第 14 课,共 28 课 · 让 AI 真正有用
什么是提示词(Prompt)?
提示词(Prompt)是你交给 AI 模型、用来说明需求的文字:可以是一个问题、一条指令,或者一个请求加上相关的背景、示例或文件。模型读取提示词后据此生成回复。清楚说明任务、读者对象和期望格式的提示词,通常能换来明显更好的回答。
提示词是一份“任务说明”,不是搜索关键词
Prompt 一词源自戏剧,原指提醒演员下一句台词的提词。在 AI 里,它指你输入或上传、让模型做出回应的全部内容。它可以只有一个词,也可以长达好几页;如果工具支持,还可以包含图片或文档。
最实用的理解方式是:想象你在给一位能力很强的新同事交代任务。他对世界了解很多,却对你本人、你的项目和你的标准一无所知。只说“写封邮件”,他只能靠猜;说清楚写给谁、要达到什么目的、多长、用什么语气,他才能一次做对。提示词也不是搜索关键词:带上下文的完整句子,比几个关键词效果更好。
好提示词包含哪些要素
示例之所以有效,是因为大模型能从少量示范中学会规律,Brown 等人(2020)的研究证明了这一点。让模型一步步推理,也能提升它在推理类任务上的表现(Wei 等人,2022)。这些技巧在提示词工程指南中有详细讲解。
大多数好用的提示词会组合以下几个要素,但很少需要全部用上:
- 任务:你要它做什么,用一句明确的指令说清。
- 背景:模型无从得知的信息,例如读者是谁、目标是什么。
- 示例:给出一两个你想要的输出样例(即“少样本提示”)。
- 格式:长度、结构、语气,或一个可填写的模板。
- 限制:要避免什么,以及信息不足时该怎么做。
系统提示词:你看不到的那部分
你输入的内容通常并不是完整的提示词。大多数 AI 产品会额外加上系统提示词,也就是应用开发者设定的隐藏指令,用来规定助手的角色、规则和风格。之前的对话记录、工具检索到的文件或搜索结果,也会在每次请求时一起发送给模型。所有这些都必须装进模型的上下文窗口,即它一次能读取的文本上限。
这就是同一个模型在两款产品里表现不同的原因,也是超长对话中模型可能逐渐“忘记”早先指令的原因。有些应用允许你添加自己的长期指令,作用相当于个人版的系统提示词。
你会在哪里写提示词,以及提示词不是什么
提示词不只用于聊天助手。图像生成器把文字提示词变成图片,编程助手在编辑器里接收提示词,自动化工具则把提示词作为工作流中的一步发送给模型。有些产品把提示词藏在“总结”“缩短”等按钮背后,点一下就替你发送一段预设的提示词。
提示词也不是什么“咒语”。清晰的表达、充分的背景和对结果的检查,远比所谓的秘诀短语重要;在一个模型上好用的提示词,换到另一个模型上可能也需要调整。
示例
动手试试:模糊提示词与清晰提示词
试试这个提示词模糊: 写一封关于会议的邮件。 清晰: 给我团队的五位设计师写一封简短的邮件:因为客户需要更多时间,原定周四下午 3 点的评审会改到周五上午 10 点。语气友好,不超过 150 字,结尾请无法参加的人在周三前回复。
把两段提示词分别粘贴到任意 AI 助手中对比效果。第二段说明了读者对象、事实、语气、长度和你希望对方采取的行动。
要点
- 提示词是你交给模型、让它据此回应的全部内容。
- 像给聪明但不了解情况的同事交代任务那样去写。
- 任务、背景、示例、格式和限制,让提示词更有效。
- 应用会加入隐藏的系统提示词,所以同一模型表现可能不同。
- 清晰胜过“咒语”,记得检查并迭代结果。
在 Mindber 上试试
相关术语
相关主题
常见问题
提示词和提示词工程有什么区别?
提示词是你给模型的一次输入;提示词工程则是设计、测试和改进提示词,使其稳定产出可靠结果的方法,尤其适用于同一提示词要在应用或工作流中反复运行的场景。每个使用 AI 助手的人都在写提示词,提示词工程是这项技能更系统化的版本。
提示词应该写多长?
以消除模型的猜测为准,不必更长。简单问题一句话就够;如果任务涉及特定读者、格式或一组事实,就要把这些细节写清楚。内容相关时,长提示词没有问题;但用含糊或重复的指令凑字数,往往会让结果更差而不是更好。
什么是系统提示词?
系统提示词是模型在读取你的消息之前收到的一组指令,通常由应用开发者编写,对用户不可见。它规定助手的角色、规则、语气和边界,也解释了为什么同一个底层模型在不同产品里表现不同。许多工具还允许用户在此基础上添加自己的长期指令。
来源
- Language Models are Few-Shot Learners. Brown et al., arXiv, 2020年5月
- Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Wei et al., arXiv, 2022年1月
- Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. Liu et al., arXiv, 2021年7月
最后更新