PROMPT ENGINEERING

有效提示工程的8个最佳实践

本文是来自 KNIME 社区和团队的专家建议，以指导大型语言模型生成有意义的响应

admin

Mar 5, 2025 • 9 min read

大型语言模型（LLMs）已经改变了我们与人工智能互动的方式，为解决问题、生成见解和创建内容提供了巨大的潜力。然而，它们的效果取决于提示的编写质量：编写不当的提示通常会导致模糊、不相关或不准确的响应。

在本文中，我们将探讨提示工程的八个最佳实践，并展示来自 KNIME 社区的数据科学家的见解。这些指南将帮助你设计精确有效的提示，确保你的 LLM 生成您期望的结果。

提示与提示工程

提示（prompt）是提供给 LLM 的输入或指令，以引导其生成响应。它通常由人类用自然语言编写，并提供必要的指导和上下文，使模型能够理解当前的任务。

提示工程（prompt engineering）是设计和优化提示的过程，以引导 LLM 生成符合用户需求的准确、相关和有效的响应。随着人工智能在行业和学术界的广泛应用，提示工程已成为与这项技术互动的关键要素。

上图展示了 OpenAI DALL-E 视图节点的两个配置窗口，该节点允许你从 KNIME 分析平台提示 OpenAI 的 DALL-E 模型进行图像生成。

在左侧，模型生成了一个没有具体细节的普通日落图像。而在右侧，通过添加更多具体信息到提示中，我们得到了一张具有独特风格的图像，展示了精心设计提示的影响。

提示工程之所以重要，是因为 AI 模型依赖于输入提示来生成响应。清晰具体的提示可以减少歧义，增强任务对齐，满足用户的意图，并减少错误或无关输出的可能性，从而提高 AI 应用的整体效果和准确性。

如何编写好的提示？

编写有效的提示是一项新兴且高度需求的技能，需要时间和练习。掌握提示写作需要一个迭代过程，就像使用任何新工具一样，有很多可以从成功使用者那里学到的东西。

KNIME，即可视和开源数据科学平台，拥有一个充满活力的社区数据专业人士。为了探索提示工程的最佳实践，我们联系了 KNIME 社区中的几位数据专家并询问他们最宝贵的建议。三位贡献者分享了他们的见解：

Angel Molina，数据科学顾问，社交媒体影响者，以及 MOLA DATA. 的创始人。Angel 还是 KNIME 当月贡献者（2024年1月）。
Martin Dieste，业务顾问，数字推动者，以及 Finnovation Flows 的创始人。Martin 还是 KNIME 当月贡献者（2024年11月）和 KNIME 认证培训师。
Francesco Alaimo，TIM 团队负责人和数据科学教育家。Francesco 还是 KNIME 认证培训师。

让我们开始吧！

1、具体明确

Angel Molina，数据科学顾问建议，在设计提示时，最重要的一条规则就是具体明确。提供详细的指令将导致更准确和定制化的响应。

❌ 解释机器学习模型训练的过程

✅ 总结用于分类任务的随机森林算法的机器学习模型训练的关键步骤。
将步骤以简洁的编号列表形式呈现。

2、首先给出指令

提示的前几个词应该清楚地回答“我想让 LLM 做什么？”这个问题。无论是总结、翻译等，首先给出指令可以避免不必要的处理或延迟响应核心请求。

❌ 我不懂西班牙语，所以我想你可能能帮我理解这段文字。你能把它从西班牙语翻译成英语吗？

✅ 将这段文字从西班牙语翻译成英语。

3、包含示例

示例是向 LLM 展示您希望如何回应的一种好方法。尽可能提供示例是高度推荐的。

❌ 创建一个分析气候趋势的数据集。

✅ 创建一个分析气候趋势的数据集，使其看起来像下面的例子。
示例：|| 国家 | 排放量 | 平均温度 | 降水量 ||

4、结构化提示

在为 LLM 编写提示时，清晰的组织结构至关重要。使用不同的标记（如 ### 或 “””””””）分离提示的不同部分可以帮助模型更好地理解和执行。

❌ 为以下段落找到一个好的标题 {你的文本}

✅ 段落：###{你的文本}###

对于更复杂的请求，采用高度结构化的提示是有益的。Martin Dieste，业务顾问，数字推动者，以及 Finnovation Flows 的创始人，推荐使用类似 XML 标签的方法作为增加清晰度和组织结构的有效方法。这种方法模仿了 XML 属性和元素的树状结构，并将其适应于任务。这样，模型更容易识别提示的不同部分，发现关键指令，或遵循提供的推理步骤，从而提高模型生成准确和相关响应的能力。

