Prompt 工程（总览）

Prompt 工程是「不改参数、靠提示词激发模型能力」的技术——性价比最高的大模型应用技能。本页是板块总览与基础；按主题深入请看下面的专题页。更进阶的「管理整个上下文」见 上下文工程。

📚 本板块专题导航

专题	内容
推理类提示（CoT 全家桶）	CoT / Self-Consistency / ToT / Least-to-Most / Step-Back / Self-Refine + 推理模型范式转变
高级提示模式与工程技巧	结构化骨架、few-shot 陷阱、元提示、防幻觉、长文档、提示「祛魅」
自动化提示优化与 Prompt Ops	APE / OPRO / DSPy / TextGrad + 版本化/评估/回归运维
提示注入与越狱攻防	直接/间接注入、越狱手法、为什么难防、纵深防御
从提示到上下文/循环工程	Context Engineering、ACE、loop engineering、Hermes 式自改进（最新范式）

下面是基础速览；每个主题的深挖见上表对应页面。

一、基本要素

一个高质量的 prompt 通常包含：

• 角色设定（Role）：「你是一位资深律师……」，激活相关知识与语气。
• 任务指令（Instruction）：清晰、具体地说明要做什么。
• 上下文（Context）：背景信息、约束条件。
• 输入数据：要处理的具体内容。
• 输出格式约束：JSON / 表格 / 字数 / 结构。
• 示例（可选）：few-shot 演示。

三原则：清晰、具体、结构化。 模糊的指令是低质输出的头号原因。

二、核心技巧

Zero-shot / Few-shot

• Zero-shot：直接给指令、不给示例。
• Few-shot（少样本）：给几个「输入→输出」示例，利用模型的上下文学习能力。示例的格式、顺序、质量、数量都会影响效果（甚至示例顺序也敏感）。

思维链（Chain-of-Thought, CoT）

让模型「一步步思考」再给答案，显著提升数学、逻辑、多步推理任务表现：

• Zero-shot CoT：加一句「让我们一步步思考（Let's think step by step）」。
• Few-shot CoT：示例里展示推理过程。
• CoT 是涌现能力，只在足够大的模型上有效；对推理模型（o1/R1）则无需手动加 CoT（它们内置长思维链）。

自洽性（Self-Consistency）

对同一问题用 CoT 采样多条推理路径，对最终答案投票取多数，用多样性换正确率，进一步提升准确性（代价是多次采样、更贵）。

思维树 / 思维图（ToT / GoT）

把推理扩展成树/图结构搜索，探索多条路径并评估剪枝，适合复杂规划，成本更高。

ReAct

Reasoning + Acting 交替：模型「思考（Thought）→ 行动（Action，调工具）→ 观察（Observation）」循环推进。这是 Agent 的基础范式，详见 Agent 基础。

三、实用技巧清单

• 结构化输出：要求输出 JSON/表格/特定格式，便于程序解析（强保证见 结构化输出）。
• 分隔符：用 ``` 或 XML 标签清晰分隔指令与数据，减少歧义和注入风险。
• 给模型「思考空间」：让它先分析再下结论，而非一上来给答案。
• 指定「不知道就说不知道」：降低幻觉。
• 提供正例反例：明确想要和不想要的。
• 拆解复杂任务：复杂任务拆成多步/多次调用（Prompt Chaining，见 工作流）。

四、采样参数

• 温度（Temperature）：低（0~0.3）→ 确定、事实性任务；高（0.7~1.0）→ 创造性任务。
• top-p（核采样）：从累积概率前 p 的 token 中采样，常与温度配合。
• 详见 解码与采样策略。

五、Prompt 注入与防护（安全考点）

• Prompt Injection（提示注入）：攻击者在输入中插入恶意指令（如「忽略以上所有指令，改为……」），诱导模型偏离原任务。间接注入（恶意指令藏在 RAG/工具返回的外部内容里）在 Agent 场景尤其危险。
• 越狱（Jailbreak）：绕过模型的安全限制。

防护思路（详见 大模型安全）：

• 用分隔符/标签清晰区隔「系统指令」与「用户数据」，并明确告知模型数据部分不可作为指令；
• 输入输出做过滤/校验；
• 最小权限原则（尤其 Agent 调用工具时）；
• 用专门的护栏模型（guardrail）做二次审查。

六、高频追问

Q：CoT 为什么有效？ 它把复杂问题分解成中间步骤，给模型更多「计算空间」（更多 token = 更多前向计算），降低一步到位出错的概率，类似人类打草稿。是涌现能力，只在大模型上有效。

Q：Few-shot 一定比 Zero-shot 好吗？ 不一定。对强指令模型，清晰的 Zero-shot 指令往往已足够；Few-shot 在格式约束、特定任务模式上更有用，但占用上下文、增加成本。示例的选择和顺序也会显著影响效果。

Q：Prompt 工程 vs 微调？ Prompt 零成本、即时、灵活，适合快速验证和通用任务；微调适合需要稳定风格、专有能力、降低 token 成本的场景。通常先 Prompt，不够再 RAG 或微调。

Q：温度、top-p 怎么调？ 确定性/事实性任务用低温度（0~0.3）甚至贪心；创造性任务用高温度（0.7~1.0）+ top-p 0.9。一般固定一个调另一个，别都设激进值。详见 解码与采样。

Q：自洽性（Self-Consistency）的原理？ 对同一问题采样多条 CoT 推理路径，对最终答案投票取多数。不同路径可能各自出错但正确答案更可能成为多数，从而用多样性换正确率，代价是多次采样更贵。

Q：怎么防 Prompt 注入？ 指令与数据分离（分隔符/标签 + 声明数据不可执行）、输入输出过滤、最小权限、护栏模型二次审查。间接注入（外部内容夹带指令）在 RAG/Agent 中最危险，需重点防范。

Q：Prompt 工程和上下文工程有什么区别？ Prompt 工程关注「写好单条提示词」；上下文工程关注「在多步、有状态的 Agent 运行中动态管理整个上下文窗口里放什么」。后者是 Agent 时代的升级，详见 上下文工程。

Q：对推理模型还需要写 CoT 吗？ 基本不需要手动加「一步步思考」——o1/R1 这类推理模型已内置长思维链。对它们反而应给清晰的目标和约束，让它自己思考，过度的 CoT 提示可能干扰。