#1. 官方提示词指南

本节依据 Google 官方的提示工程文档编写：https://ai.google.dev/gemini-api/docs/prompting-strategies?hl=zh-cn

#清晰具体的指令

定制模型行为最有效的方式，就是给它清晰、具体的指令。指令的形式可以是一个问题、一组分步任务，也可以复杂到描绘整个用户体验和心智模型。

四种输入类型

提示词中的"输入"指希望模型回应的核心内容。Google 把它分成四类：

补全策略

生成式语言模型本质上像一个高级的"自动补全"工具。当提供部分内容时，模型会接着补全后面的内容。

普通写法（依赖模型理解自然语言指令）：

对于以下订单，返回一个 JSON 对象，包含字段 cheeseburger、hamburger、fries、drink，
值为数量。
订单：一个汉堡和一杯饮料。

模型会返回所有字段，包括数量为 0 的项。

补全策略写法（用一个示例 + 输出前缀引导）：

有效字段：cheeseburger、hamburger、fries、drink。
订单：给我一个芝士汉堡和薯条
输出：
{
  "cheeseburger": 1,
  "fries": 1
}
订单：我要两个汉堡、一杯饮料和薯条。
输出：

模型会只输出存在的字段，自动省略数量为 0 的项。

关键洞察：当自然语言难以表达精确要求时，给一个示例 + 一个未完成的开头，比写一大段说明更有效。

添加约束

明确告诉模型该做什么、不该做什么。约束可以是长度、风格、内容范围等。

示例：

用一句话总结这段文字。
回答不要超过 100 字。
只用提供的文本回答，不要引入额外知识。

指定响应格式

可以要求模型以特定格式回复：表格、项目符号列表、电梯演讲、关键词、句子、段落、JSON 等。

通过系统指令（System Instruction）控制整体行为也是一种常见做法，例如：

所有问题都应详细全面地回答，除非用户特别要求简洁回复。

用补全策略控制格式

如果希望输出符合特定结构，最有效的方式是直接写出开头让模型续写。

含糊的写法：

为一篇关于蜂鸟的文章写一个大纲。

模型会自己决定用什么格式。

用补全策略锁定格式：

为一篇关于蜂鸟的文章写一个大纲。
I. 引言
   *

模型会按照给定的格式（罗马数字 + 星号缩进）继续填充。

#零样本与少样本提示词

核心概念

• 零样本（Zero-shot）：不提供任何示例，直接让模型完成任务。
• 少样本（Few-shot）：在提示词中提供几个示例，让模型识别其中的模式并应用到新输入上。

少样本示例的实战应用

假设希望模型在多个解释中选择更简洁的那个。

零样本提示词（模型可能选择详细的那个）：

请为以下问题选择最佳解释：
问题：雪是怎么形成的？
解释1：雪是空气中的水蒸气在大气层中冻结成冰晶……（详细）
解释2：水蒸气冻结成冰晶形成雪。
答案：

少样本提示词（用示例展示自己偏好简洁）：

以下是一些"问题—解释—答案"格式的示例：

问题：天空为什么是蓝色？
解释1：天空看起来是蓝色因为瑞利散射，使较短的蓝色波长……（详细）
解释2：因为瑞利散射效应。
答案：解释2

问题：地震的原因是什么？
解释1：地壳中能量的突然释放。
解释2：地震发生在构造板块突然滑动或断裂时……（详细）
答案：解释1

现在按上述格式回答以下问题：
问题：雪是怎么形成的？
解释1：……（详细）
解释2：水蒸气冻结成冰晶形成雪。
答案：

第二个版本会让模型选择简洁的"解释2"。

关于示例数量

模型通常能从少量示例中识别模式，但具体数量需要实验。要注意：

• 太少：模型可能识别不出想要的模式。
• 太多：模型可能"过拟合"到这些示例，丧失泛化能力。

通常 2–5 个示例是合理的起点。

保持格式一致

少样本示例的核心目的之一就是向模型展示输出格式。因此所有示例必须保持严格一致的格式，特别注意：

• XML 标签
• 空格
• 换行
• 示例之间的分隔符

任何不一致都可能让模型输出不可预期的格式。

#添加上下文

不要假设模型自带所有需要的信息。把约束、规则、参考资料等上下文信息一并放进提示词，能显著提升回答的相关性和准确性。

对比案例

没有上下文：

我的 WiFi 断开了怎么办？路由器的灯黄色慢闪。

模型只能给出通用的故障排查建议，不针对特定路由器。

带上下文：

请使用以下文本回答问题。只用提供的文本回答。
问题：我的 WiFi 断开了怎么办？我的 Google Wifi 路由器的灯黄色慢闪。

文本：
颜色：缓慢脉动黄色
含义：网络错误。
解决方法：检查以太网线是否连接到路由器和调制解调器，确认两个设备都已开机……

颜色：快速闪烁黄色
含义：你正在按住重置按钮进行恢复出厂设置……

颜色：纯红色
含义：出现严重故障……

模型会直接给出与"黄色慢闪"对应的精确答案。

核心原则：当希望模型基于特定信息回答时，把那些信息放进提示词里，并明确告诉它"只用提供的文本回答"。

#拆解复杂提示词

复杂任务不要塞进一个超长的提示词里。推荐三种拆解方式：

拆解指令

不要把多个指令塞进一个提示词，每个指令写成一个独立的提示词。然后根据用户输入选择调用哪一个。

串联提示词

对于多步骤任务，每一步做成一个提示词，前一步的输出作为下一步的输入。例如：

1. 第一步提示词：把长文档总结成 5 个要点
2. 第二步提示词：把这 5 个要点改写成正式商务邮件
3. 第三步提示词：根据邮件生成 3 个标题候选

聚合响应

对数据的不同部分并行执行不同任务，再聚合结果。例如：分析一份会议纪要时，先抽取行动项，再抽取决策点，再抽取风险点，最后合并成一份结构化总结。

#提示词迭代策略

当输出与预期存在偏差时，与其反复微调同一句话，不如系统性地从以下三个维度进行迭代：

换一种说法

同一个意思用不同措辞，效果可能差很多。

• 版本 1："怎么烤派？"
• 版本 2："推荐一个派的食谱。"
• 版本 3："有什么好的派食谱？"

如果第一版不行，重写一次，别死磕。

切换到类似任务

当模型持续无法按指定格式输出时，问题往往不在指令本身，而在任务的表达形式。此时应将任务改写为一个语义等价、但结构更利于约束输出的表达方式。

原问题：

《奥德赛》属于哪个类别：
惊悚 / 科幻 / 神话 / 传记

模型可能用一整段话解释，而不是只给出选项。

改写成多选题：

多选题：以下哪个选项描述了《奥德赛》这本书？
选项：
- 惊悚
- 科幻
- 神话
- 传记

这样模型会直接回答"神话"。

调整内容顺序

提示词中各部分的排列顺序会影响结果。尝试不同组合：

版本 1：

[示例] [上下文] [输入]

版本 2：

[输入] [示例] [上下文]

版本 3：

[示例] [输入] [上下文]