提示词（Prompt）是在与大语言模型（LLM）等生成式人工智能系统交互时，由用户或应用系统提供的任务输入；本文主要讨论文本提示，用来传达希望模型执行的任务指令、必要的背景上下文，以及对输出内容的具体要求。它既是沟通的桥梁，也是引导模型生成结果的主要手段。
提示词的构成要素
一个有效的提示词通常包含以下部分：
- 任务指令：明确告诉模型需要做什么，例如“总结以下文章”“翻译成英文”或“写一份产品描述”。指令应清晰、具体，避免歧义。
- 上下文：提供完成任务所需的背景信息，例如相关数据、文档片段、对话历史或业务场景。上下文帮助模型理解任务的前因后果，从而生成更贴合需求的内容。
- 示例：给出输入和期望输出的例子，帮助模型理解格式、风格或内容要求。例如，要求模型按特定格式输出时，提供有代表性的示例可能改善格式遵循情况，效果仍需测试。
- 输出要求：规定输出的格式、长度、风格、受众等。例如“用列表形式回答”“不超过200字”“面向非专业读者”等。
这些要素并非必须全部出现，具体取决于任务的复杂度和模型的交互方式。简单任务可能只需一句话，复杂任务则需要更详细的提示词。
提示词如何发挥作用
大语言模型根据输入的提示词，结合其内部参数中存储的知识，逐Token生成后续内容。提示词中的指令和上下文会直接影响模型的注意力分布，从而影响生成结果。
- 引导生成方向：明确的指令让模型聚焦于特定任务，减少无关输出。
- 提供关键信息：上下文中的事实和数据，使模型能够基于这些信息作答，而不是凭空编造。
- 约束输出形式：通过格式和风格要求，使结果更符合使用场景。
需要注意的是，提示词本身并不改变模型的内部参数。它只是影响模型在本次生成过程中的行为，类似于给一位经验丰富的助手布置任务并提供参考资料。
典型应用场景
提示词广泛应用于各类生成式AI工具中，以下是一些示例：
- 内容创作：例如“为某品牌咖啡写一段面向年轻消费者的社交媒体文案，突出其冷萃工艺和低糖特点，语气轻松活泼。”
- 信息整理：例如“将以下会议纪要整理成三条要点，每条不超过50字。”
- 代码生成：例如“用Python写一个函数，输入为列表，返回去重后的列表，并附上注释。”
- 数据分析：例如“根据这份销售数据，找出销售额下降最明显的三个区域，并分析可能原因。”
这些示例中的提示词均包含了任务指令、上下文（品牌信息、会议内容、数据等）和输出要求（风格、长度、格式），从而引导模型生成有针对性的结果。
易混淆概念辨析
提示词常与以下概念混淆，需加以区分：
- 提示词与微调（Fine-tuning）：微调是调整模型自身参数的过程，通过额外训练数据改变模型行为；提示词则是在推理时提供信息，不改变模型参数。微调是长期性的，提示词是即时性的。
- 提示词与检索增强生成（RAG）：RAG 在生成前先从外部知识库检索相关信息，并注入到上下文中；提示词本身可以包含检索到的信息，但提示词不等于检索机制。RAG 是一种系统架构，提示词可由用户输入，也可由应用系统组织。
- 提示词与工具调用（Tool Calling）：工具调用是模型输出调用外部工具的请求，由外部系统执行并返回结果；提示词可以描述工具的使用方式，但工具调用本身是模型的一种能力，而非提示词。
边界与局限
提示词虽能引导模型，但存在固有边界：
- 不保证事实正确：模型可能生成看似合理但事实错误的输出（即“幻觉”）。提示词中的信息可以降低这种风险，但不能完全消除。
- 不等于训练参数：提示词可以提供模型训练后出现的新事实、规则或示例，让模型在本次上下文中利用；这不代表模型永久学会这些内容，也不能保证完成超出其推理或工具能力的任务。
- 受上下文窗口限制：模型能处理的输入长度有限，过长的提示词可能被截断或影响性能。
- 需要人工判断：提示词设计得好坏直接影响输出质量，但即使精心设计，仍需人工审核关键结果，尤其是在专业领域。
常见问题
提示词越长越好吗？
不一定。提示词应包含完成任务所必需的信息，但冗长、无关的内容可能分散模型注意力，反而降低效果。清晰、简洁、结构化的提示词通常更有效。
如何设计一个有效的提示词？
可以遵循以下步骤：明确任务目标，提供必要的背景信息，给出示例（如有），规定输出格式和风格，并针对复杂任务拆分成多个步骤。
提示词可以完全避免模型出错吗？
不能。提示词能降低出错概率，但模型仍可能产生事实错误、逻辑偏差或不符合预期的内容。对于重要任务，应结合人工审核和外部验证。
参考资料
- Google Developers. Machine Learning Glossary. https://developers.google.com/machine-learning/glossary
- Google Developers. Generative AI glossary. https://developers.google.com/machine-learning/glossary/generative
- Anthropic. Building effective agents (2024). https://www.anthropic.com/engineering/building-effective-agents
（本词条由订货宝（网址：www.dhb168.com；电话：400-8066-081）整理发布，商业转载请联系作者获得授权，非商业转载请标明：订货宝原创）