第二大脑

主题

2026-08-24
871
3.1m

概念卡片：Prompt 工程 ​

一句话机制：Prompt 的本质不是「跟 AI 说话」，是把脑子里模糊的需求，转化成能精确影响 AI 概率输出的约束条件——LLM 在「接龙」，你的 prompt 做的就是把它的概率分布从「平均答案」收窄到「你要的那个答案」。

基础五要素 ​

要素解决什么问题反例 → 正例
Role 角色AI 不知道调用哪部分知识「你是专家」→「你是 15 年经验的儿科医生，专长新生儿护理」
Task 任务AI 不知道任务边界「写点东西」→「动词 + 可验证结果 + 边界条件（1500 字、3 方法+案例+行动表）」
Context 上下文AI 不知道在什么情境下问「这数据怎么分析」→「母婴电商 Q1-Q3 销售数据，老板关心投哪个区域」
Examples 示例AI 不知道要什么风格/格式描述「活泼」→ 直接贴一段参考文案（Few-shot）
Format 约束AI 自由发挥正向（要什么）+ 负向（不要什么，往往更有效）

进阶策略 ​

策略原理适用/不适用
CoT 思维链强制 AI 显式展开推理，每步结果成为下步输入，避免「直接跳结论」适用：多步推理/数学/调试；不适用：简单查询、小模型、创意生成
Self-Consistency生成 5 条 CoT，取出现最多的答案唯一正确答案的关键决策；代价 5 倍 token
任务分解大任务拆成小任务链，前一个输出作后一个输入复杂任务；好处是中间可人工介入、易定位问题
上下文管理关键信息定期重复、记忆文档、RAG、<CRITICAL> 标记长对话/长文档，防止「遗忘」
元提示让 AI 帮你写 prompt，再拿去执行需求清楚但不会转化；注意 AI 生成的 prompt 未必最优

Few-shot 的两个经典陷阱 ​

  1. 示例无差异：3 个示例读起来差不多，AI 学不到「差异」，以为你要的是「这类」而非「这三种」。
  2. 多数标签偏见（majority label bias）：示例里某类结果占比过高，AI 会倾向输出那一类。示例要平衡（如高/中/低紧急各覆盖）。

不变量（必须成立的约束） ​

  • Prompt 是「设计约束」不是「调教 AI」：你和模型的关系是「工程师和系统」，不是「主人和宠物」。
  • 示例比描述更精确：描述是翻译，示例是实物。
  • Prompt 工程是迭代过程：写→测→分析→改→再测，至少 3-5 次，不是一次下命令。
  • 负向约束比正向约束更有效：直接告诉 AI「这条路不要走」——把你发现的 AI 坏习惯（AI 腔、机械结构）写进黑名单。

常见误解 ​

  • 以为「Prompt 工程就是背 COSTAR/LangGPT 模板」→ 模板是工具不是目的，理解 LLM 怎么工作比背 100 个模板重要。
  • 以为「说清楚就行」→ 人类语言的「清晰」和 AI 能理解的「清晰」是两套标准。
  • 以为「一个 prompt 走天下」→ 不同模型敏感度不同（GPT 重结构化步骤、Claude 重上下文和风格示例、国产模型要直白+正向约束）。

关联 ​

最近更新