今天學了一個概念叫 Prompt Engineering，翻譯成中文就是「提示詞工程」。聽起來很高端，但說白了就是「怎麼跟 AI 說話才能讓它給出最好的回答」。
為什麼這個東西值得花時間學？因為你會發現，同樣一個問題，換一種問法，AI 的回答可能天差地別。不是 AI 的能力有差別，而是你給它的「信號」質量不一樣。就像同一個員工，你給他模糊的指示和清晰的指示，產出完全不一樣。
我把最近學到的 Prompt Engineering 技巧整理成幾個原則。
第一個原則：具體 > 模糊。
「解釋量子計算」和「用三個類比向一個沒有物理背景的人解釋量子計算的基本原理」，這兩個提示詞出來的結果完全不同。前者可能給你一篇學術論文式的回答，後者會用生動的比喻讓你真正理解。
越具體的提示詞，AI 越容易理解你想要什麼。你可以指定回答的長度（「用 100 字解釋」）、格式（「用列表的形式」）、受眾（「假設讀者是高中生」）、語氣（「用輕鬆幽默的語氣」）等等。
第二個原則：角色設定很有效。
「幫我看這段代碼有什麼問題」和「你是一個有十年經驗的資深 Python 工程員，請幫我 review 這段代碼，重點關注性能和安全性問題」，後者的回答質量明顯更好。
這不是什麼魔法。當你給 AI 一個角色的時候，它會調用與那個角色相關的知識和思维方式。就像你在現實中諮詢一個專家和隨便問一個路人，得到的答案質量是不一樣的。
第三個原則：分步提問 > 一步到位。
複雜的任務不要指望一個提示詞搞定。比如你想寫一個完整的應用程序，直接說「幫我寫一個電商網站」，出來的結果肯定很粗糙。但如果你拆成「先設計數據庫結構」「再寫用戶認證模塊」「然後寫商品管理 API」，一步步來，效果好得多。
這不僅是因為分步提問降低了 AI 的理解難度，更重要的是它讓你有機會在每一步進行檢查和調整。
第四個原則：給範例。
「按照這個格式輸出」加一個範例，比你自己描述格式有效一百倍。AI 對範例的理解能力遠超你對格式的文字描述。你可以給它一個輸入和期望的輸出，讓它「學會」你想要的模式。
這在數據處理場景中特別有用。比如你要從一堆文本中提取信息，直接描述提取規則可能很複雜，但給 AI 幾個輸入輸出的範例，它就能「悟出」規則。
第五個原則：迭代優化。
第一次的提示詞很少能直接給出完美的結果。好的做法是把 AI 的第一次回答當成「初稿」，然後根據結果調整提示詞。比如你問了一個問題，AI 的回答太長了，你就追加一句「簡化一下，控制在 200 字以內」。這種迭代過程通常兩到三次就能得到滿意的結果。
第六個原則：知道它的局限。
Prompt Engineering 再好，也不能讓 AI 做它做不到的事情。它不能預測未來，不能訪問實時數據（除非用帶搜索功能的版本），不能處理太複雜的邏輯推理。知道什麼時候該用 AI，什麼時候該自己想，也是一種重要的能力。
最後分享一個我自己的使用習慣：我會建一個「提示詞模板庫」。把那些效果好的提示詞模式存下來，以後遇到類似的場景直接套用。比如「代碼 review 模板」「文章生成模板」「數據分析模板」等等。這樣每次用的時候不用從零開始想提示詞，效率提高了不少。
Prompt Engineering 這個領域還在快速發展，今天學到的技巧明天可能就不適用了。但有一個底層能力是不變的：清晰地表達自己的需求。不管 AI 怎麼進化，能清楚地知道自己要什麼的人，永遠能更好地利用它。
Leave a Reply