一、提示工程概述

1.1 大模型发展简史

聊提示工程之前，咱们得先搞清楚大模型是怎么走到今天的。我入行那会儿，AI 还在用 BERT 做文本分类，谁能想到短短几年就翻天覆地了。

大模型的发展，我把它分成三个阶段：

• 萌芽期（2018-2020）：BERT、GPT-2 相继问世。那时候大家还在研究怎么微调，没人提「提示工程」这个词。我记得当时调一个分类模型，得写一堆特征工程代码，累得够呛。
• 爆发期（2020-2022）：GPT-3 发布，1750 亿参数震惊业界。大家突然发现，原来不用微调，写个 prompt 就能干活。说白了，这是提示工程的起点。
• 成熟期（2023-至今）：ChatGPT 引爆全民关注，GPT-4、Claude、Llama 百花齐放。提示工程从「玄学」变成了「科学」，有了系统的方法论。

1.2 提示工程的定义与价值

提示工程是什么？说白了，就是设计输入给大模型的文本，让它输出你想要的结果。听起来简单？做起来门道可多了。

我在项目中遇到过不少团队，觉得提示工程就是「写几句话问问 AI」。结果呢？输出质量忽高忽低，完全不可控。嗯，这里要注意——提示工程是一门系统工程，不是随便写写。

它的核心价值有三点：

1. 降低使用门槛：不需要懂模型架构，不需要会写代码，会说话就能用。但「会说话」和「会说有效的话」是两码事。
2. 提升输出质量：同样的模型，好的提示词能让准确率从 60% 飙升到 90%。我曾经帮一个客户优化客服 prompt，错误率直接降了 70%。
3. 控制模型行为：让模型扮演特定角色、遵循特定格式、避免特定错误。说白了，就是给模型戴上「紧箍咒」。

1.3 提示工程的应用场景

应用场景太多了，我挑几个典型的说说：

场景	典型任务	提示工程要点
内容生成	写文章、写代码、写邮件	控制风格、长度、格式
知识问答	客服问答、文档检索	限定知识范围、避免幻觉
数据分析	提取信息、生成报表	结构化输出、精确计算
流程自动化	任务规划、代码生成	分步骤引导、错误处理
创意设计	头脑风暴、方案生成	开放引导、多角度启发

举个例子。我之前做一个智能客服项目，用户问「我的订单怎么还没到？」。普通 prompt 可能直接回答物流信息，但好的提示工程会这样设计：

你是一个资深客服专家。用户询问订单状态时，请按以下步骤处理：
1. 先确认用户情绪，给予共情回应
2. 询问订单编号，获取物流信息
3. 如果超时，主动提供补偿方案
4. 如果正常，告知预计到达时间
5. 最后询问是否还有其他问题

注意：不要直接说「请稍等」，要给出具体时间。

你想想看，这样的 prompt 和「帮我回答用户问题」相比，效果能一样吗？

1.4 为什么你需要学提示工程？

有人问我：「AI 都这么强了，以后是不是不需要提示工程了？」

我的回答是：恰恰相反。模型越强，提示工程越重要。为什么？

• 模型能力越强，能做的事情越多，你就越需要精确控制它做什么、不做什么
• 模型越智能，越容易「自作聪明」，你需要用提示词给它划定边界
• 应用场景越复杂，越需要系统化的提示设计方法

说白了，提示工程就是「驾驭 AI 的能力」。就像开车，车越来越好，但驾驶技术依然重要——甚至更重要了。

好，第一章就到这里。下一章我们聊聊提示词的核心设计原则——那些我在实战中踩过的坑、总结出的经验，都会一一分享给你。