> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 有效提示工程的8个最佳实践
- URL: https://www.hubwiz.com/blog/top8-pratices-for-effective-prompt-engineering/
- Published: 2025-03-05T22:12:39.000Z
- Updated: 2025-03-05T22:12:39.000Z
- Description: 本文是来自 KNIME 社区和团队的专家建议，以指导大型语言模型生成有意义的响应
- Author: admin
- Tags: PROMPT ENGINEERING, #Import 2026-10-14 14:41

[大型语言模型（LLMs）](https://www.knime.com/blog/large-language-models?ref=hubwiz.com) 已经改变了我们与人工智能互动的方式，为解决问题、生成见解和创建内容提供了巨大的潜力。然而，它们的效果取决于提示的编写质量：编写不当的提示通常会导致模糊、不相关或不准确的响应。

在本文中，我们将探讨提示工程的八个最佳实践，并展示来自 KNIME 社区的数据科学家的见解。这些指南将帮助你设计精确有效的提示，确保你的 LLM 生成您期望的结果。

> 提示与提示工程

提示（prompt）是提供给 LLM 的输入或指令，以引导其生成响应。它通常由人类用自然语言编写，并提供必要的指导和上下文，使模型能够理解当前的任务。

提示工程（prompt engineering）是设计和优化提示的过程，以引导 LLM 生成符合用户需求的准确、相关和有效的响应。随着人工智能在行业和学术界的广泛应用，提示工程已成为与这项技术互动的关键要素。

![](https://www.hubwiz.com/blog/content/images/2025/03/image-103.png)

上图展示了 [OpenAI DALL-E 视图](https://hub.knime.com/knime/extensions/org.knime.python.features.llm/latest/org.knime.python3.nodes.extension.ExtensionNodeSetFactory$DynamicExtensionNodeFactory:f1fb856b?ref=hubwiz.com) 节点的两个配置窗口，该节点允许你从 [KNIME 分析平台](https://www.knime.com/knime-analytics-platform?ref=hubwiz.com) 提示 OpenAI 的 DALL-E 模型进行图像生成。

在左侧，模型生成了一个没有具体细节的普通日落图像。而在右侧，通过添加更多具体信息到提示中，我们得到了一张具有独特风格的图像，展示了精心设计提示的影响。

提示工程之所以重要，是因为 AI 模型依赖于输入提示来生成响应。清晰具体的提示可以减少歧义，增强任务对齐，满足用户的意图，并减少错误或无关输出的可能性，从而提高 AI 应用的整体效果和准确性。

> 如何编写好的提示？

编写有效的提示是一项新兴且高度需求的技能，需要时间和练习。掌握提示写作需要一个迭代过程，就像使用任何新工具一样，有很多可以从成功使用者那里学到的东西。

[KNIME](https://www.knime.com/knime-analytics-platform?utm%5Fsource=website&utm%5Fmedium=organic&utm%5Fterm=Roberto&utm%5Fcontent=blog&utm%5Fcampaign=evangelism)，即 [可视](https://www.knime.com/visual-programming-data-science?utm%5Fsource=website&utm%5Fmedium=organic&utm%5Fterm=Roberto&utm%5Fcontent=blog&utm%5Fcampaign=evangelism) 和 [开源](https://www.youtube.com/watch?v=mYJ83cgbmk0&ref=hubwiz.com) 数据科学平台，拥有一个充满活力的 [社区](https://www.knime.com/users-community?ref=hubwiz.com) 数据专业人士。为了探索提示工程的最佳实践，我们联系了 KNIME 社区中的几位数据专家并询问他们最宝贵的建议。三位贡献者分享了他们的见解：

- [**Angel Molina**](https://www.linkedin.com/in/angel-molina-laguna/?ref=hubwiz.com)，数据科学顾问，社交媒体影响者，以及 [MOLA DATA.](https://www.linkedin.com/company/mola-data/?ref=hubwiz.com) 的创始人。Angel 还是 [KNIME 当月贡献者](https://www.knime.com/contributor-of-the-month-hall-of-fame?ref=hubwiz.com#angel-molina)（2024年1月）。
- [**Martin Dieste**](https://de.linkedin.com/in/martindieste?ref=hubwiz.com)，业务顾问，数字推动者，以及 [Finnovation Flows](https://finnovationflows.com/?ref=hubwiz.com) 的创始人。Martin 还是 [KNIME 当月贡献者](https://www.knime.com/contributor-of-the-month-hall-of-fame?ref=hubwiz.com#martin-dieste)（2024年11月）和 [KNIME 认证培训师](https://www.knime.com/certified-trainers/martin-dieste?ref=hubwiz.com)。
- [**Francesco Alaimo**](https://www.linkedin.com/in/falaimo/?ref=hubwiz.com)，TIM 团队负责人和数据科学教育家。Francesco 还是 [KNIME 认证培训师](https://www.knime.com/blog/become-knime-certified-trainer?ref=hubwiz.com)。

让我们开始吧！

## 1、具体明确

[Angel Molina](https://www.linkedin.com/in/angel-molina-laguna/?ref=hubwiz.com)，数据科学顾问建议，在设计提示时，最重要的一条规则就是具体明确。提供详细的指令将导致更准确和定制化的响应。

