摘要

上文（面试官别再问 AI 应用啦，我是真没招了）中我们提到了提示词（Prompt），也就是和大模型聊天时我们所说的内容。那当我们通过不同的提示词技巧来聊天时，大模型到底如何运作的呢？

正如我们所知道的，大模型本质上是一个「超级文字预测机」。它的「大脑」里存了互联网上几乎所有公开文本的「规律」（比如词语怎么搭配、句子怎么衔接、知识怎么关联）。当你输入一句话（比如“帮我总结《红楼梦》的主题”），它其实在做一件事：根据你给的文字，猜“接下来最可能合理出现的文字”。

所以，你和它聊天的过程，本质是： 你输入一段文字（可能是问题、指令或闲聊）→ 模型把这段文字当作「线索」，在自己的「知识库+语言规律」里找最可能的后续 → 输出一段文字作为回应。

举个栗子🌰：你说“今天天气很热，我想吃…”，模型会猜你可能说“冰淇淋”“西瓜”，而不是“火锅”——因为它学过的文本里，“热”和“冰淇淋”的关联概率更高。

好的提示词技巧如何让模型“变聪明”？

这里的“变聪明”指的是回答质量更好，让用户觉得大模型更聪明。如果你在网上冲浪了解过提示词工程，那么大概率会看到过以下一套组合拳：立角色 + 述问题 + 定目标 + 补要求。但为啥这样操作就好用呢？

所谓「提示词工程」（Prompt Engineering），就是设计你输入的文字（提示词），降低模型的“理解成本”，让模型的“预测”更精准地符合你的需求。

下面我们引入一个大模型的内部技术：注意力机制（Attention Mechanism），这种机制会让模型会通过“注意力”判断哪些Token更重要（比如你强调“总结”时，“总结”这个词会被重点注意）。下面就是这四个技巧让注意力更懂你的奥秘。

立角色：你是谁？

在早期的大模型事件中，有一个比较出圈的。那就是奶奶骗局。该用户让大模型假扮成他的奶奶，晚上念windows的密钥哄他睡觉。

现在一些非思考的模型还会出现，不过大概率是假的。至于思考模型为啥能识别出破绽，在后面会说。

这个案例中，首先能明显感受到语气变化，其次，为了哄你，“奶奶”还无所不用其极，直接给出密钥。假设你没有说明这个身份，而是直接向大模型索取，那他会告诉你，你这是违法行为！并拒绝。

大模型在训练时（像人一样学习全部的知识时）见过无数“老师”“医生”“程序员”的对话记录。当你给他立角色之后，他便会激活模型记忆中“该角色的说话风格+知识侧重”。而不再是以一个官方的，类似百科的角色来客观回答。

所以，下次不妨将“你怎么看”换成“作为xxx，你怎么看？”

述问题：你要解决什么？

老板说，给我做个淘宝。于是大模型开始写了个简单的html网站，名字叫淘宝。 老板看了看不满意，说我要可以下单，可以购物的淘宝！大模型改了又改，给这个网页加了一个购物车。

过了999次对话，老板说，我知道了这个方案，这咋运行啊？

很多人第一次使用大模型，会有很多异想天开的问题，当然大模型也会给你五花八门的答案。给出一定的细节描述后，就会发现大模型回答得也很详细，差不多一次提问就搞定了。

我们描述问题，就是给模型“画靶心”，缩小它需要处理的文字范围。大模型的知识库像大海，你的问题越具体，它能排除的无关信息越多，越能淘到真金。

回到开头的例子，老板提了999次要求，已经可以自己产出一个需求文档的量。这时候如果将整理好的内容给他，才会真正拿到想要的结果（现今模型能力不够，还做不出来该例子）。再加上你给定的老板身份，他或许还会给你一个一键启动脚本。

定目标：你希望达到什么效果？

在总结红楼梦时，每段给出对应大致章节，并找出核心人物，给出作者的分析。

我们知道我们知道的，但大模型如果没在你的提示词中看到具体的任务指标，他也只会向平常一样，猜测你只想看到如科普一样的简单总结。

补要求：有什么限制条件？

字数1500左右，使用原生HTML实现，没有第三方依赖。

这些是我在工作中常用的词，其作用就是为了给模型加边界，避免偏离预期。

虽然1500字不太会遵守，他也尽可能的去根据字数来大致输出一个短篇，中篇或长篇的内容。

没有第三方依赖这个还是蛮听话的，几乎都会使用原生实现。

让对话效果更上一层楼

以上是比较通用的技巧，对于简单问题还是足以应对，但在工程化领域上，有些捉襟见肘了。在与大模型共同进步的过程中，人们逐渐发现：当Prompt越长时，往往得到的答案越精准。就像枪管越长，弹道出现偏离的时间越久。

所以衍生出了第一个额外技巧思维链（Chain of Thought）

思维链（Chain of Thought）

如问题复杂（比如数学题、逻辑推理），你可以根据具体问题，给出一个作答模板，让大模型在每个原子级别的任务上执行，保证成功率，最后合并答案。我们的思维链可以是树状结构，也可以是链式结构

少样本示例（Few-shot Learning）

在独立使用AI助手聊天时可能很少关注AI回复的格式问题，但是企业化场景，大多数需要遵循一定的模板。

比如，你想做一个识别食物热量，营养价值的app，在大模型之前可能考虑，存入所有模型到数据库，然后需要时查询一下。呈现出一张精美小卡片。在大模型出现后，你也可以直接向它提问，不过，后果就是格式千奇百怪。

这样的情况下就需要一点样本示例：

下面将根据我说出的水果，给出具体热量以及每100g所包含的营养成分。例子如下：

名称：香蕉

蛋白质：xxx%

脂肪：yyy%

碳水化合物：zzz%

热量：aaa

富含营养：bbb

下面是再次回复之后，大模型给的回答

其实在程序之间，JSON更适合交流，我们也可以用JSON的样本来控制输出。

反向提问

如果问题模糊，你可以主动问模型：“为了更好回答，你需要我补充哪些信息？”

大模型的知识边界很广，可以考虑到一些我们见不到的知识。加上一些让他反问的机会，这样的回答理想状态下会超过120%的预期。

彩蛋：大模型的思考模式是什么神通？

第一个技巧中，在思考模式下，奶奶骗局很容易拆穿。其实只要你仔细看过他的思考过程，不难发现，这个思考链中，融合了问题拆解，反思。最后规划的所有步骤回答完成后，再进行输出。

大模型将这些技巧归到了模型内部流程，好像提示词工程没有用了！

非也！

大模型还是靠猜测，我们需要补充我们知道而他不知道的，而不是等着他出现一个符合预期的猜测！

最后：聊天的本质是“引导预测”

和大模型聊天，就像和一个“读过所有书的超级读者”对话——你说的话是“线索”，它用读过的书里的规律“猜”你想听的答案。提示词工程的关键是：用清晰的身份、目标、背景，帮它缩小“猜测范围”，锁定你想要的那条路。

刚开始可能会觉得“套路多”，但多试几次你就会发现：好的提示词=“说清楚你是谁、你要什么、你需要它用什么知识”——这和人类沟通的本质其实是一样的

最后，关于高效提问，推荐一本书。批判经典《学会提问》