如何为不同AI模型设计提示
每个模型都有独特的“方言”和最佳提示策略。提示中的词语稍有变化，就会显著改变输出质量。
一年多以前，当我开始使用 ChatGPT 时，编写提示的一种最流行的格式是 RRR 方法。不，不是 S.S. Rajamouli 的杰作——它是 角色、需求和规则。
它是这样工作的：
角色：你是一个在量子力学方面专家的助手
需求：通读给定的研究论文并生成摘要
规则：
用简单的话提供摘要，即使是非专家也能理解
提供论文所有内容的概要
在 200 字以内提供一个结论
从那时起，提示工程有了巨大的发展。现在包括了专门的模型，每个模型都有独特的“方言”和最佳提示策略。提示中的词语稍有变化，就会显著改变输出质量。
1、在开始之前了解模型参数
在深入提示技术之前，你需要了解两个影响每次 AI 响应的关键参数：
1.1 温度：创造力旋钮
它做什么： 控制模型响应中的随机性
- 低（0.1–0.3）：更确定，一致的输出
- 高（0.7–1.0）：更具创造性，多样化的响应
何时使用：
- 低温用于基于事实的问答、数据提取、代码生成
- 高温用于创意写作、头脑风暴、诗歌创作
示例：
提示：“用一句话解释机器学习”
温度 0.1：“机器学习是人工智能的一个子集，使计算机能够从数据中学习并做出决策而无需明确编程。”
温度 0.9：“机器学习就像教计算机成为一个侦探——它研究线索（数据）来解决谜题，并对新案件做出聪明的猜测！”
1.2 Top_p：焦点控制器
它做什么： 控制模型考虑哪些标记（核采样）
- 低（0.1–0.5）：专注于最可能的标记，更精确
- 高（0.8–1.0）：考虑更多的标记选项，更多样化
黄金法则： 调整温度或 top_p，不要同时调整两者。它们一起控制随机性。
2、跨所有模型都有效的通用提示原则
2.1 具体性胜于模糊性
不好： “帮我处理我的代码”
好： “调试这个 Python 函数，它应该根据时间戳对字典列表进行排序，但返回不一致的结果”
2.2 提供清晰的指令和示例
提供清晰的指令，就像当你委托任务给一个人时一样。提供示例是提高响应准确性的可靠方法。
结构：
任务：[你想完成什么]
格式：[精确的输出格式]
示例：[显示期望的结果]
上下文：[背景信息]
示例：
任务：从这段文本中提取公司名称
格式：以 JSON 数组返回
示例：["Apple Inc.", "Microsoft Corporation"]
上下文：这是关于合作伙伴关系的财务报告
文本：[你的内容在这里]
2.3 使用“思考”来进行复杂推理
添加“逐步思考”或“仔细思考”会显著提高推理质量。
之前：“*这个营销活动的 ROI 是多少？*”
之后：“*逐步思考这个 ROI 计算：识别所有成本、收入归属，并计算这个营销活动的回报百分比。*”
2.4 正向指令效果更好
而不是： “不要让回应太长”
使用： “保持回应在 100 字以内”
而不是： “不要使用技术术语”
使用： “用初学者能理解的简单语言解释”
2.5 正确地构建 JSON 输出请求
当期望 JSON 输出时，在提示中提供确切的格式，但将字段定义与 JSON 结构本身分开。
为什么这很重要： 将定义混入 JSON 结构中通常会导致格式错误的输出或不需要的转义字符。
糟糕的方法：
以这种 JSON 格式返回：
{
"name": "公司名称",
"industry": "公司运营的行业",
"revenue": "年收入（百万美元）"
}
好的方法：
说明：
- name: 公司名称
- industry: 主营业务领域
- revenue: 年收入（百万美元）
格式要求：
- 仅返回有效的 JSON
- 输出中没有转义字符
- 没有额外的解释或注释
输出格式：
{
"name": "",
"industry": "",
"revenue": ""
}
小技巧： 你也可以在 API 调用中使用 JSON schema 参数，而不是在提示中包含格式，但为了更好的准确性，分离原则仍然适用。
3、针对特定模型的提示策略
不同的 AI 模型有不同的优势和最佳提示方法。以下是获得每种类型最佳结果的方法：
3.1 多模态通用模型
模型： GPT-4o、Google Gemini 1.5 Pro、Claude 3.5 Sonnet
最适合： 复杂的多步骤任务、文档分析、创意项目
提示风格： 交谈性和情境性——将它们视为专家人类合作者。
关键技巧：
- 用上下文设定场景： “我们正在为小型餐厅推出 SaaS 产品”
- 串联多个命令： “首先分析这些用户反馈，然后建议三个功能改进，最后按开发工作量进行优先级排序”
- 明确说明模态： “分析这张图片中的图表并创建一个摘要表格”
示例提示：
