初学者快速工程指南

您是否对生成式人工智能在提升工作效率方面的潜力感到好奇，但又对炒作持怀疑态度，不确定如何最大限度地利用它？利用人工智能最强大且最容易的方法之一是通过实践数字技能提示工程——设计有效提示以充分利用 AI 语言模型的过程。

即时工程的核心在于学习如何与 AI 沟通，指导它为您和您的组织执行有用的任务。通过提供正确的指令、上下文、输入和输出格式，您可以引导大型语言模型生成相关且富有洞察力的内容和分析，以支持您的使命。

说明： 明确指定您希望 AI 执行的任务，无论是总结长篇报告、集思广益活动创意还是分析捐助者数据。您的指令要直接而具体。
语境： 提供 AI 做出良好响应所需的任何相关背景信息。这可能包括有关您的非营利组织的重点领域、目标受众、过去的活动等的详细信息。更多背景信息通常会带来更相关的输出。
输入数据： 包含您希望 AI 处理或响应的特定文本、数据或问题。确保输入格式正确且无错误。
输出指标： 指定 AI 响应所需的格式或结构。这可以是“列出前 3 个想法”或“写一段 100 字的介绍段落”。设定输出期望有助于获得相关结果。

虽然并非每个提示都需要所有四个元素，但仔细考虑每一个元素有助于确保为 AI 模型提供足够的信息。

设计有效提示的快速技巧

当您开始尝试提示时，请牢记以下最佳做法：

开始简单。
从基本、简单的提示开始，逐渐增加更多复杂性和背景。随着评估结果，随着时间的推移增加提示的复杂性比从一开始就使用过于复杂的提示要好。

你的指示要具体、直接。
清楚地传达您希望人工智能执行的核心任务。避免使用不精确或矛盾的语言。提示越有针对性和详细，输出效果就越好。

重点关注手头任务所需的关键信息。
虽然背景信息越多越好，但过多无关或不必要的细节可能会适得其反。目标是为 AI 提供足够的背景信息，以便有效地完成任务。

提供明确的输出指标和格式指南。
如果你对最终结果有一个愿景，那就把它告诉人工智能。你对期望的输出越清楚，你就越有可能得到好的结果。

强调“应该做的事”而不是“不应该做的事”。
避免陷入你不想要的事情。将提示语言重点放在你希望 AI 完成或生产的具体事物上。

迭代并实验。
制作完美的提示是一个反复试验的过程。如果第一次尝试没有达到预期效果，请进行调整并重试。调整说明，添加更多背景信息，澄清输出格式，然后查看结果如何改进。

通过掌握快速工程的艺术和科学，我们都可以开始利用人工智能的力量，更高效、更有创意、更有效地完成我们的使命。

但这只是冰山一角！

继续阅读我们的深入指南，了解尖端的提示工程技术，查看非营利组织的真实案例，并访问即插即用提示以开始使用。

具体的提示工程方法和框架

促使工程进行头脑风暴或提出问题的多种解决方案

零发球快速工程

何时使用： 当您希望语言模型执行一项尚未明确训练过的任务，且不提供任何特定于任务的示例时，零样本提示非常有用。零样本提示利用了模型在大型语料库上进行预训练期间获得的广泛知识和能力。它们对于与模型在预训练期间可能遇到的任务类似的任务或可以通过自然语言指令轻松表达的任务特别有效。

计费示例：

✅正确使用方法：
- 提示： “一家非营利组织正在创建一个聊天机器人来回答有关他们的志愿者机会和捐赠流程的问题。生成三个聊天机器人应该能够处理的示例用户查询。”
- 为何纠正： 此提示为所需任务（生成示例用户查询）提供了清晰的说明，并指定了相关背景（非营利组织的志愿服务和捐赠聊天机器人）。它不包含任何示例，仅依靠模型的预训练知识来生成适当的查询。提出合理的用户查询的任务非常适合零样本提示，因为它利用了模型对人们如何寻找信息的一般理解。
- 结果： 该模型会生成一些非营利性聊天机器人可能需要处理的真实用户查询，例如“我如何报名参加即将举行的活动？”，“目前有哪些类型的志愿者职位可供选择？”以及“我可以设置每月定期捐款吗？”。这些输出展示了该模型推断用户在此场景中可能提出的问题类型的能力。
❌错误应用：
- 提示： “一家非营利组织想要分析过去 5 年志愿者报名和捐款的趋势。他们应该跟踪哪些关键指标？”
- 错误原因： 虽然此提示提出了与非营利组织运营相关的明确任务，但它并不适合零样本提示。分析多年趋势并确定关键指标需要有关非营利组织管理和数据分析的领域知识，而模型不太可能仅从其预训练数据中学习这些知识。如果没有更多背景或示例来说明要考虑的指标类型，该模型可能难以提供相关或全面的答案。这种类型的分析任务最好通过诸如少样本提示或对非营利组织指标数据集进行微调之类的技术来解决。
- 结果： 该模型的响应可能包括一些通用指标，如“志愿者人数”和“捐款总额”，但可能无法为趋势分析提供更有洞察力的指标，例如志愿者保留率、平均捐款额或同比增长百分比。该模型缺乏非营利领域的专业知识，限制了其在这种零样本环境中提供细致入微的建议的能力。

