为了提高团队提示词技巧，我让 ChatGPT 基于《Google 提示词工程白皮书》生成了一组知识卡片，见下方。
同时，人工补充了《Gemini 提示词指南入门》的有效提示词框架。
在整个生成过程中还有些小插曲，将其附于文末，方便回顾和参考。
高效提示词框架
- 角色（Persona）
- 任务（Task）
- 上下文（Context）
- 格式（Format）
例子如下：
You are a program manager in [industry]. Draft an executive summary email to [persona] based on [details
about relevant program docs]. Limit to bullet points.🛠️ 有效提示词工程最佳实践
| 原则 | 核心思想 | 示例 / 技巧 |
|---|---|---|
| 提供示例（Provide Examples） | 使用单样本（one-shot）或少样本（few-shot）示例，向模型展示优质输出的样貌。 | ✅ 在分类提示词中包含 3-5 个不同类型的示例。 |
| 简洁设计（Design with Simplicity） | 清晰、简洁、结构化的提示词比模糊或冗长的更有效。 | ❌ “我们在纽约应该做什么？” -> ✅ “列出曼哈顿的 3 个家庭景点。“ |
| 明确输出要求（Be Specific About Output） | 明确定义输出的长度、格式、语调或限制。 | “写一份 3 段的总结，格式为 JSON。“ |
| 指令优于约束（Instructions > Constraints） | 告诉模型要做什么，而不是不要做什么。 | ✅ “列出顶级的游戏机及其制造商。” 对比 ❌ “不要提及视频游戏名称。“ |
| 控制 Token 长度（Control Token Length） | 使用模型配置或提示词表述来限制响应长度。 | “用一句话解释” 或设置 Token 限制。 |
| 使用变量（Use Variables） | 通过插入动态值来模板化提示词，以便重复使用。 | 告诉我一个关于 {城市} 的事实。 |
| 尝试输入风格（Experiment with Input Style） | 尝试不同的格式：问题、陈述、指令。 | 🔄 比较：“X 是什么？”, “解释 X。”, “写一篇关于 X 的博客。“ |
| 打乱类别顺序（Few-Shot）（Shuffle Classes (Few-Shot)） | 打乱响应类别的顺序，以避免模型对提示词模式过拟合。 | ✅ 在少样本任务中随机化类别标签的顺序。 |
| 适应模型更新（Adapt to Model Updates） | 大语言模型不断发展；定期测试并调整提示词。 | 🔄 针对新的 Gemini / GPT / Claude 版本重新调优。 |
| 尝试输出格式（Experiment with Output Format） | 对于结构化任务，要求以 JSON/XML 格式输出以减少歧义。 | “以有效的 JSON 格式返回响应。“ |
| 记录提示词迭代（Document Prompt Iterations） | 记录每个提示词的更改和测试。 | 📝 使用表格或版本控制系统。 |
🎯 核心提示词工程技术
| 技术 | 描述 | 示例总结 |
|---|---|---|
| 零样本（Zero-Shot） | 不提供任何示例，直接向模型提问。 | 🧠 “将此评论分类为正面/中性/负面。“ |
| 单样本（One-Shot） | 提供一个示例来展示预期的格式/输出。 | 🖋️ 输入 + 示例 -> 新输入 |
| 少样本（Few-Shot） | 提供多个示例来展示一个模式。 | 🎓 使用 3-5 个不同类型的示例。有助于解析、分类等。 |
| 系统提示（System Prompting） | 设置高层次的任务目标和输出指令。 | 🛠️ “以 JSON 格式返回答案。标签只使用大写字母。“ |
| 角色扮演提示（Role Prompting） | 为模型分配一个角色或身份。 | 🎭 “扮演一位旅行向导。我在东京。“ |
| 上下文提示（Contextual Prompting） | 提供相关的背景信息以指导输出。 | 📜 “你正在为一家复古游戏博客撰稿。“ |
| 回溯提示（Step-Back Prompting） | 首先提出一个普遍性问题，然后解决具体问题。 | 🔄 提取相关主题 -> 用作上下文 -> 提出最终问题 |
