北京
“我花了整整两周时间，一直骂Claude毫无用处。后来才发现，问题压根不在Claude——我就是完全不知道该怎么向它提问。”
如果光看这条开发者自嘲式的坦白，你可能会觉得，所谓“提示工程”不过是门靠运气的玄学。支持这个观点的一方会说，大模型训练时已经塞进了海量知识，你随口一问，它就该懂。反过来，那些整天折腾提示词模板的人又坚信，AI像一台精密设备，给你的问题换一个词，输出就能从“完全不能用”变成“惊艳”。到底哪一种对？我的判断是——两者都没错，但都只说对了一半。提示的本质不是魔法，而是学着把问题问得更清楚。不同的任务，需要不同的提问方式。
什么是提示？简单说，就是你让AI干活的方式。能说得清楚，是一回事；能问得精准，又是另一回事。好比你说“做点吃的”，家人可能翻翻冰箱，给你热个剩饭；但如果你说“像上个月那次一样，做个培根蛋酱意面”，端上来的就是那盘你心心念念的味道。同一个人，同样的能力，只是你提出的请求变了，结果就天差地别。这就是提示最底层的道理。
在真正动手时，有七种技术值得记住。头一种是“零样本提示”：直接提问，不给任何示例。大模型在训练时吞下过海量文本，遇到新问题就会去匹配它学过的模式。比如你直接说“写一首关于人工智能的俳句”，它很可能给出：
思绪如数字
在黑暗中学习规律
未来渐渐成形
这种方式适合快速翻译、情感判断或摘要文章。想得到更好的结果，关键只有一个：别含糊。写“写点人工智能的东西”，不如写“为商业管理者写一段300字的前言，解释人工智能如何降低客服成本——用真实案例”。指令越清晰，输出越准确。
第二种是“少样本提示”：先给两到五个例子，再让它处理新数据。它的厉害之处在于，模型当场就能从示例中抓到规律。我自己看过的一个例子：情感分类任务，不加示例时准确率大约70%，加上三个高质量样本之后，直接跳到94%。这可不是微调，只是换了提问方式。所以实战中的最佳做法是：精选三到五个高质量示例，胜过塞一堆不上不下的样本。
第三种是“思维链提示”：要求AI一步一步展示推理过程，而不是直接给出猜测结果。当你让它“一步一步思考”，逻辑会更严密，错误率更低，而且你能看清它到底是怎么推出来的。一个典型的示范是：
第一步：书本费用=3×15=45元
第二步：总费用=书本+钢笔=45+5=50元
第三步：找回的钱=100−50=50元
照着这个模式，再去问复杂的数学题、逻辑分析或调试计划，效果就截然不同。你需要验证的不是答案本身，而是它的思考路径。
第四种叫“角色提示”：给AI分配一个身份，它的回答会自动带上那个视角和知识深度。同样的问题，问法不同：
不要说“我要开一家创业公司，该考虑什么？”
而要说“你是一位连续创办过三家初创公司的连环创业者，我现在要启动一个新项目，应该重点考虑什么？”
不要说“解释一下机器学习”
而要说“你是一位大学教授，正在给本科生解释机器学习，请用他们能听懂的方式讲。”
得到的回答，会从一个通用的AI腔调，立刻变成一个有经验、有语气的专业声音。不是模型的参数变了，是问题的框架变了。
第五种“系统提示”是在对话开始前的全局规则设置，就像给帮手在上岗前做一次简短的培训。例如，设定“你是一位……”
（原文关于系统提示后续内容截断，但可以明确，它作用于后续所有用户输入，用来固定输出风格、边界或背景知识。实际应用里，它决定了整个对话的基调。）
这五种方法已经覆盖绝大多数实际场景。我的看法是，提示工程之所以看起来有时像玄学，是因为我们总期待用一个万能句式搞定所有任务。而一旦你承认不同任务需要不同的提问框架，它就变成了可拆解、可优化的一套工作方法。不是AI不稳定，是我们给它的指令还不够清晰——就像对着一个什么都懂但什么都要问清楚的搭档，把话说透，才是效率最高的合作。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