少量样本快速工程

何时使用： 当您有少量所需任务的示例（通常在 1-10 个之间）可以提供给模型以指导其输出时，小样本提示非常有效。当零样本提示不足以让模型掌握任务，但您没有足够的数据来微调模型时，这种方法非常有用。与单纯的指令相比，小样本提示为模型提供了更清晰的模式供其遵循。

计费示例：

✅正确使用方法：
- 提示： “以下是志愿者可能会向非营利聊天机器人询问的一些示例问题：
  - 问：这个周末您有什么志愿者机会？
  - 答：本周末，我们将于周六上午 10 点至下午 1 点举办海滩清洁活动，并于周日下午 1 点至下午 4 点举办食物银行轮班活动。您想报名参加其中任何一项活动吗？
  - 问：我如何捐款来支持你们的组织？
  - 答：感谢您的慷慨！您可以在我们的网站 nonprofit.org/donate 上进行安全捐赠，或将支票邮寄至我们的办公室（地址：123 Main St, Anytown USA），抬头写“Nonprofit Name”。所有捐赠均可免税。

为何纠正： 此提示为模型提供了两个清晰的示例，说明了预期的问题和答案类型，展示了所需的问答格式、语气和详细程度。通过提供多个示例，模型可以在没有明确指示的情况下推断任务。末尾的开放式“Q：”邀请模型生成一个遵循示例中模式的新相关问题。
结果： 该模型可能会生成志愿者可能会提出的连贯问题，例如“问：为新志愿者提供什么样的培训？”这个问题符合示例的格式和主题。该模型基本上已经学会了从少量提示中提出相关问题的任务。
❌错误的应用:
- 提示： “非营利组织需要他们的聊天机器人回答一些问题。以下是其中一些：
  - 问：下一次志愿者活动是什么时候？
  - 问：捐赠活动接受哪些物品？
- 错误原因： 虽然此提示尝试通过列出示例问题来采用少样本方法，但它没有提供相应的答案。如果没有答案示例，模型就没有足够的上下文来推断生成适当问答对的完整任务。这些示例也相当简短且缺乏多样性，因此模型可能难以生成与给定示例有显著区别的问题。
- 结果： 由于样本有限且缺乏答案，模型生成的问题可能是样本的近似解释，例如“问：我可以在哪里报名做志愿者？”虽然这仍然是一个相关问题，但并不能表明模型真正理解了问答任务。如果提示模型提供连贯的答案，它很可能会失败，因为它没有看到任何可供学习的答案样本。

自洽提示工程

何时使用： 当您希望语言模型生成多条不同的推理路径并得出相同的最终答案时，自洽提示非常有用。它利用了这样的直觉：对于复杂的推理任务，通常有多种有效方法可以得出正确答案。通过提示模型对不同的推理路径进行采样，然后汇总最终答案，与依赖单个答案集相比，自洽可以提高准确性和稳健性。

计费示例：

✅正确使用方法：
- 提示： “一家非营利组织希望估算其年度筹款晚会的环境影响。生成多个推理路径来计算该活动的总碳足迹，同时考虑与会者的旅行、餐饮和能源使用等因素。提供以二氧化碳当量吨为单位的最终估算值。”
- 为何纠正： 本题通过引导模型生成多个考虑各种排放源的独立推理路径，有效地利用了自洽性。每条推理路径的假设略有不同，但遵循逻辑流程得出最终的 CO2e 估算值。汇总来自不同路径的最终答案可以提供更可靠的整体估算范围。推理的多样性使模型能够从多个角度探索问题，并增强对结论的信心。
- 结果： 该模型生成 3 条不同的推理路径，每条路径都通过对与会者的出行、餐饮和能源使用情况做出合理假设来计算总碳足迹。虽然不同路径的具体数字有所不同，但它们经过三角测量得出的一致估计值在 19-42 吨二氧化碳当量范围内。尽管计算细节存在差异，但推理路径之间的这种自洽性为最终的汇总估计值提供了可信度。
❌错误应用：
- 提示： “一家非营利组织希望估算其年度筹款晚会的碳足迹（单位：二氧化碳当量）。请提供分步计算方法：”
- 错误原因： 虽然这个提示从高层次概述了任务，但它未能利用自我一致性提示的关键方面。至关重要的是，它没有指导模型生成多个不同的推理路径并汇总最终答案。如果没有明确的指导来探索不同的假设和计算细节，该模型很可能会得出一个范围狭窄的估计。这失去了自我一致性在探索问题空间和通过多条推理路径得出类似答案来强化最终结论方面的好处。
- 结果： 该模型生成单一的推理路径，虽然它会产生合理的估计，但这种单一路径无法提供与自洽方法相同的稳健性和探索性推理价值。该模型不考虑可能导致不同估计的替代假设，从而强化最终结论。

