北京
你每天都在跟大模型聊天，但多数人从没意识到——同样一个问题，换一种“问法”，AI给出的答案可能天差地别。业界把这套问法叫作提示工程（prompt engineering），里面藏着五种截然不同的提问姿势。可奇怪的是，大多数人用的第一种，偏偏是效果最拉胯的那个。
先回到源头：我们发给大模型的任何一段文字，都叫“提示”（prompt）。同一个任务，用不同的提示结构丢进去，模型的表现就会有明显差异。目前被讨论得最多的，主要有下面这五种风格。
第一种叫零样本提示（Zero‑shot prompting）。这就是很多人最熟悉的用法，直接把问题甩给模型，不给任何示范、不设任何框架。“帮我写一篇产品文案”“解释一下区块链”——典型的零样本。它的门槛最低，但原文直接点明：这种风格“not that good”，并不算理想。因为它把所有的压力都留给了模型自己推断意图，碰到复杂任务时翻车的概率不小。
第二种是少样本提示（Few‑shot prompting）。简单说，就是在提问的同时，先塞给模型几个“问答对”当范例。你需要把输入和期望的输出一并展示出来，让模型照着这个模式继续生成。如果只给一个范例，就叫单样本提示（One‑shot prompting）；两个以上，就是典型的少样本。这种做法的好处在于，模型不再凭空猜测你想要的格式或语气，而是直接复制范例里的结构。
第三种叫系统提示（System prompting）。这时候你不是在“提问”，而是在给模型套上一组“法律条文”——也就是设定规则、划出边界。比如要求在回答开头必须给出摘要，或者禁止使用某个特定词汇。这些指令就像游戏里的世界法则，无论后续对话怎么变，模型都得在这套约束下运行。
第四种是角色提示（Role‑based prompting）。和系统提示不同，它不是给规则，而是直接让模型“成为”一个人格。你可以要求它扮演一个毒舌影评人、一个刻板的税务顾问，或者一个用俳句回答问题的诗人。这种设定会直接影响模型的行文语气和知识侧重点，甚至能让同一个问题产生截然不同的措辞风格。
第五种是上下文提示（Contextual prompting）。与前几种风格相比，原文没有展开具体机制，但它同样被列为一种独立的提示方式。在实际使用中，它通常意味着把当前对话的历史记录、外部资料或者领域背景直接打包进提示里，让模型能基于更丰富的上下文来做判断。
这五种风格并非互斥，更多时候它们是可以叠加的。你可以先设定一个角色，再补充几条范例，最后用系统提示封死回答边界。回头看看，那些单纯把一句大白话扔给AI的用法，确实显得有些随意了。
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.
