提示工程指南 - 技巧、提示与最佳实践

从明确的目标开始：定义任务、成功指标以及如何检查结果。 有一个具体的目标，并加入工程师来起草一个签名的提示规范。为了减少漂移，因此建立一个基线提示并比较结果。收集资源用英语和其他语言材料来锚定期望并减少漂移。为每个提示变体使用不同的输入样式来比较结果，在广泛的领域范围内。

采用以技术为重点的工作流程：用具体的意图、约束和信号来构建提示。用简短的句子构建提示，然后针对验证集运行一个检查来确认连贯的输出，非常可操作；这种方法已被证明可以在各个领域扩展。构建可扩展的模板：一个基础提示，加上几个适配器用于代码、写作或数据解释等领域。结果将揭示哪里需要收紧约束并添加示例。

以循环方式迭代：测试一小组受控的提示，比较结果，并调整。保持提示简洁，使用具体的信号，并避免歧义。使用这些方法之一：零样本、少样本或思维链序列；如果使用思维链，请提供简短的、连贯的理由来指导模型。

维护一个活的提示库，跟踪提示、上下文、输入和结果。按领域、难度和使用的资源标记提示；保持变更日志和签名的版本以确保团队间的一致性。对于多语言任务，在英语和其他语言中维护并行提示，并验证翻译一致性以避免漂移。应用轻量级的 QA 步骤，或快速检查来及早捕捉连贯的输出。

实用提示工程指南

定义一个具体目标，并运行一个快速试点，使用五个示例来验证响应。使用简单的评分表来评估相关性、清晰度和事实准确性，并为每个提示记录结果。

为提示创建一个签名的、简短的意图声明，然后应用固定结构：上下文、指令和问题。将简短上下文限制在 1–2 句，并指令中说明行动。

收集来源和数据集，涵盖语言上下文，包括官方文档、客户请求和聊天记录。这些来源扩展了可能性，以提供更准确的输出，模型经常误解这些，而人工智能工程师对更广泛的覆盖感到兴奋。

采用结构化方法：使用固定的提示模板，运行 10–20 个提示，与经过审查的基线比较响应，并记录差距以进行细化。将发现转化为清晰的推荐。

维护签名的、完整版本历史，跟踪变更并用简洁的笔记记录，并署名使用的来源。

在团队间共享模板，收集反馈，并保持对改进的热情。如果客户请求更新，则相应调整模板并细化提示。

为每个提示定义具体成功标准

为每个提示定义一个具体成功标准，并将其附加到输出中以指导评估。这保持任务专注并加速迭代，因此您可以快速检测差距并调整。将标准与提示版本和领域上下文绑定，尤其当涉及患者数据时。以明确、可测试的结果思考，而不是模糊的保证，这样您可以一致地比较文件和版本间的提示。

使用涵盖要生成的内容、格式方式和质量判断的紧凑评分表。确保每个标准范围有限（有限）并与用户目标绑定，因为生成输出因提示而异。这种方法有助于避免模糊反馈并支持快速决策下一步。

1. 澄清任务范围并定义成功声明
   • 任务：用一句话描述目标，并包含清晰的声明（声明），说明什么算作成功结果（输出）。
   • 上下文：指定领域以及患者上下文是否适用；注意影响判断的任何约束。
   • 约束：如果数据有限，说明可以使用什么以及必须排除敏感细节（需要）。
2. 决定输出格式、文件和元数据
   • 输出：定义确切的交付物（例如，简洁摘要、结构化 JSON 或项目符号列表）及其格式；为每个输出列出所需字段。
   • 文件：指定存储结果的位置（文件）以及命名方式以便轻松检索；包含示例路径或命名约定。
   • 版本控制：要求版本标签（版本）并维护简短变更日志以跟踪迭代。
3. 设置可衡量的质量指标和接受阈值
   • 指标：准确性、完整性、相关性和及时性；分配数字阈值（例如，>= 90% 相关性，<5% 事实错误）。
   • 阈值：提供具体的接受标准以及如果未达到阈值的备用计划。
   • 领域差异：为不同领域（不同领域）定制标准，并记录任何特定于领域的调整。
4. 定义评估方法和来源
   • 评估：指定人类或自动化检查将判断每个标准；概述审阅者的简短检查表（来源）。
   • 来源：要求可信来源（来源）和用于验证事实的参考列表（列表）；通过与可信来源交叉检查避免幻觉。
   • 无多余数据：确保评估仅依赖提供的输出（无外部未知输入依赖）。
5. 记录实施细节和审查过程
   • 文档：附加简短评分表描述如何为每个标准评分；包含示例提示和样本输出以加入（加入）团队间的一致性。
   • 协作：涉及来自不同（不同）领域（领域）的审阅者以捕捉多样视角并减少偏差。
   • 反馈循环：记录可操作差异并为下一个版本提出具体的提示细化。
6. 提供模板和实用示例
   • 模板：包含现成填充的声明、预期输出和接受阈值；确保它引用文件、版本和来源列表。
   • 示例：显示最小提示与增强提示的对比，并根据标准比较结果；使用真实世界上下文（例如，对于患者）来说明适用性。
   • 自动化提示：创建一个轻量级测试框架，运行提示、捕获输出并自动标记标准失败。