多角色提示工程

何时使用： 当需要模拟不同的视角或角色来生成不同的响应或内容时，此框架非常有效。通过指示 AI 采用不同的角色，您可以探索问题的多个角度或解决方案。

计费示例：

✅正确使用方法：
- 提示： “作为一名精打细算的学生，你为什么要选择我们的产品？现在，作为一名追求奢华的专业人士，你为什么要选择我们的产品？”
- 为何纠正： 提示将任务明确地划分为两个不同的角色，引导人工智能从不同的客户角度考虑产品的吸引力。
- 结果： AI 精心设计了两个定制的销售宣传，一个强调经济实惠，另一个强调奢华，展现了对不同客户需求的理解。
❌错误应用：
- 提示： “为什么我们的产品是最佳选择？”
- 错误原因： 这个提示没有指定人工智能要采用的任何角色，从而导致了无法针对特定客户群体的通用且可能效率较低的销售宣传。
- 结果： 人工智能生成的千篇一律的宣传可能无法引起目标客户的共鸣，从而错失了量身定制的说服机会

促进工程分析或解决复杂问题

思路链（CoT）快速工程

何时使用： 采用思路链 (CoT) 提示工程来解决需要多步骤推理过程的复杂问题。在将问题分解为一系列逻辑步骤可以得到更清晰、更全面的解决方案的情况下，它特别有用。

计费示例：

✅正确使用方法：
- 提示： “我们收到了一笔专门用于教育项目的捐款。让我们一步步思考如何有效地分配这些资金：首先，确定最需要紧急援助的教育项目。接下来，计算捐款对这些项目的潜在影响。最后，考虑分配如何与我们的长期慈善目标保持一致。”
- 为何纠正： 这个提示有效地运用了 CoT 提示，通过引导人工智能对如何分配捐款进行合理的、逐步的分析，展示了对战略慈善事业的理解。
- 结果： 人工智能会制定合理的分配计划，根据当前需求、影响潜力和战略一致性对教育项目进行优先排序，从而提高捐赠的有效性。
❌错误应用：
- 提示：“我们需要增加社交媒体参与度。让我们一步步思考如何制定社交媒体策略。”
- 错误原因： 该用户认为，该提示通过要求分步策略有效地利用了 CoT。但是，它缺乏供 AI 推理的具体步骤，因此过于模糊，无法生成 CoT 提示能够提供的详细、合理的输出。
- 结果： 人工智能的响应缺乏真正的 CoT 提示所引发的详细推理过程，导致通用的社交媒体策略可能无法满足特定的组织需求或目标。

思路链分解提示工程

何时使用： 这项技术在处理复杂查询时特别有效，因为它将查询分解为更简单、更易于管理的部分。它鼓励顺序推理，同时将给定任务分解为子部分，使其成为非营利销售、营销、慈善和客户服务等领域的理想选择，因为这些领域的挑战可能是多方面的。

✅正确使用方法：

提示： “一位顾客对最近购买的商品不满意，因为该商品没有达到他们预期的需求。首先，通过有针对性地提问来确定顾客的主要顾虑。接下来，根据他们的顾虑，建议更符合他们需求的替代产品。最后，概述退回原产品的步骤。”
为何纠正： 此提示正确应用了思路链分解技术，将客户服务流程按顺序分解为理解问题、提出解决方案和促进解决。它确保 AI 提供详细的分步指南，全面解决客户的问题。
结果： 人工智能会生成结构化的响应，首先了解客户的不满之处，然后根据客户的需求推荐替代产品，最后解释退货流程，为客户的问题提供完整的解决方案。