> ❌ 解释机器学习模型训练的过程  
>  
> ✅ 总结用于分类任务的随机森林算法的机器学习模型训练的关键步骤。  
> 将步骤以简洁的编号列表形式呈现。

## 2、首先给出指令

提示的前几个词应该清楚地回答“我想让 LLM 做什么？”这个问题。无论是总结、翻译等，首先给出指令可以避免不必要的处理或延迟响应核心请求。

> ❌ 我不懂西班牙语，所以我想你可能能帮我理解这段文字。你能把它从西班牙语翻译成英语吗？  
>  
> ✅ 将这段文字从西班牙语翻译成英语。

## 3、包含示例

示例是向 LLM 展示您希望如何回应的一种好方法。尽可能提供示例是高度推荐的。

> ❌ 创建一个分析气候趋势的数据集。  
>  
> ✅ 创建一个分析气候趋势的数据集，使其看起来像下面的例子。  
> 示例：|| 国家 | 排放量 | 平均温度 | 降水量 ||

## 4、结构化提示

在为 LLM 编写提示时，清晰的组织结构至关重要。使用不同的标记（如 ### 或 “””””””）分离提示的不同部分可以帮助模型更好地理解和执行。

> ❌ 为以下段落找到一个好的标题 {你的文本}  
>  
> ✅ 段落：###{你的文本}###

对于更复杂的请求，采用高度结构化的提示是有益的。[Martin Dieste](https://de.linkedin.com/in/martindieste?ref=hubwiz.com)，业务顾问，数字推动者，以及 [Finnovation Flows](https://finnovationflows.com/?ref=hubwiz.com) 的创始人，推荐使用类似 XML 标签的方法作为增加清晰度和组织结构的有效方法。这种方法模仿了 XML 属性和元素的树状结构，并将其适应于任务。这样，模型更容易识别提示的不同部分，发现关键指令，或遵循提供的推理步骤，从而提高模型生成准确和相关响应的能力。

以下是一个例子：

```
<角色>  
  你是一位专业文案撰写人，擅长为环保产品撰写吸引人的产品描述。  
</角色>  
<过程>  
  <步骤1>分析输入中提供的产品的特征。</步骤1>  
  <步骤2>创建一个富有创意且有说服力的产品描述。</步骤2>  
  <步骤3>以呼吁购买结束，鼓励购买。</步骤3>  
</过程>  
<任务>  
  为一款由不锈钢制成的环保水瓶撰写 100-150 字的产品描述。  
  特征：  
  - 容量：750 毫升  
  - 双层绝缘（保持饮料冷 24 小时，热 12 小时）  
  - BPA 免费且防漏  
  - 有多种颜色可供选择  
  - 100% 可回收包装  
</任务>  
<响应指令>  
  以专业且吸引人的语气撰写产品描述。确保强调产品的环保特性并包含关键特征。将您的响应包裹在这些标签内：  
  <最终响应>…您的产品描述…</最终响应>。不要包括标签外的内容。  
</响应指令>

```

## 5、分解任务

如果你正在处理一个涉及推理的复杂任务，最好将其分解为一系列较小的任务，以便说明过程并使 LLM 更容易跟随。在这种情况下，明确列出过程的步骤是有益的，类似于你会指导一个人完成某项任务的方式。

> ❌ 分析以下研究论文。  
>  
> 研究论文：### {你的论文} ###  
>  
> ✅ 分析以下研究论文，按照以下步骤进行：

1. 确定论文所解决的核心研究问题或问题。
2. 审查研究中使用的方法论，并评估其是否适合研究问题。
3. 检查论文中呈现的结果，并评估它们是否被数据充分支持。
4. 分析讨论和结论，确定作者的解释和结论是否合理。

> 研究论文：###{你的论文}###

## 6、分配角色

为 LLM 分配特定角色有助于缩小其焦点范围，确保响应符合所需的专长和背景。引入诸如“想象你是 X”或“扮演 X”的陈述。

> ❌ 审查以下代码。  
>  
> 代码：###{你的代码}###  
>  
> ✅ 审查以下代码。扮演网络安全专家的角色，评估潜在的安全风险。  
>  
> 代码：###{你的代码}###

## 7、指定受众

明确指出预期的目标受众可以确保提示生成的响应符合他们的需求、偏好和理解水平。这种具体性增强了输出的相关性和质量。

> ❌ 解释什么是线性回归。  
>  
> ✅ 向一个不懂微积分的初中生解释什么是线性回归。

## 8、学习和改进

有效的提示工程通常不是一个静态的、一次性交互。这是一个学习过程，测试和改进您的提示对于实现符合您需求的输出至关重要。

[Francesco Alaimo](https://www.linkedin.com/in/falaimo/?ref=hubwiz.com)，TIM 团队负责人和数据科学教育家，在开发基于 [检索增强生成（RAG）](http://127.0.0.1:8000/low-code-for-advanced-data-science/mitigate-hallucinations-with-retrieval-augmented-generation-in-knime-ee3aee16355b?ref=hubwiz.com) 的聊天机器人时分享了他的提示工程经验。在开发过程中，他遇到了 LLM 生成的响应中的常见问题：它们包含了 [“幻觉”](https://www.knime.com/blog/ai-hallucinations?ref=hubwiz.com)。当模型无法从公司的知识库中检索到相关信息时，它仍然会输出听起来合理的但实际上是错误的回答。

经过多次迭代和提示改进，Francesco 学到了非常明确的提示是至关重要的。他需要明确指示 LLM 仅根据知识库中的可用上下文作答，并为模型提供一种优雅的退出策略，如果适当上下文不可用的话。

> ✅ 生成响应时，请仅考虑提供的上下文。如果提供的上下文中没有适当的信息，则输出一个反事实响应。  
>  
> 对于给定的问题，反事实响应如下：  
>  
> 问题：“你能做这件事吗？”  
> 反事实响应：“不，我不能做这件事”。

---

原文链接：[8 best practices for effective prompt engineering](https://medium.com/low-code-for-advanced-data-science/8-best-practices-to-effective-prompt-engineering-d5b76f6692be?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处