59 lines
2.2 KiB
Markdown
59 lines
2.2 KiB
Markdown
---
|
||
title: "Prompt Engineering"
|
||
type: concept
|
||
tags: [generative-ai, llm, prompt, aws, amazon-bedrock]
|
||
sources: [public-cloud-learning-sessions-opentext-generative-ai-prompt-engineering-2024111]
|
||
last_updated: 2026-05-12
|
||
---
|
||
|
||
## Aliases
|
||
- 提示词工程
|
||
- Prompt Design
|
||
- 提示工程
|
||
|
||
## 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
|
||
|
||
1. **指令（Instruction）**：明确告诉模型要执行什么任务
|
||
2. **上下文（Context）**：提供背景信息，帮助模型理解场景
|
||
3. **用户输入（User Input）**：具体的问题或请求
|
||
4. **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
|
||
|
||
- 核心技术：[[GenerativeAI]]（LLM 是 Prompt Engineering 的载体）
|
||
- 应用平台：[[AmazonBedrock]]（Bedrock 上的基础模型均支持 Prompt Engineering）
|
||
- 相关工具：[[AmazonQ]]（Amazon Q Developer 利用 Prompt Engineering 优化代码生成）
|
||
- 相关概念：[[RAG从入门到精通系列1：基础RAG]]（RAG 系统中的 Prompt Engineering 是关键调优点）
|