❌错误应用：

提示： “通过识别潜在捐赠者和制作个性化的外展信息来制定详细计划，以在下个季度增加捐款。”
错误原因： 虽然这个题目乍一看结构合理，但它不恰当地运用了思维链分解技术，将复杂的任务集中在一起，而没有引导人工智能分别处理每个部分。它假设人工智能可以在没有明确指示的情况下自动将任务划分为可管理的步骤，导致回答中缺乏详细的分步推理。
结果： 人工智能提供了广泛的概述，涉及识别潜在捐助者和撰写信息，但缺乏制定全面计划所需的详细、连续的分解。该响应可能会错过捐助者识别过程中的关键步骤，无法有效地制定外联策略，并且忽视了衡量和分析这些努力的影响的重要性。

思绪之树提示工程

何时使用： 思维树 (ToT) 提示法对于过于复杂而无法用线性方法完成的任务特别有效，这些任务需要系统地探索不同的可能性，例如战略规划、解决问题和创造力任务。当必须通过考虑各种潜在结果来做出决定，或者在浏览复杂信息以找到解决方案时，这种方法最适用。

计费示例：

✅正确使用方法：
- 提示： “假设我们正面临产品 X 销量下滑的问题。让我们使用 ToT 探索潜在策略：首先，评估旨在突出产品 X 独特功能的营销活动的影响。接下来，考虑调整定价策略。最后，评估忠诚度计划的引入。对于每一项策略，根据我们目标市场的偏好和我们当前的市场地位，评估其为‘高度有效’、‘潜在有效’或‘无效’。”
- 为何纠正： 本题有效地运用了 ToT，引导语言模型 (LM) 探索不同的战略选择，将其作为思维树中的不同分支。它鼓励 LM 系统地评估每个选项，反映出涉及考虑多种潜在行动及其结果的战略规划过程。
- 结果： LM 对每种策略进行了结构化的探索，根据逻辑推理和可用数据评估其潜在有效性，最终提供如何解决销售下滑问题的多方面观点。
❌错误应用：
- 提示： “让我们使用 ToT 来增加产品 X 的销量。步骤 1：考虑营销活动的有效性。步骤 2：考虑调整定价策略。步骤 3：考虑引入忠诚度计划。”
- 错误原因： 虽然此提示试图通过将任务分解为步骤来采用 ToT 框架，但它未能指导 LM 系统地探索树结构内的不同可能性。它只是列出了步骤，而没有将它们作为独立的思维分支进行评估或鼓励探索潜在结果及其影响。该提示缺乏 ToT 的深度和交互式探索特征，例如将选项评估为“高度有效”、“潜在有效”或“无效”，并考虑不同策略之间的相互作用。
- 结果： LM 按顺序处理列出的每个步骤，而没有进行深入探索或比较，从而导致线性和浅显的分析，无法充分利用 ToT 进行全面解决问题和战略规划的潜力。

提示工程以创建结构化报告或大纲

思维骨架（SoT）提示工程

何时使用： 这种方法适用于在深入细节之前需要规划和构建结构的情况。这种方法非常适合创建条理清晰的回复或文档，因为整体结构对于最终输出的连贯性至关重要。

计费示例：

✅正确使用方法：
- 提示： “概述我们最近的清洁水计划影响报告的结构，首先介绍项目，然后介绍我们的方法、取得的成果、面临的挑战，最后介绍未来的步骤。”
- 为何纠正： 此提示可指导 AI 创建结构化大纲，重点关注报告的关键方面。它可确保文档全面且逻辑清晰，易于理解和充实。
- 结果： 人工智能会生成一个有组织的大纲，将报告清晰地分为简介、方法、成果、挑战和未来步骤，从而更容易阐述每个部分的详细内容。
❌错误应用：
- 提示： “通过分析捐赠者数据和规划外展来概述下个季度增加捐赠的策略。”
- 错误原因： 虽然尝试通过要求大纲来使用 SoT，但这个提示失败了，因为它太宽泛，没有指定需要结构化的逐步方法或包括评估影响和进行调整等所有必要的组成部分。
- 结果： 人工智能制定的大纲模糊，缺乏深度，并且错过了评估潜在影响和调整等有效战略规划所必需的关键步骤。

展示与告诉我提示工程

何时使用： 根据期望结果选择此框架：使用“展示”进行示例和演示，使用“告诉我”进行明确说明或解释。这种方法非常适合培训材料、客户支持，或者当用示例说明概念比直接说明更有效时。

计费示例：

✅正确使用方法：
- 提示： “根据顾客购买环保产品的历史，推荐一款他们尚未尝试过的新型环保产品。”
- 为何纠正： 该提示使用特定的背景信息来定制人工智能的响应，使其与客户相关且个性化。
- 结果： 人工智能利用客户的购买历史来推荐新的相关产品，增强客户服务的个性化和一致性。
❌错误应用：
- 提示： “推荐一款产品。”
- 错误原因： 如果不考虑客户偏好的持久背景，提示就只会导致通用的建议，无法利用可以个性化响应的连续性。
- 结果： 人工智能会推荐一种随机产品，错失了与客户已知偏好相联系的机会。

