什么是提示词？
当我们与类GPT聊天机器人对话时，一般都是一问一答形式。 用户先发送一句（段）话，后台大模型生成响应、返回结果（通常 是流式输出）。这是用户与大模型交互的典型方式。
所谓提示词，就是我们发送给大模型的这句（段）话。提示词 可以是任意的自然语言，一般情况下，大模型都能给出不错的响 应。但有时我们可能需要多次尝试，才能得到比较满意的结果。
提示词工程就是关于如何组织并优化发送给大模型的语言以便得到 最佳响应结果的一套策略方法。 提示词可以包含以下任意要素：
指令：想要模型执行的特定任务或指令。
上下文：包含外部信息或额外的上下文信息，引导语言模型更好 地响应。
输入数据：用户输入的内容或问题。
输出指示：指定输出的类型或格式。
这些要素并不一定都出现，也不一定按照某种固定的格式来构造。 一个好的提示词应当具有具体性、简洁性和明确性的特点。例如：
`帮我写一篇文章` //这句话可能不是一个好的提示词 `请帮我写一篇关于大模型现状和未来发展的文章，包括大模型发展的时 间线、主流厂商及产品简介、未来发展趋势以及总结，字数1000以内。 ` //这句话比上一句好很多
如果说智能体是大模型的上层应用的话，那么提示词就是开发 大模型应用的编程语言，而提示词工程就是关于该语言编程技巧的 学科，下图展示了大模型和移动互联网的类比。
了解提示词工程有助于我们写出高质量的提示词，从而让大模型高 效地产出优质的结果。下面是一些提示词工程方法。
零样本提示
所谓样本，就是我们在写提示词时，可以包含一个示例，以便 让大模型从中学习，从而更好地完成指令。 零样本提示，就是不包含任何样本的提示。这个术语很高级， 但其实就是指普通的一句话，一般我们和大模型聊天机器人的对 话，大部分都是零样本提示，这两个示例都是零样本提示：
`帮我写一篇文章` //这句话可能不是一个好的提示词 `请帮我写一篇关于大模型现状和未来发展的文章，包括大模型发展的时 间线、主流厂商及产品简介、未来发展趋势以及总结，字数1000以内。 ` //这句话比上一句好很多
但零样本提示并不意味着随便一句话大模型都能给出令人满意 的结果。我们在写提示词时，仍然需要尽可能遵循具体性、简洁性 和明确性的原则。
少样本提示
少样本提示，就是在提示词中包含少量的示例，这样模型可以学习 如何生成更好的回答。举个例子：
`将以下文本分类为中性、负面或正面。 示例： 这太棒了！// 正面 这太糟糕了！// 负面 明天是星期天！// 中性 哇，那部电影太棒了！// 正面 文本：我认为这次假期还可以。`
这个提示词包含了4条样本，要求大模型对"我认为这次假期还 可以。"这句话进行分类。大模型返回结果：
中性
至于多少样本算少样本，并没有一个客观的标准。例如1条、2 条、3条、10条等都属于少量样本。在实际编写提示词时，应结合 具体问题和大模型回答的效果加以灵活调整。
链式思考COT
链式思考（Chain of Thought，COT）也叫思维链，是通过指示模 型输出中间推理步骤从而得到更好的输出结果。 下图的例子演示了标准提示和链式思考提示的区别。
左图显示的是“标准提示”，这是一个少样本提示，其中（原图英 文，下面是翻译）：
Q：“Roger有5个网球，他又买了2罐网球，每罐有3个网球，问现在他 有多少个网球？” A：“答案是11。”
是一个样本（不是模型的回答），实际问题是：
Q：食堂原本有23个苹果，用掉了20个做午餐后又购买了6个。问现在食 堂有多少个苹果？
模型输出："答案是27"，显然是错误的。
右图显示的是“链式思考”提示，在样本的答案中增加了推理步 骤（蓝色字体）。模型通过学习样本，在回答中也输出了推理步骤 （绿色字体），这次的计算结果是正确的。
除了包含少样本的COT之外，还有零样本COT。零样本COT其 实非常简单，当你向大模型提出一个问题时，在后面加上一句话"让 我们一步一步地思考"。例如，把上面的例子改成零样本提示：
食堂原本有23个苹果，用掉了20个做午餐后又购买了6个。问现在食堂 有多少个苹果？让我们一步一步地思考
这样模型会输出它的思考过程并给出答案，有助于提高答案的准确性。
除了上面的提到的方法之外，提示词工程还有很多其它的策略 方法，这个领域目前也处于广泛的研究和快速发展之中，新的方法 不断涌现。对提示词工程感兴趣的，可以看下这个网站https://ww w.promptingguide.ai/zh。