| 思维链（Chain of Thought, CoT） | 要求模型逐步思考。提高推理能力。 | 🤔 “让我们一步一步地思考。“ |
| 自洽性（Self-Consistency） | 生成多个思维链，并选择最常见的答案。 | 🗳️ 多次运行相同的 CoT 提示词，采用多数投票。 |
| 思维树（Tree of Thoughts, ToT） | 对于更复杂的问题，并行探索多个推理路径。 | 🌳 大语言模型像决策树一样探索不同的路径。 |
| ReAct（Reason & Act） | 结合推理与行动。模型进行决策、执行行动（例如通过工具/API）、观察结果并迭代。 | 🤖 思考 -> 行动 -> 观察 -> 思考 |
| 自动化提示（Automatic Prompting） | 使用大语言模型自动生成提示词变体，然后评估最佳变体。 | 💡 “生成 10 种表达‘订购一件小号 Metallica T 恤’的方式。“ |
⚙️ 大语言模型输出配置要点
| 配置选项 | 作用 | 最佳使用场景 |
|---|---|---|
| 最大 Token 长度（Max Token Length） | 限制响应的 Token 数量。 | 📦 防止失控生成，控制成本/速度。 |
| 温度（Temperature） | 控制 Token 选择的随机性（0 = 确定性）。 | 🎯 0 适用于精确答案（例如，数学/代码），0.7+ 适用于创意生成。 |
| Top-K 采样（Top-K Sampling） | 从 Top K 个最可能的 Token 中选择下一个 Token。 | 🎨 K 值越高 = 输出越多样。K=1 = 贪婪解码。 |
| Top-P 采样（Top-P Sampling） | 从累积概率大于等于 P 的最小 Token 集合中选择。 | 💡 Top-P ~0.9-0.95 能提供质量与多样性的平衡。 |
🔁 这些设置如何相互作用
| 如果你设置… | 那么… |
|---|---|
temperature = 0 | Top-K/Top-P 被忽略。总是选择最可能的 Token。 |
top-k = 1 | 类似于贪婪解码。温度/Top-P 变得无关紧要。 |
top-p = 0 | 只考虑最可能的 Token。 |
high temperature (e.g. >1) | 使 Top-K/Top-P 占据主导地位。Token 采样变得更随机。 |
✅ 初始配置速查表
| 目标 | 温度 | Top-P | Top-K | 备注 |
|---|---|---|---|---|
| 🧠 精确回答 | 0 | 任意 | 任意 | 适用于逻辑/数学问题，确定性输出 |
| 🛠️ 半创作性 | 0.2 | 0.95 | 30 | 平衡、信息丰富的输出 |
| 🎨 高度创作性 | 0.9 | 0.99 | 40 | 适用于故事、想法、写作 |
Vibe 创作过程回顾
为何使用 ChatGPT 生成知识卡片？
在日常使用过程中，发现 ChatGPT 的文笔明显比 Gemini 强很多，表现力也更丰富，因此这个选择也就不难理解了。
由此外推，凡事有文笔要求的地方，ChatGPT 都是更好的选择。包括但不限于：市场营销、产品文案、创意写作等。
甚至于，在你灵感枯竭之时，或者是只有一个大致想法时，你都可以把它当作产品经理或者创意总监来使用。
比如在做老胡茶室时，当时灵感来自于千利休的待庵。但首页的 Slogan 始终没有想好，只是隐约想结合两点跟“茶”相关的典故：石田三成的三献茶和赵州禅师的“且吃茶去”。
于是，将这个想法输入 ChatGPT，虽然未最终照搬其文案，但基于它的初始文案修改成了最终的版本：
"三盏茶意，洞见 AI、区块链、研发与人生真味。个中滋味，且吃茶去！"借助 vibe-coding 完成最终格式生成
最早版本的 ChatGPT 中，复制的生成结果时是复制的其内部 Markdown 格式，无需特别设定。
基于这个记忆，我将首次复制结果粘贴到编辑器中时，发现其格式已经改变。于是，回到 ChatGPT，让其将结果导出到 Markdown 文件。However，这次虽然格式对了，但内容却已不是第一次的结果。
很明显，它重新生成了一个新版本，然后再将其导出。
此时，我也没有耐心去在这么个小任务上去展示我的提示词功力，于是打算采用简单而暴力的做法：截屏并将其递给 vscode copilot agent，让其生成匹配图片的 Markdown 文件。
成功！
最终，让 Gemini 将其翻译成：中文和日文两个版本。
提示：当需要多语言版本时，尤其涉及技术类内容时，先生成英文版本，再让 LLM 翻译成其他语言，这样会更准确。