目录

前言

1、推理大模型，比如 DeepSeek - R1，只为得到答案的话，不大需要琢磨怎么优化提示词了。如果还要考虑受众和输出要求的话，才需要进一步约束提示词。

2、通用大模型，比如 DeepSeek - V3，优化提示词还有效果，但很多所谓的技巧已经不需要了，比如思维链、自一致性等这些原来更多的是针对算术与推理问题，现在已经有自动思维链了，不再需要手动要求思维链或自一致性提示。

当然很多人还都是使用通用大模型的，所以提示词使用技巧与优化还是很有必要。

工程师版本

一、LLM 的机制依赖

LLM 是通过海量文本训练的语言模型，其本质是根据输入内容预测最合理的输出。没有明确提示词时，模型会基于默认模式生成通用内容，难以聚焦特定需求。

二、消除意图歧义

人类语言存在多义性，例如：

// 模糊提示
"帮我写一个函数"
// 明确提示
"用 JavaScript 编写一个函数，接收数字数组并返回去重后的升序排列结果"

精准提示词能帮助模型准确理解开发者意图，避免输出冗余或偏离目标的代码。

三、生成方向引导

LLM 本身不具备主观判断能力，需要通过提示词：

  • 限定技术栈（如 “用 React Hooks 实现”）
  • 定义输出格式（如 “以 JSON 格式返回”）
  • 约束业务逻辑（如 “遵循 Airbnb 代码规范”）

四、效率与质量提升

结构化提示词可显著降低沟通成本。研究表明，经过优化的提示词可使代码生成准确率提升 40% 以上（数据来源：2024 年提示工程大赛实践案例）。

五、任务适配能力

不同场景需要不同提示策略：

  • 代码补全需提供上下文代码片段
  • 错误排查需附带报错日志
  • 算法实现需明确时间/空间复杂度要求

🔍 延伸思考：这与开发者调用 API 时需要传参的逻辑类似——参数越精准，返回结果越符合预期。提示词本质上是为 LLM 提供的"调用参数”。

普通人版本

🌟 为何需要提示词？——像给朋友清晰指示

想象你要让朋友帮忙买咖啡：

  • ❌ 模糊请求：“带杯咖啡”
    → 可能带回你不喜欢的冰美式
  • ✅ 明确提示：“带杯大杯热拿铁，加燕麦奶，半糖”
    → 更可能获得理想结果

这正是提示词的核心价值：将模糊需求转化为明确指令，帮助 AI 理解你的真实意图。

🔑 关键原因（日常场景版）

1️⃣ 突破 AI 的"默认模式”
AI 像一本百科全书，但不知道你需要哪一页。
例：
▸ 问：“推荐电影” → 可能得到《泰坦尼克号》
▸ 问：“推荐 2023 年科幻片，适合全家观看的” → 得到《银河护卫队 3》

2️⃣ 消除自然语言的歧义
人类语言充满潜台词，但 AI 不会读心术：
▸ 模糊需求：“做顿健康餐”
→ 素食沙拉？低卡牛排？
▸ 明确提示：“用鸡胸肉和西兰花做 20 分钟快手减脂餐”

3️⃣ 引导创意方向
尤其在生成图片/文案时，提示词是创意方向盘：

文生图示例：

模糊提示："一只猫" → 随机风格  
精准提示："赛博朋克风格的机械猫，霓虹灯光，未来感插画"

4️⃣ 节省沟通时间
研究表明：增加 3-5 个关键词可使 AI 输出相关性提升 60%（斯坦福 2023 研究）。
例：
▸ 问旅行建议时加上"预算 5000 元"“避开节假日”，比反复追问更高效。

💡 提示词进阶思维

  • 类比搜索引擎：用"关键词 + 限定词"组合，就像在百度搜索时添加筛选条件
  • 避免过度抽象：把"我想要浪漫的感觉"转化为"烛光晚餐 + 钢琴曲 + 粉色玫瑰”
  • 分层描述：先主需求（核心），再补充细节（风格/限制条件）

🌰 生活案例：让 AI 推荐生日礼物
❌ “送女生礼物” → 口红？玩偶？
✅ “送 25 岁闺蜜的生日礼物，预算 300 元以内，她喜欢露营和摄影”

9ong@TsingChan 文章内容由 AI 辅助生成。