温度、Top-K、Top-P等）、最佳实践及生成式AI的局限性分析。文档强调通过结构化迭代、自动化工具与跨团队协作提升提示工程效率，并提供了多场景应用案例。

二、提示工程基础

1. LLM输出配置参数

输出长度：控制生成文本的token数量，需根据任务需求平衡信息完整性和效率。例如，摘要任务可能需要较短输出，而复杂推理需更长文本。
采样控制：
- 温度（Temperature）：值越低（如0.1），输出越确定性；值越高（如1.0），输出更随机。推荐对需要稳定结果的任务（如代码生成）设为0。
- Top-K与Top-P：Top-K从概率最高的K个token中采样，Top-P（核采样）则累积概率超过P时停止。两者结合可平衡多样性与相关性。
注意事项：过高自由度可能导致冗余或“重复循环”问题（如生成重复短语）。需通过实验调整参数。

2. 提示设计原则

简洁性：避免复杂语言与冗余信息。例如，将“我带两个3岁孩子去纽约度假，想找适合的地方”简化为“为带3岁儿童的游客推荐纽约曼哈顿景点”。
明确指令：使用动词引导（如“分类”“生成”“总结”），指定输出格式（如JSON、列表）。
避免约束：优先使用正向指令（如“仅讨论以下内容”）而非负面限制（如“不要涉及X”）。

三、核心提示技术

1. 零样本与少样本提示（Zero-Shot/Few-Shot Prompting）

零样本：直接请求任务，无需示例。例如：“将电影评论分类为正面、中性或负面。”

少样本：通过少量示例引导模型。例如：

输入：评论1: “这部电影太棒了！” → 正面  输入：评论2: “剧情拖沓，演员表现平庸。” → 负面  输入：新评论: “导演手法独特，但节奏过慢。” → ?

优化策略：分类任务中混合不同类别示例，避免模型偏好单一标签。

2. 系统提示与角色提示（System/Role Prompting）

系统提示：定义模型行为边界（如伦理准则、专业领域限制）。
角色提示：赋予模型特定身份（如医生、历史学家），影响其输出风格。例如：“作为营养师，请分析该食谱的健康价值。”

3. 上下文提示（Contextual Prompting）

步骤回退（Step-Back Prompting）：先抽象问题再深入细节。例如，解决数学题时先要求总结解题思路。
思维链（Chain of Thought, CoT）：强制模型分步推理后给出答案。例如：
```
问题：小明有5个苹果，吃掉2个后又买了3个，现在有多少？  推理：初始5个→吃掉2→剩3→买3→共6个。  答案：6。
```
- CoT最佳实践：设置温度为0以确保推理路径稳定；需能从输出中提取独立答案。
自洽性（Self-Consistency）：生成多组推理路径，取最一致的答案。例如，多次询问同一问题，汇总结果以提高准确性。
思维树（Tree of Thoughts, ToT）：允许模型探索多条推理路径并评估最优解，适用于复杂决策（如创意写作或战略规划）。

4. ReAct提示（Reasoning + Acting）

结合推理（Reasoning）与行动（Acting），用于交互式任务（如网页导航或游戏策略）。例如：

推理：需要购买咖啡豆→行动：搜索“有机咖啡豆”→推理：选择评分最高产品→行动：加入购物车。

四、提示工程实践方法

1. 文档化与迭代管理

模板化记录：使用表格追踪提示版本、参数、输出结果及反馈（表1）。例如：

版本提示内容输出反馈
v1.0 分类电影评论 POSITIVE 准确
v1.1 同上+要求JSON输出 {"sentiment": "POSITIVE"} 格式正确
工具支持：在Vertex AI Studio中保存提示并记录链接，便于复用与复现。

版本	提示内容	输出	反馈
v1.0	分类电影评论	POSITIVE	准确
v1.1	同上+要求JSON输出	{"sentiment": "POSITIVE"}	格式正确

2. 自动化与代码生成

代码转换：利用LLM将Bash脚本转为Python应用，提升可维护性。
调试辅助：通过提示请求模型修复代码错误），如识别未定义函数问题。

3. 检索增强生成（RAG）集成

动态内容插入：在提示中嵌入检索结果（如知识库片段），需记录检索参数（查询词、分块策略）以分析影响。

五、挑战与应对策略

1. 生成质量控制

常见问题：
- 重复循环：因参数设置不当导致冗余输出。
- 无关响应：自由度过高使生成偏离任务目标。
解决方案：严格调参（如降低温度）、强化指令明确性。

2. 模型更新适配

迭代测试：模型版本升级后需重新验证提示效果，如分类任务准确率变化。

3. 安全与偏见缓解

系统提示限制：通过规则过滤有害内容（如仇恨言论、虚假信息）。

六、最佳实践

提供示例：少样本提示中示例需覆盖多样场景。
简化设计：避免复杂句式，直接指定任务目标。
输出结构化：要求JSON、XML等格式以利后续处理。
参数实验：对比不同温度、Top-K组合的效果差异。
跨团队协作：多工程师并行设计提示，通过A/B测试筛选最优方案。
CoT专项优化：确保推理与答案分离，便于自洽性验证。

七、实战案例

适合复杂任务的处理，帮助用户逐步推理、系统地拆解任务，以获得准确的输出

明确意图：确保你清楚地表达任务的核心目标，传达最重要的信息
提供上下文：提供必要的背景信息和任务相关的背景说明
限制输出范围：给模型设定边界，确保生成的内容和指令紧密相关
分解任务：将复杂的任务拆解成多个小任务，使其更易执行
逐步思考：对于复杂的任务，引导模型按步骤执行，逐步进行推理

Web应用漏洞分析案例

明确意图
- 分析目标Web应用是否存在反射型跨站脚本漏洞，并给出修复建议
提供上下文
- 目标Web应用为企业内部使用的金融管理系统，包含多个用户输入点，登录页面存在潜在安全风险
限制输出范围
- 仅分析登录模块，不涉及其他功能模块
分解任务
- 第一步：检查登录页面是否有未过滤的用户输入；第二步：模拟常见的跨站脚本攻击，验证是否存在漏洞；第三步：给出修复建议，如输入验证和编码处理
逐步思考
- 请从登录模块的输入点开始，逐步分析，确保每一步的推理逻辑清晰

七、结论

Google的提示工程框架强调系统化、数据驱动的方法，通过技术组合（如CoT+自洽性）与流程管理（如文档化迭代）最大化LLM效能。文档提供的模板、代码案例及参数指南为从业者提供了可直接应用的工具。

Google强调，提示工程并非一劳永逸的技巧，而是一个动态迭代的过程。随着模型能力的进化，提示设计也需持续优化。未来，随着模型能力的演进，提示工程将继续在生成式AI应用中扮演核心角色，推动从任务自动化到复杂决策支持的广泛落地。

参考资料：Google《Prompt Engineering_V7》白皮书（2025年2月版）

需要书籍的评论区留言：Prompt Engineering

往期精彩

SQL 筛选优化 | LEFT SEMI JOIN 与 LEFT ANTI JOIN 高效数据筛选的利器

数据治理路径之辩：从“先治后用”到“边用边治”，企业如何选择最优路径？

HiveSQL 专家级技巧：如何将增量表的变更优雅的合并到全量表中？

王炸vs某互联网公司：数仓中什么情况下需要进行数据回溯？需要注意什么？

闭坑记录：Hive中ROW_NUMBER()排序不稳定性分析与解决方案

面试提问：你设计的模型是通用的吗？如何量化？| 通用模型 vs 自定义模型