在直接指令和基于示例的提示之间选择

对于需要清晰、可预测响应的明确定义的任务，优先使用直接指令；将它们与基于示例的提示配对，以说明语言风格、格式和决策路径，提高关于约束的沟通和专注。

当成功标准明确时，直接指令大放异彩：固定格式、精确长度或检查表。对于语言任务，添加 2–4 个示例，展示语气、结构和处理异常的方式；思考边缘案例并避免重复。在方法设计中，保持指令简洁，并将示例锚定到相同目标以强化响应一致性。

混合方法增强弹性：从紧凑指令开始，然后跟随少量针对性示例。这有助于管理新任务并实现可靠生成，同时指导语言、语气和结构。推荐包括审查结果、更新提示，并包含新示例以及用最新更新刷新资源，以覆盖场景谱系。

方面	直接指令	基于示例的提示
清晰度	明确标准和固定格式	使用定义示例展示如何处理变异
何时使用	明确定义的任务；常规输出	开放式或创意分析任务
构建	一个指令加上约束	2–4 个示例说明边缘案例
风险	过度拟合单一路径	如果示例偏离则漂移；注意重复
评估	格式遵守；客观成功标准	风格质量；与示例对齐

使用清晰推理步骤构建多步骤提示

起草一个四部分提示，在每个阶段要求明确推理以产生响应和可验证输出。在每个步骤后包含简洁理由，并收集跨语言成功提示的示例。这种提示工程工作流程产生适合审计的输出，并易于与来源和您的账户轨迹比较。

步骤 1 – 定义目标和约束

用一句话指定目标，然后列出限制，如令牌限制、医疗数据隐私约束，以及期望的语言输出版本（语言版本）。包含数据来源（来源）和所需输出（响应、示例）。说明谁将审查结果以及偏差可能如何影响决策（偏差）。

步骤 2 – 分解为不同的子任务

将主要目标拆分为 3–5 个具体子任务，每个有独立的输入和输出。对于每个子任务附加输入格式、预期输出和简短理由。确保覆盖如编码和医疗等领域，并用不同上下文测试以增强鲁棒性。

步骤 3 – 要求推理和输出格式

在每个子任务后要求简短理由和最终推荐。如果需要，包含零样本变体。指示模型为每个步骤提供响应和紧凑理由，然后呈现简洁最终结果。不要揭示内部独白；要求简短理由支持决策并尽可能引用来源。

步骤 4 – 验证和偏差检查

通过与多个来源交叉验证并呈现不同视角来纳入偏差检查。要求简短的反驳点或备选选项列表，突出由于有限数据或上下文的潜在限制。添加健全性检查以确认结果符合医疗标准和编码最佳实践。

步骤 5 – 交付物和评估

定义响应、示例和引用的格式，加上用于账户跟踪的审计笔记。使用简单评分表：目标清晰度、子任务输出正确性、理由质量和来源对齐。对于有限上下文保持输出紧凑，并为语言和技术版本提供可选扩展。

示例提示框架（不可执行）： 目标：为医疗患者档案设计护理计划，上下文：有限数据，约束：有限令牌、隐私，语言版本：语言，数据来源：来源，零样本：是；输出：响应、示例；步骤：1) 定义子任务输入；2) 为每个子任务给出简短理由；3) 编译最终推荐；4) 附加引用；5) 为账户轨迹记录审计笔记。

