今天推荐 Google 官方出品的提示工程（Prompt Engineering）白皮书，该书系统性介绍了Prompt Engineering 相关技术，包括 LLMs 基础知识、提示技巧和诸多最佳实践。
建议所有与 LLMs 打交道的人都看看，系统性的学习下提示工程，这将大大提升我们设计提示词的效果。点击文末阅读原文获取PDF。
白皮书 URL:https://drive.google.com/file/d/1AbaBYbEa_EbPelsT40-vj64L-2IwUJHy/view
谁都能写提示词：
You don’t need to be a data scientist or a machine learning engineer – everyone can write a prompt.
白皮书介绍了提示工程（Prompt Engineering）的基本概念及其在大型语言模型（LLMs）应用中的核心作用。作者强调，尽管任何人都可以编写提示，但设计高效提示需要综合考虑模型选择、训练数据、配置参数（温度、Top-K等）、措辞风格和上下文结构等因素。提示工程是一个迭代过程，不当的提示可能导致模糊或不准确的结果。白皮书重点聚焦于通过 Vertex AI 或 API 直接调用模型的场景，以便更灵活地控制配置参数。
Prompt engineeringis the process of designing high-quality prompts that guide LLMs to produce accurate outputs.
白皮书目录如下：
下面来简单总结下各章节主要，详细内容还是建议大家去看原文。
LLM Output Configuration
本章详细探讨了如何通过配置参数优化 LLMs 的输出效果：
输出长度（Output Length）：限制生成文本的 token 数量，直接影响计算成本和响应速度，需根据任务需求平衡。 采样控制（Sampling Controls）：包括温度（Temperature）、Top-K和Top-P。温度控制输出的随机性（低温度更确定，高温度更多样）；Top-K 选择概率最高的前 K 个 token；Top-P（核采样）按累积概率动态选择 token 范围。极端参数（如温度=0、Top-K=1）会禁用其他参数的效果。 参数组合策略：建议初始配置（温度0.2、Top-P 0.95、Top-K 30）适用于大多数任务，高创造性任务可提高温度（0.9），数学问题则建议温度=0。此外，文中还警示了“重复循环”问题（模型因不当参数陷入重复输出），需通过参数调优解决。
Prompting Techniques
本章系统介绍了多种提示技术及其应用场景：
零样本提示（Zero-shot）：仅提供任务描述，不包含示例，适用于简单分类任务（如电影评论情感分析）。
少样本提示（Few-shot）：通过1-5个示例引导模型学习模式（如将披萨订单解析为 JSON 格式），需确保示例的多样性和质量。
系统提示（System Prompting）：定义全局任务框架（如强制返回 JSON 格式或过滤有害内容），适用于结构化输出和安全性控制。
角色提示（Role Prompting）：赋予模型特定身份（如导游、代码审查员），以调整输出风格和视角。
上下文提示（Contextual Prompting）：提供任务相关背景信息（如针对机器学习领域最新研究热点问题的相关文章），增强输出的相关性。
Step-back Prompting：通过先回答抽象问题（如“游戏关卡设计的核心原则”）再解决具体任务，激活模型的深层知识，提升复杂问题（如设计游戏剧情）的解决能力。
Chain of Thought & Advanced Techniques
本章深入探讨提升模型推理能力的方法：
Chain of Thought (CoT)：要求模型分步解释推理过程（如数学问题），显著提高复杂任务（如漏洞分类）的准确性。需注意输出长度增加带来的成本。 Self-consistency：多次生成不同推理路径，通过多数投票选择最优答案，增强鲁棒性（如邮件分类任务中平衡矛盾结果）。 Tree of Thoughts (ToT)：允许多路径并行推理（如图1对比CoT与ToT），适用于需探索性决策的任务（如多步骤规划）。 Reason & Act (ReAct)：结合推理与外部工具调用（如搜索API），模拟人类“思考-行动”循环（如通过Google搜索汇总乐队成员子女数量），适用于需要实时数据的场景。
Code Prompting & Multimodal Prompting
本章聚焦代码生成与多模态提示的应用：
Code Prompting：包括编写（如 Bash 脚本重命名文件）、解释（解析代码逻辑）、翻译（Bash 转 Python）和调试（修复 Python 错误）。示例展示了如何通过提示生成可执行代码，并强调测试的重要性。
Multimodal Prompting：结合文本、图像等输入（如生成图像描述），需依赖模型的多模态支持。文中指出当前Gemini主要支持文本，但未来多模态提示潜力巨大。
Best Practices
本章总结了提示工程的实用建议：
提供示例：Few-shot prompting 能显著提升模型表现，需选择相关性强、多样化的示例。 简洁明确：避免复杂表述，使用动词（如“生成”、“分类”）明确任务，指定输出格式（如 JSON 格式）。 指令优先于约束：正向指令（如“仅讨论价格”）比负面约束（如“不要提及游戏名称”）更有效。 变量与实验：使用变量（如{city}）来提升复用性，尝试不同输入格式（提问 vs 指令）和输出结构（JSON vs XML）。 模型更新适配：跟踪模型版本变化，及时调整提示策略。 文档记录：通过表格模板（如表21）记录提示版本、参数、输出结果及反馈，便于迭代和团队协作。
Summary & Endnotes
白皮书全文回顾了提示工程的核心技术与挑战，强调其作为迭代过程的本质。未来方向包括自动化提示生成（如 APE 技术）、多模态融合及更复杂的代理（Agent）系统开发。 文末附录提供了参考文献和工具链接（如 SerpAPI、json-repair 库），为实践提供支持。
通过对白皮书的学习，大家可以快速、全面地了解提示技术，并在实践中快速应用，能大大提升自身提示工程能力。