提示工程原理

摘要

提示工程是设计和优化语言模型输入以获得期望输出的技术与艺术。本章探讨提示工程的核心原则、常见模式和高级技术，重点分析如何在 Claude Skills 系统中设计和组织技能提示。

关键词:提示工程系统提示Few-shotCoT提示设计

1. 提示工程基础

提示的结构

一个完整的提示通常包含以下组件：

设计原则

原则	描述	示例
明确性	清晰表达期望	"输出 JSON 格式" 而非 "格式化输出"
特异性	避免歧义	"列出 5 个要点" 而非 "列出要点"
结构化	使用模板和分隔符	用 --- 分隔章节
渐进式	从简单到复杂	先给模板，再给示例

2. 系统提示设计

系统提示定义模型的基本行为和能力边界。在 Claude Skills 中，SKILL.md 文件本质上是系统提示的具象化。

系统提示组件

[身份设定]
你是一个文档处理专家，精通多种文档格式的转换和内容提取。

[能力边界]
- 支持格式: PDF, DOCX, PPTX, XLSX
- 不支持: 加密文档、损坏文件

[工作流程]
1. 检测输入格式
2. 应用对应处理器
3. 验证输出完整性

[约束条件]
- 保持原始格式
- 保留元数据
- 处理大文件时分块执行

Skills 中的系统提示映射

SKILL.md 章节	系统提示功能
何时使用此技能	触发条件、适用场景
说明	核心能力定义、工作流程
示例	Few-shot 示例

3. Few-shot 学习

Few-shot 学习通过提供少量示例引导模型行为^[1]。

示例数量建议

任务复杂度	示例数量	说明
简单分类	1-2	格式足够
结构化输出	2-3	展示完整性
复杂推理	3-5	覆盖边界情况
创造性任务	1-2	提供风格参考

Skills 中的 Few-shot 实现

SKILL.md 的"示例"部分即为 Few-shot 提示：

## 示例

**输入**: 用户活动日志 CSV
**输出**: 结构化分析报告

输入数据:
``csv
user_id,action,timestamp
101,login,2024-01-15 09:00

输出: ``markdown

用户 101 活动分析

该用户展示了明确的购买意向。

4. Chain-of-Thought 变体

Self-Consistency

多路径推理取共识：

Tree of Thoughts

探索多个推理分支：

问题: 如何优化文档处理性能？

思考树:
+-- 分支1: 缓存策略
|   +-- 内存缓存
|   +-- 磁盘缓存
+-- 分支2: 并行处理
|   +-- 多线程
|   +-- 多进程
+-- 分支3: 算法优化
    +-- 增量处理
    +-- 流式处理

评估: 分支2 + 分支3 组合最优

5. 提示模板设计

模板结构

---
name: skill-template
description: 技能描述，明确说明何时使用此技能。
---

# [技能名称]

## 何时使用此技能

- 触发条件 1
- 触发条件 2

## 说明

### 输入处理
描述如何处理输入数据。

### 核心逻辑
描述主要的处理流程。

### 输出格式
描述期望的输出格式。

## 示例

**场景**: [描述]
**输入**: [示例输入]
**输出**: [示例输出]

变量插值

在脚本中实现动态提示：

def build_prompt(template: str, **kwargs) -> str:
    return template.format(**kwargs)

prompt = build_prompt("""
分析以下文档：
- 文件名: {filename}
- 类型: {filetype}
- 目标: {objective}
""", filename="report.pdf", filetype="PDF", objective="提取关键数据")

6. 高级技术

提示链

将复杂任务分解为多个提示：

自我修正

让模型评估和改进自己的输出：

请检查上一步的输出：
1. 是否满足格式要求？
2. 是否有遗漏信息？
3. 是否有逻辑错误？

如有问题，请修正并解释原因。

元提示

用提示生成提示：

你是一个提示工程专家。请根据以下任务描述，生成一个优化的提示：

任务: {task_description}

输出格式:
- 系统提示
- 用户提示模板
- 示例

参考文献

1. Brown, T., et al. (2020). "Language Models are Few-Shot Learners." NeurIPS. https://arxiv.org/abs/2005.14165
2. Wei, J., et al. (2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models." arXiv preprint arXiv:2201.11903. https://arxiv.org/abs/2201.11903
3. Zhou, Y., et al. (2022). "Large Language Models are Human-Level Prompt Engineers." arXiv preprint arXiv:2211.01910. https://arxiv.org/abs/2211.01910