零样本和不同语言上下文的示例变体： 使用相同框架生成可跨技术和系统比较的输出，确保相同格式并与不同数据库和编码工作流程兼容。此类提示支持在不同平台产生一致响应，并特别有助于优化医疗和编码项目的相同工作流程。

优化上下文：令牌预算和相关性过滤

推荐： 为上下文分配固定令牌预算，并将历史修剪为必需部分。对于典型任务，总上下文目标为 2048 个令牌，并为后生成和检查保留 20-30%；对于更长、多轮交互扩展到 4096 个令牌。保持纪律以防止膨胀，并将上下文专注于从任务核心；这减少噪声并防止模型生成无关细节。

定义适合任务范围和语言的相关性过滤器。从任务意图组装候选来源，然后计算嵌入以测量与用户提示的相似性。对于语言模型，保留前 3 到前 5 个来源并丢弃其余。在表格中记录决策以便可追溯和调试，这样您可以审计为什么选择了某些检索来源的上下文。

平衡来源与提示长度。构建检索步骤，仅附加高度相关的摘录和简短摘要，而不是完整文档。如果来源较长，使用翻译将简洁摘录渲染为目标语言，然后将这些摘录附加到提示。这种方法帮助模型将注意力集中在最具信息性的内容上，并避免不必要的不同文本部分。结果：更少噪声，模型为任务输出准确答案的概率更高。

后生成检查减少漂移风险。生成后，在可见响应中修剪思维链内容，并提供简洁答案或结构化结果。如果需要，将推理路径存储在单独日志中以支持调试，而不向最终用户暴露内部审议。

使用具体指标跟踪进度。与检索增强生成论文比较并相应更新例程。使用理解改进作为主要信号，并在表格中记录测试提示和结果以观察时间趋势。当您更新课程时，共享总结指南和详细说明示例以保持团队对齐；纳入翻译步骤以支持多语言工作流程，并经常重新审视令牌预算以确保相关性和效率。

在实践中，这种方法保持范围紧凑和专注。避免漂移到过度扩展上下文的天空；通过过滤噪声并将任何生成输出与核心任务对齐来保持思路清晰。通过应用纪律，从任务框架到后生成，您实现更一致的响应和更敏锐的理解，跨越不同语言场景，同时保持对用户需求和必要细节水平的实用首要焦点。每项细化都将您的系统推向更高品质输出，通过周到的测试和参考论文及课程中的衡量改进进行持续学习。

设计反映真实任务的评估提示和测试用例

通过将评估提示基于实际用户工作流程和可衡量结果来设计反映真实任务的评估提示。首先从待办事项中识别最新的用户问题，捕获想法和建议，并组成一个提示集，帮助模型以具体步骤、理由和结果响应。包括如亚马逊产品搜索和结账流程等领域，以反映典型工作并根据真实用户意图验证提示。

将每个测试用例结构化为迷你任务：输入、过程步骤和最终答案。使用可重新加载的数据固定装置，以便测试在目录更新时保持当前。对于每个用例，指定两个或三个具体查询并定义评估标准：相关性、连贯性和理由质量。创建审阅者可以快速应用的评分表，并将每个测试链接到真实支持或购物场景，以确保与实际用户结果对齐。这种方法帮助工程团队比较提示制作管道的最新迭代输出，并哪些提示步骤将帮助确保过程透明。

在设计提示时，制作一套超越表面准确性的评估信号。专注于一致性、推理可追溯性和意图对齐。构建锚定答案和评分表，并记录提示、响应和裁决。使用资源和工具从日志和公共基准组装真实数据集；为跨职能团队（工程、产品、QA）提供访问权限以审查和迭代。这种方法支持开发健壮的提示策略，随着输入演变保持可靠，尤其在工程和提示框架内。

使用轻量级框架操作化评估，运行每个测试用例，记录提示、模型输出和分数，并在输入变化时触发数据重新加载。使用最新结果驱动制作改进并告知下一个迭代周期。维护活的建议、想法和更新查询存储库以加速细化。确保文档和培训材料帮助团队理解如何解释结果以及如何为亚马逊式产品查询和推荐重用测试。