“用一个糟糕的提示，你的模型在某个任务上的准确率可能是0%；换一个好提示，准确率能飙升到90%。”
说出这句话的，是Sander Schulhoff，一位OG提示工程师。他不仅创建了互联网上最早的提示工程指南，还领导了收集了超过60万条攻击性提示的Hackaprompt挑战赛。
近来，随着模型智能越来越高，一种论调甚嚣尘上：“提示工程已死，模型足够聪明了”。然而，事实果真如此吗？
1. 提示工程的两种模式：日常对话 vs. 工业级产品
要理解提示工程，首先要明白它在不同场景下的两种核心模式，这两种模式的底层逻辑和优化目标截然不同。
- •对话模式 (Conversational Mode)
这就像我们与同事的头脑风暴。你和ChatGPT、Claude等模型进行一来一回的迭代式对话，逐步修正、引导，最终得到满意的结果。
这种模式追求的是灵活性和探索性。
- •产品模式 (Normal/Product Mode)
这更像是为自动化生产线编写一条精确、无歧义的指令。提示被设计为一次性、高度优化的“代码”，嵌入到某个产品或服务中（如自动化邮件处理、数据分析工具）。
它一旦定型，便很少改动，追求的是极致的稳定性、可靠性和成本效益。
我们今天讨论的大部分高级技巧，正是在“产品模式”中发挥着至关重要的作用。
2. 五种被验证有效的提示技术
1. Few-shot Prompting (少样本提示)
语言模型在训练阶段接触了大量类似“问题-答案”或结构化的数据格式（如JSON、XML）。
通过在提示中提供几个高质量的输入-输出范例（Examples），我们实际上是在激活模型已经学会的“模式识别”能力，引导它按照我们期望的格式和逻辑进行输出。
这比单纯用自然语言描述要求要直接和有效得多。
“当你要求LLM做一件事时，给它看好的例子是什么样的。”
实战格式：
Q: [输入示例1] A: [期望输出示例1] Q: [输入示例2] A: [期望输出示例2] Q: [我的真实输入] A:2.Decomposition (任务分解)
大型语言模型在处理单一、明确的任务时表现出色，但在面对一个宏大而复杂的问题时，容易出现逻辑跳跃或忽略关键细节。这与人类的工作方式类似。
将一个大项目分解成一系列小步骤，可以显著降低每个步骤的认知负荷，从而保证最终结果的准确性和完整性。
“别直接一次性解决这个问题。而是问：‘在回答之前，请告诉我需要首先解决哪些子问题？’”
实战案例
一个汽车经销商的聊天机器人收到“我想退车”的请求。直接处理非常复杂。
- •错误方式：
“请处理这个客户的退货请求。” - •正确方式（分解）：
“一个客户想退货。在回应之前，请列出你需要先解决的子问题。”
LLM的输出可能就是：- 确认客户身份。
- 查询客户的车型和购买日期。
- 检查车辆是否符合退货政策。
- 生成相应的回复草稿。
3. Self-criticism (自我批评)
这项技术利用了LLM的推理和评估能力，构建了一个内部的“生成-评估”反馈循环。
第一次生成的内容是初稿，随后的“批评”指令则强制模型切换到“审阅者”视角，利用其庞大的知识库来检查初稿中的事实错误、逻辑漏洞或不一致之处。
这本质上是模拟了人类写作中的“草稿-修改-定稿”过程。
“你问LLM：‘你能检查一下你的回应吗？’它会输出一些东西，你让它批评自己，然后改进自己。”
执行步骤
- 提问：
“总结一下引力波的发现过程。”
- 提问：
- 要求批评：
“请检查你上面的回应，指出任何不准确或可以改进的地方。”
- 要求批评：
- 要求改进：
“现在，根据你提出的批评，生成一个最终的、改进后的版本。”
- 要求改进：
4. Additional Information (附加信息/上下文)
LLM的回答质量直接取决于输入信息的丰富度和准确度。
当任务涉及专业领域或特定知识时，模型可能会因为缺乏精确的“世界知识”而产生误解。
提供附加信息，就如同给模型一个“即时词典”或“背景资料包”，帮助它在正确的知识框架内进行推理和判断，避免歧义。
“你正在尝试让模型完成某项任务。你希望尽可能多地提供关于该任务的信息。”
实战案例
在一项医疗编码任务中，需要LLM对Reddit帖子进行分类。
当遇到“Entrapment”一词时，模型可能会误解为物理上的“陷阱”。
改进提示：“…在下面的文本中，术语‘Entrapment’指的是一种心理状态，定义为‘个体感到被困在某种处境中，并且认为逃离的代价很高’。请基于这个定义进行分类…”
5. Ensembling Techniques (集成技术)
这个思想源于机器学习中的集成学习方法。
单个模型或单个提示可能会有其固有的“视角盲区”或随机性。
通过使用多个不同视角（提示、角色、甚至模型）来解决同一个问题，然后对答案进行聚合（如投票），可以有效地平滑掉单个输出的极端偏差，从而获得一个更鲁棒、更可靠的最终答案。
“集成技术会针对一个问题，用多个不同的提示来解决同一个问题……然后取最常见的答案作为我的最终答案。”
实战案例：“推理专家混合”
针对一个复杂的历史问题，你可以让三个LLM分别扮演“历史教授”、“考古学家”和“社会学家”的角色进行回答，最后综合它们的答案。
3. 不再有效的提示技术
1.Role Prompting（角色提示）
定义：赋予AI一个角色，例如“你是一位数学教授”或“你是一位世界级文案”，然后让它执行任务。
现状：对于基于准确性的任务（如数学问题），角色提示不再能带来显著的性能提升。早期研究中的微小准确率差异（0.01%）缺乏统计学意义。
有效场景：角色提示仍适用于表达性任务（如写作、总结），因为它们影响输出的风格。例如，要求LLM以鲁迅的风格生成回答。
2.奖励/威胁承诺无效：
定义：在提示中加入奖励承诺（如“我会给你5美元小费”）或威胁（如“这对我职业生涯非常重要，如果答不好会有人死”）。
现状：早期模型可能会因为这些情感化或激励性的文本在训练数据中的关联，而产生微小的性能波动。但是现在已经不再有效。
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01教学内容
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
0690+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
