提示工程被谷歌这份69页白皮书彻底讲明白了附原文拆解

谷歌出手，直接封神。

最近谷歌发布了一份 69 页的白皮书，名字很普通：《Prompt Engineering》。

但看这个页数，你就知道，不简单。

确实，它的内容非常靠谱 —— 这是目前我看到「最全面、最工程化、最像真正在做 LLM 项目的人写出来的」提示词（Prompt）指南。

它不是那种“写两句话就能起飞”的提示词秘笈，也不是“随便摆几个例子”的走马观花式演讲稿。

而是真正从底层机制、调用参数、采样逻辑、任务分类，到高级技巧（比如 ReAct、Tree of Thoughts、自动提示生成）都讲得一清二楚，甚至还有代码、配置、输出范式，一看就是工程师内部用的东西。

我读完的第一感觉是：

如果你正在用 LLM 做事，无论是写代码、总结报告、接入 API、做自动化、还是训练 AI 助手 —— 这份文档，值得你精读。

话不多说，先附上《Prompt Engineering》白皮书下载地址。

https://wwsu.lanzouu.com/iZPi62u31oqh

https://drive.google.com/file/d/1sm8hBgZSviPswitAJNI7l2gwDS4rAeru/view?usp=sharing

01｜提示词是控制 AI 模型的一组「参数化指令」

先讲核心观念：提示词 ≠ 自然语言提示，它其实是 配置语言模型行为 的一组“组合拳”，包括：

提示词本身（语句、结构、范式）

输出参数（温度、top-k、top-p）

调用方式（system/role/context prompting）

示例数量（zero-shot / one-shot / few-shot）

模型选择（GPT / Claude / Gemini / DeepSeek 等）

配套机制（JSON schema、CoT、ReAct、ToT）

提示词是一个工程动作，不是灵光乍现。

和开发一款软件产品一样，你需要不停调试，记录每次的配置、输入、输出，然后逐步调优出最稳定、最准确、高可复用的版本。

而提示工程的目标，不是“写得多像人”，而是“ 写得最能让模型给出符合你预期的答案 ”。

02｜“温度没调对，全场白忙活”

你是不是也遇到过这种情况：

明明提示词写得挺认真，模型却“口吐莲花”疯狂跑题；或者你想它多发散一些，它却始终一本正经、言简意赅，跟你想要的完全对不上。

有时候可能问题不在提示词本身，而在—— 模型的配置参数 。

谷歌在这份白皮书里用了将近一整章讲这件事，而且讲得非常系统化和工程化。

AI 模型的关键参数共有三个。

温度（temperature） ：决定它是“理性答题”，还是“激情发散”。低温稳、高温飘。

top-k / top-p ：调控它“选词自由度”的两个开关，不懂也没事，默认一般都能用。

max tokens ：不设上限，它可能说个没完；太短，它又容易截断。

下面是一组谷歌给出的推荐搭配。

任务类型

推荐值

写报告、数据处理这些要准的

温度调低一点（0.2 左右）

写文案、做创意

放开点，温度 0.9 左右

有唯一标准答案的任务

温度设成 0，top-k=1，别让它自由发挥

03｜Prompt，不止多写几句那么简单

提示词，不只是“写一句有技巧的话”。

谷歌白皮书这样告诉我们：

提示词是一种结构化的工程输入方式。

示例引导型：zero-shot / one-shot / few-shot

这是最基础也最好理解的：

零示例（zero-shot）适合模型训练数据里就见过类似任务的场景；

单示例（one-shot）能帮它理解你想要的格式和风格；

多示例（few-shot）则是“人类教师式喂养”，加稳加准加控制输出结构。

但也讲究“活学活用”，比如分类任务的多示例提示词，一定要打乱标签顺序，否则模型容易“看例子学顺序”，影响泛化能力。

身份设定型：System / Role / Context Prompting

这一类技巧大概率你已经在用，只是可能没系统命名过。

System Prompt 是“总任务描述”；

Role Prompt 是“你现在是谁”；

Context Prompt 是“你现在知道了什么”。

谷歌建议： 三者叠加用，效果翻倍。

你让它做个“审计专家 + 已知公司上下文 + 要求输出 JSON 的结构化表格”，整个输出就从“作文”变成“格式化系统接口”。

推理引导型技巧：让它不直接答，而是先思考

推理引导型技巧包括五种玩法，分别适合不同类型的复杂任务。

技术名

用法精髓

场景示例

Chain of Thought（CoT）

“想一想再答”

数学题、复杂逻辑

Step-back Prompting

先问泛化问题，再入手

写内容前先出思路

Self-consistency

多次采样，多数投票

稳定性敏感任务

Tree of Thoughts（ToT）

多路径探索

创意写作、复杂决策

ReAct

推理 + 工具调用

搜索、API 自动化流程

举个最常见的 CoT 例子。

Let's think step by step.

让模型自己写 prompt

让模型自己写提示词， Automatic Prompt Engineering（APE） ，怎么理解？

其实就是你告诉模型你的需求和目标，让模型自己来写提示词，从它写出来的提示词里挑最好的留下来，并且还能进一步调试优化。

这种玩法特别适合“用 AI 训练 AI”的场景，比如生成对话语料、覆盖各种场景、构造训练数据集。非常省心，效果也很可控，实测真香。

04｜三条提示词规则

最后，总结三条很重要但容易被忽略的提示词规则。

提示词要像代码一样管理：版本要记录，修改要有注释。

推荐用表格 + 工程笔记方式整理。

尽量用正向指令，而不是列限制条件。

“请直接输出 JSON 格式”，比“不要生成段落文字”更清晰有效。

输入方式影响比你想象的大得多。

同一个任务，你用问句、命令句、甚至模板化输入，模型的行为完全不同。

提示工程的尽头，是提示词写得越来越短，参数调得越来越对，场景理解越来越清晰。

结语

这不是一份拿来凑热闹的“提示词炒冷饭”指南，而是一整套能落地、能复用、真实有效的工程思维手册。