及时工程营销或客户服务信息

定向刺激提示工程

何时使用： 定向刺激提示 (DSP) 对于引导语言模型 (LM) 朝特定方向或输出至关重要的任务特别有用。这包括需要整合特定信息、术语或观点才能满足所需输出标准的情况。它在具有特定约束的内容生成、有针对性的信息提取以及需要遵守特定主题或包含某些关键字的场景等任务中非常有效。

计费示例：

✅正确使用方法：
- 提示： “为非营利组织最近举办的筹款活动撰写一份摘要，确保包含以下关键词：‘社区参与’、‘筹款目标达成’、‘志愿者参与’和‘未来项目’。摘要应突出活动的成功、社区和志愿者的作用，并提及筹款计划。”
- 为何纠正： 此提示通过明确列出 LM 需要在生成的内容中包含的特定关键字和主题元素，成功应用了 DSP。这可确保生成的摘要与组织的信息和目标保持一致，关注活动的成功，并承认志愿者的贡献，满足指定的要求。
- 结果： LM 生成一个简洁的摘要，有效地结合给定的关键词，强调筹款活动的成功、社区和志愿者的积极参与，并概述如何将筹集的资金用于未来的项目，与给定的指令完美契合。
❌错误应用：
- 提示： “写下最近的非营利性筹款活动，包括社区、目标、志愿者和未来计划的详细信息。”
- 错误原因： 虽然此提示旨在引导 LM 实现与正确申请类似的最终目标，但它没有明确指定某些关键词或主题的需求，因此存在不足。这种缺乏方向性可能会导致摘要遗漏关键点，或未能强调活动的成功和特定关注领域，例如“社区参与”或“筹款目标已实现”。
- 结果： LM 的回应可能以一般性的方式涵盖了该活动，但缺乏有针对性的重点和包含指定的关键词，导致摘要不能完全满足期望的标准或有效地传达该活动的成就和未来影响。

反射提示工程

何时使用： 反思提示对于迭代学习任务特别有效，因为来自环境或手头任务的即时和直接反馈可以转化为语言反馈，从而实现自我改进。它对于涉及顺序决策、编码挑战或复杂推理任务的情况非常有益，在这些情况下，学习者（在本例中为大型语言模型）可以通过反思过去的行为来为未来的决策提供参考。反思特别适合非营利组织中涉及分析性思维、解决问题或从过去的经验中学习以改善未来结果的角色或任务。示例包括战略规划、数据分析、拨款申请或任何从反馈中进行自适应学习至关重要的场景。

✅正确使用方法：

提示： “假设我们正在分析最新筹款活动的有效性。使用 Reflexion：首先，考虑我们的社交媒体推广策略及其对捐款的影响。反思有关受众参与度和捐款转化率的反馈。接下来，通过反思打开率和从读者到捐款的转化来评估我们的电子邮件营销活动。最后，通过反思参与者的反馈和随后收到的捐款来评估社区推广活动。对于每个元素，使用 Reflexion 来表达我们如何根据我们所学到的知识调整我们的策略以改善未来的结果。”
为何纠正： 本题使用 Reflexion，指导语言模型 (LM) 反思各种筹款策略的具体反馈，整合过去结果的情景记忆以提出改进策略。它反映了一种自适应学习过程，类似于非营利组织分析和学习不同筹款策略的有效性。
结果： LM 根据过去的绩效反馈对每种策略进行了深思熟虑的分析，为未来筹款工作的潜在调整提供了见解，从而展示了在非营利环境中反思的有效应用。

❌错误应用：

提示： “让我们改进我们的营销。首先，想想我们的社交媒体活动在不考虑具体反馈的情况下表现如何。然后，从总体上考虑我们的电子邮件群发的效果。最后，反思我们的社区活动是否成功，而不关注详细的反馈。”
错误原因： 虽然此提示试图通过鼓励对各种策略进行反思来使用反思，但它未能利用过去行动的详细、具体反馈进行迭代学习。它缺乏反思的关键组成部分——将情景记忆和具体反馈纳入反思过程。提示不会引导 LM 详细分析过去的结果或根据具体学习提出未来的改进建议，而这对于有效的反思至关重要。
结果： LM 提供的是通用的分析，缺乏对具体反馈的深入反思或详细的改进建议，因此错失了在非营利环境中的战略规划和分析中有效应用反思的机会。

初学者快速工程指南

目录