以下是一个例子：

<角色>  
  你是一位专业文案撰写人，擅长为环保产品撰写吸引人的产品描述。  
</角色>  
<过程>  
  <步骤1>分析输入中提供的产品的特征。</步骤1>  
  <步骤2>创建一个富有创意且有说服力的产品描述。</步骤2>  
  <步骤3>以呼吁购买结束，鼓励购买。</步骤3>  
</过程>  
<任务>  
  为一款由不锈钢制成的环保水瓶撰写 100-150 字的产品描述。  
  特征：  
  - 容量：750 毫升  
  - 双层绝缘（保持饮料冷 24 小时，热 12 小时）  
  - BPA 免费且防漏  
  - 有多种颜色可供选择  
  - 100% 可回收包装  
</任务>  
<响应指令>  
  以专业且吸引人的语气撰写产品描述。确保强调产品的环保特性并包含关键特征。将您的响应包裹在这些标签内：  
  <最终响应>…您的产品描述…</最终响应>。不要包括标签外的内容。  
</响应指令>

5、分解任务

如果你正在处理一个涉及推理的复杂任务，最好将其分解为一系列较小的任务，以便说明过程并使 LLM 更容易跟随。在这种情况下，明确列出过程的步骤是有益的，类似于你会指导一个人完成某项任务的方式。

❌ 分析以下研究论文。

研究论文：### {你的论文} ###

✅ 分析以下研究论文，按照以下步骤进行：

确定论文所解决的核心研究问题或问题。
审查研究中使用的方法论，并评估其是否适合研究问题。
检查论文中呈现的结果，并评估它们是否被数据充分支持。
分析讨论和结论，确定作者的解释和结论是否合理。

研究论文：###{你的论文}###

6、分配角色

为 LLM 分配特定角色有助于缩小其焦点范围，确保响应符合所需的专长和背景。引入诸如“想象你是 X”或“扮演 X”的陈述。

❌ 审查以下代码。

代码：###{你的代码}###

✅ 审查以下代码。扮演网络安全专家的角色，评估潜在的安全风险。

代码：###{你的代码}###

7、指定受众

明确指出预期的目标受众可以确保提示生成的响应符合他们的需求、偏好和理解水平。这种具体性增强了输出的相关性和质量。

❌ 解释什么是线性回归。

✅ 向一个不懂微积分的初中生解释什么是线性回归。

8、学习和改进

有效的提示工程通常不是一个静态的、一次性交互。这是一个学习过程，测试和改进您的提示对于实现符合您需求的输出至关重要。

Francesco Alaimo，TIM 团队负责人和数据科学教育家，在开发基于检索增强生成（RAG）的聊天机器人时分享了他的提示工程经验。在开发过程中，他遇到了 LLM 生成的响应中的常见问题：它们包含了 “幻觉”。当模型无法从公司的知识库中检索到相关信息时，它仍然会输出听起来合理的但实际上是错误的回答。

经过多次迭代和提示改进，Francesco 学到了非常明确的提示是至关重要的。他需要明确指示 LLM 仅根据知识库中的可用上下文作答，并为模型提供一种优雅的退出策略，如果适当上下文不可用的话。

✅ 生成响应时，请仅考虑提供的上下文。如果提供的上下文中没有适当的信息，则输出一个反事实响应。

对于给定的问题，反事实响应如下：

问题：“你能做这件事吗？”
反事实响应：“不，我不能做这件事”。

原文链接：8 best practices for effective prompt engineering

汇智网翻译整理，转载请标明出处