Google 官方提示工程 (Prompt Engineering)白皮书

引言 (Introduction) 在探讨大型语言模型（LLM）的输入与输出时，文本提示（有时伴随图像等其他模态）是模 型用于预测特定输出的输入形式 1。编写提示并非数据科学家或机器学习工程师的专利 ——任何人都可以进行。然而，构建最高效的提示可能相当复杂。提示的有效性受到诸多 因素的影响：所使用的模型、模型的训练数据、模型配置、措辞选择、风格语调、结构以及 上下文都至关重要 1。因此，提示工程是一个迭代的过程。不恰当的提示可能导致模糊、不 准确的响应，并阻碍模型提供有意义输出的能力 1。 你不需要是数据科学家或机器学习工程师——每个人都可以编写提示。(You don’t need to be a data scientist or a machine learning engineer – everyone can write a prompt.) 1 这种表述降低了初学者的门槛，但紧随其后列出的影响因素（模型选择、训练数据、配置、 措辞、风格、语调、结构、上下文）揭示了其内在的复杂性。这表明，虽然基本交互很容易， 但要获得可靠、高质量的结果，则需要付出刻意的努力和知识积累——这正是“工程”的范 畴 1。 当用户与 Gemini 聊天机器人¹ 交互时，本质上也是在编写提示。然而，本白皮书侧重于在 Vertex AI 中或通过 API 为 Gemini 模型编写提示，因为直接提示模型可以访问温度等配置 参数 1。这种对直接模型交互（通过 Vertex AI/API 而非聊天界面）的明确关注，表明对配置 （如温度）的精细控制被认为是高级提示工程的基础，这与休闲聊天机器人的使用有所区 别。掌握提示工程不仅涉及提示文本本身，还包括操纵模型的生成参数，这对于需要特定 创造性或确定性水平的任务至关重要 1。 本白皮书将详细探讨提示工程。我们将研究各种提示技巧，帮助您入门，并分享成为提示专 家的技巧和最佳实践。我们还将讨论在构建提示时可能遇到的一些挑战 1。