title, type, tags, sources, last_updated
| title |
type |
tags |
sources |
last_updated |
| Prompt Engineering |
concept |
| generative-ai |
| llm |
| prompt |
| aws |
| amazon-bedrock |
|
| public-cloud-learning-sessions-opentext-generative-ai-prompt-engineering-2024111 |
|
2026-05-12 |
Aliases
Summary
Prompt Engineering（提示词工程）是创建、设计和优化提示词（Prompt）以引导大语言模型（LLM）产生准确、相关输出的技术实践。它是一个迭代过程，需要针对具体用例反复测试和调整提示词。
Key Properties
- 类型：方法 / 技术实践
- 核心目标：确保 LLM 输出的准确性和相关性
- 过程性质：迭代式（测试 → 调整 → 优化）
Prompt 四大组件
- 指令（Instruction）：明确告诉模型要执行什么任务
- 上下文（Context）：提供背景信息，帮助模型理解场景
- 用户输入（User Input）：具体的问题或请求
- 输出指示器（Output Indicator）：指定期望的输出格式或风格
基础技巧
One-shot Prompting（单样本提示）
- 提供一个示例，让模型理解任务模式
- 适合简单、结构清晰的任务
Few-shot Prompting（少样本提示）
- 提供 2~5 个示例，帮助模型理解多样性
- 适合需要格式一致性但示例丰富的场景
Chain-of-Thought（思维链）
- 在提示词中引导模型逐步思考
- 提供 step-by-step 推理示例
- 适合复杂推理和多步骤任务
最佳实践
- 清晰准确：指令应具体、无歧义
- 结构化：使用明确的分隔符组织各组件
- 考虑人类响应：LLM 训练数据来自人类，因此提示词应符合人类沟通习惯
- 迭代优化：针对具体用例持续测试和调整
Connections
