一、提示词工程
为什么需要提示词工程？
大模型本身没有意识、没有目标，它只是在基于它训练过的海量数据，进行"下一个词"的概率预测。大模型并不是完美的"自动智能"，它的输出高度依赖你如何向它提问。
核心原因：
- 提供上下文和目标：告诉模型"我们现在要做什么"。
- 激活特定知识：从模型的庞杂知识库中调取相关部分。（扮演不同的角色）
- 约束和引导输出：确保结果符合我们的格式、风格和质量要求。
- 解锁复杂推理：通过分步指令解决难题
大模型与智能体的区别：
维度 大模型 智能体 本质 一个模型，是核心引擎 一个系统/架构， 是完整实体 角色 大脑（思考与知识） 完整的人或机器人（感知-思考-行动） 工作方式 被动响应：根据输入提示生成输出 主动规划：为实现目标而自主采取一系列行动 核心能力 语言理解、内容生成、知识问答 任务分解、工具调用、顺序决策、与环境交互 构成 主要是神经网络模型本身 = 大模型 + 规划器 + 工具集 + 记忆模块 目标性 无内在目标，目标由用户的提示词定义 有明确的任务目标，并自主追求目标的达成 依赖性 可以独立存在和提供服务 通常依赖于大模型作为其「大脑」来进行推理和决策
提示工程可以做什么？
提示工程是指设计和优化"提示（Prompt）"以引导大模型输出符合预期结果的技术。比如，你希望 GPT 写一篇新闻稿、生成代码、做数学推理，你需要构造高质量的提示。
二、提示工程的内容
1.提示词的基本要素
- 角色（Role）
- 背景（Background）
- （Attention）
- 限制（Constrains）
- 定义（Definition）
- 任务/目标(Goal)
- 技能（Skills）
- 工作流程（Workflows）
- 输出格式（OutputFormat）
- 例子（Example）
- 初始化（Initialization）
2.提示词技术与技巧
- 零样本提示
- 描述： 不提供任何示例，直接给模型下达指令。依赖模型自身的知识储备和推理能力。
- 示例： "解释什么是量子计算。"
- 少样本提示
- 描述： 在提示词中提供少量（通常为1-5个）输入-输出示例。这是引导模型学会复杂任务或特定格式的最强大技巧之一。
- 思维链
-
描述： 对于复杂的逻辑或数学问题，在提示中要求模型"一步一步地思考"或展示其推理过程。这能显著提高最终答案的准确性。
-
示例：
"小明有5个苹果，吃了2个，又买了3个。他现在有几个？让我们一步步推理。"
模型输出： "一开始有5个，吃了2个后剩下 5-2=3个。又买了3个，所以现在有 3+3=6个。因此，小明现在有6个苹果。"
- 角色扮演
- 描述： 让模型扮演一个特定角色（如专家、历史人物、虚构角色），使其回答更具专业性或符合特定视角。
- 示例： "假如你是苏格拉底，请谈谈你对人工智能的看法。"
- 分隔符与格式清晰
- 描述： 使用明确的标记（如###， """， ---， XML标签等）来区分提示中的不同部分（如指令、上下文、输入数据），防止模型混淆。
三，专业的提示词框架
（待补充）