上下文：我们正在设计一款健身追踪移动应用
角色：你是一位有 10 年经验的 UX 研究员
任务序列：
1. 查看附带的用户访谈记录（3 个文件）
2. 识别提到的前 5 个痛点
3. 为每个痛点提出具体的 UI 改进建议
4. 根据影响力与工作量创建优先级矩阵
格式：以结构化报告的形式呈现，每个步骤都有清晰的章节
3.2 专业推理模型
模型： DeepSeek、O1、专业版 Llama 变体
最适合： 数学问题、逻辑谜题、复杂分析
提示风格： 结构化、正式且无歧义
关键技巧：
- 明确的分步请求： “展示你的工作步骤”
- 清晰的约束条件： 定义所有变量、规则和边界
- 具体的格式要求： “只提供最终的数字答案” 或 “首先列出你的假设”
示例提示：
逐步解决这个系统设计问题：
问题：设计一个每天处理 1 亿个 URL 的 URL 缩短服务
约束条件：
- 要求 99.9% 的正常运行时间
- 全球用户基础
- 读取密集型工作负载（读写比例为 100:1）
展示你的推理：
1. 数据库选择和模式设计
2. 缓存策略
3. 负载均衡方法
4. 地理分布计划
以编号列表形式呈现你的最终架构，并为每个决定提供理由。
3.3 长上下文编码模型
模型： Claude 3 Opus、Claude 3.5 Sonnet、GPT-4 Turbo
最适合： 代码审查、大型代码库分析、文档
提示风格： 以角色驱动并提供大量上下文
关键技巧：
- 分配特定角色： “扮演一位高级 Python 架构师”
- 利用巨大的上下文窗口： 包括整个文件，而不仅仅是片段
- 使用 XML 标签进行结构化：
<code>、<requirements>、<constraints>
示例提示：
<role>你是一名进行安全审计的高级全栈开发人员</role>
<task>
审查这个完整的 Express.js 应用程序的安全漏洞
重点在于：身份验证、输入验证、SQL 注入、XSS 防护
</task>
<codebase>
[在此处粘贴整个项目文件 - 如果需要，可以有 50 多个文件]
</codebase>
<output_format>
## 发现的安全问题
### 关键（立即修复）
### 中等（本周期内修复）
### 低（方便时修复）
对于每个问题：文件名、行号、漏洞类型、修复建议
</output_format>
3.4 图像生成模型
模型： DALL-E 3、Midjourney、Stable Diffusion、专用模型
最适合： 视觉内容创作、概念可视化
提示风格差异很大：
DALL-E 3： 长描述句子
“一张现代联合办公空间的逼真图像，有落地窗，人们在笔记本电脑上工作，自然光线，极简设计，用广角镜头拍摄，建筑摄影风格”
Midjourney： 艺术短语加风格参考
“未来城市景观日落时分，赛博朋克美学，霓虹灯反射在湿路上，电影构图，出自《银翼杀手 2049》，体积光，8k 渲染”
Stable Diffusion： 带权重的标签
"(masterpiece:1.2), best quality, ultra-detailed, (realistic:1.1), portrait of a software developer, coding setup, multiple monitors, (professional lighting:0.8), bokeh background"
4、常见的提示错误要避免
- 过多的不相关任务
- 使用模糊的限定词（“让它变得更好”，“改进这个”）
- 忽视模型的优势（让编码模型做创意写作）
- 根据初始结果不迭代提示
- 需要结构化数据时未指定输出格式
5、衡量提示效果
跟踪这些指标以改进你的提示：
- 准确性： 它是否给出正确信息？
- 相关性： 它是否解决了你的实际需求？
- 完整性： 它是否涵盖了所有要求？
- 可用性： 输出格式是否有帮助？
6、结束语
有效的提示不仅仅是遵循模板——而是了解你的模型的优势，并制定与每个 AI 处理信息方式相匹配的请求。
无论你使用经典的 RRR 方法还是现代的角色驱动方法，关键是具体性、清晰的例子以及将你的提示风格与模型的能力相匹配。
提示工程领域仍在迅速发展。昨天有效的方法今天可能不再是最优的，特别是随着具有不同架构和训练方法的新模型出现。保持好奇心，尝试不同的技术，并始终用真实用例测试你的提示。
记住：最好的提示是那个能持续给你所需结果且迭代最少的提示。从这些原则开始，根据你的具体用例进行调整，并根据结果进行优化。
原文链接：The Complete Guide to Prompting Different AI Models
汇智网翻译整理，转载请标明出处