提示词工程基础

介绍

本模块介绍在生成式 AI 模型中写出有效提示词的基本概念和技术。你怎样给大语言模型（LLM）写提示词也很重要，精心设计的提示词能得到质量更好的回答。但提示词和提示词工程这些术语到底是什么意思？我又该如何改进发送给 LLM 的提示词输入？这些就是本课和下一课要尝试回答的问题。

生成式 AI 能够根据用户的请求创作新内容（例如文本、图像、音频、代码等）。它依靠的是大语言模型，比如 OpenAI 的 GPT（Generative Pre-trained Transformer，生成式预训练 Transformer）系列，这些模型经过训练，能够使用自然语言和代码。

现在，用户可以用聊天这类熟悉的方式与这些模型互动，不需要任何技术专长或培训。这些模型是基于提示词的：用户发送一段文本输入（提示词），得到 AI 的回答（补全）。之后，用户可以在多轮对话中反复“和 AI 聊天”，不断完善提示词，直到回答符合预期。

“提示词”如今成了生成式 AI 应用的主要编程接口：它告诉模型要做什么，并影响返回的回答质量。“提示词工程”是一个快速发展的研究领域，专注于提示词的设计和优化，以便大规模地稳定输出高质量的回答。

学习目标

在本课中，我们将学习什么是提示词工程、它为什么重要，以及如何针对给定的模型和应用目标，写出更有效的提示词。我们会了解提示词工程的核心概念和最佳实践，并认识一个交互式的 Jupyter Notebook“沙盒”环境，在其中看到这些概念如何应用到真实示例中。

学完本课，我们将能够：

解释什么是提示词工程，以及它为什么重要。
描述提示词由哪些部分组成，以及各部分如何使用。
学习提示词工程的最佳实践和技术。
使用 OpenAI 端点，把学到的技术应用到真实示例中。

关键术语

提示词工程：设计和完善输入，引导 AI 模型产生期望输出的做法。
分词（Tokenization）：把文本转换成更小的单位（称为 token），以便模型理解和处理的过程。
指令调优的 LLM：用特定指令微调过、以提高回答准确性和相关性的大语言模型。

学习沙盒

提示词工程目前更像一门艺术，而不是科学。提升这方面直觉的最好办法是多练习，采用试错的方法，把应用领域的专业知识、推荐的技术和针对具体模型的优化结合起来。

本课配套的 Jupyter Notebook 提供了一个沙盒环境，你可以边学边试，也可以在课程结尾的代码挑战中使用它。要运行这些练习，你需要：

一个 Azure OpenAI API 密钥：已部署的 LLM 的服务端点。
一个 Python 运行环境：用来运行 Notebook。
本地环境变量：现在就完成设置步骤（英文），做好准备。

Notebook 里附有入门练习，也鼓励你自己添加 Markdown（说明）和代码（提示词请求）部分，尝试更多示例或想法，培养提示词设计的直觉。

编者注：本库只收录课程正文，没有收录配套的 Notebook。需要动手练习的读者，可到原课程第 4 课的仓库目录中获取。

图解指南

想在深入学习之前先了解本课的全貌吗？看看这份图解指南，它展示了本课的主要主题，以及每个主题中值得你思考的要点。本课的路线是：先理解核心概念和挑战，再用相关的提示词工程技术和最佳实践来应对。请注意，图中“高级技术”部分指的是本课程下一课的内容。

编者注：这是一幅手绘速写笔记（右下角有作者署名 Nitya），图中中文由机器翻译生成，有些标注不通或有误，内容以正文为准。

我们的初创企业

现在来谈谈这个主题与我们初创企业的使命——把 AI 创新带入教育——有什么关系。我们想构建由 AI 驱动的个性化学习应用，所以先想想应用的不同用户可能会怎样“设计”提示词：

管理人员可能会让 AI 分析课程数据，找出内容覆盖上的空白。AI 可以总结结果，或用代码把结果可视化。
教师可能会让 AI 针对特定对象和主题生成教案。AI 可以按指定格式制定个性化的教案。
学生可能会让 AI 辅导他们学习一门难懂的科目。AI 可以根据学生的水平，用课程讲解、提示和示例来引导他们。

这只是冰山一角。看看由教育专家整理的开源提示词库 Prompts For Education，你会对各种可能性有更全面的认识！试着在沙盒中或用 OpenAI Playground 运行其中一些提示词，看看会发生什么！

什么是提示词工程？

本课开头把提示词工程定义为：针对给定的应用目标和模型，设计和优化文本输入（提示词），以稳定地获得高质量回答（补全）的过程。可以把它看作两个步骤：

针对给定的模型和目标，设计最初的提示词
反复完善提示词，提高回答的质量

这必然是一个试错的过程，需要用户的直觉和投入才能得到最佳结果。那么，它为什么重要？要回答这个问题，我们首先需要理解三个概念：

分词 = 模型如何“看到”提示词
基础 LLM = 基础模型如何“处理”提示词
指令调优的 LLM = 模型如何开始理解“任务”

分词

LLM 把提示词看作一串 token 序列，而不同的模型（或同一模型的不同版本）可能会用不同的方式对同一个提示词分词。由于 LLM 是在 token（而不是原始文本）上训练的，提示词的分词方式会直接影响生成回答的质量。

想直观地了解分词是怎么回事，可以试试下图所示的 OpenAI Tokenizer 等工具。把你的提示词复制进去，看看它如何被转换成 token，尤其留意空白字符和标点符号是怎么处理的。注意，这个示例用的是较旧的 LLM（GPT-3），用更新的模型试，结果可能不同。

编者注：此图中文由机器翻译生成，只替换了图中的文字。图中的字符数和 token 数与中文文字对不上，应是英文原图的统计结果。

概念：基础模型

提示词被分词之后，“基础 LLM”（也就是基础模型）的主要功能，就是预测这个序列中的下一个 token。由于 LLM 是在海量文本数据集上训练的，它们很清楚 token 之间的统计关系，能以一定的把握做出预测。注意，它们并不理解提示词或 token 中词语的含义，只是看到一个可以用下一次预测来“补全”的模式。它们可以一直预测下去，直到用户干预或满足某个预设条件才停止。

想看看基于提示词的补全是怎么工作的吗？把上面那段提示词输入 Microsoft Foundry 操练场（playground），使用默认设置。系统被配置为把提示词当作信息请求，所以你应该会看到一个符合这种情境的补全。

但如果用户想得到符合某些标准或任务目标的特定内容呢？这时就轮到指令调优的 LLM 登场了。

概念：指令调优的 LLM

指令调优的 LLM 以基础模型为起点，用示例或输入/输出对（例如多轮“消息”）对它进行微调。这些示例中包含明确的指令，以及 AI 尝试遵循指令给出的回答。

这会用到基于人类反馈的强化学习（RLHF）等技术，训练模型遵循指令并从反馈中学习，让它给出的回答更适合实际应用，也更贴合用户的目标。

我们来试试：回到上面的提示词，但这次把系统消息改成下面这条指令，作为上下文：

为二年级学生总结你收到的内容。结果控制在一段话之内，包含 3 到 5 个要点。

看到结果是怎样按照期望的目标和格式调整的了吗？教师现在可以直接把这个回答放进那堂课的幻灯片里。

为什么需要提示词工程？

我们已经知道 LLM 怎样处理提示词，接下来谈谈为什么需要提示词工程。原因在于，当前的 LLM 存在一些问题，如果不在构造和优化提示词上下功夫，就很难得到可靠、一致的补全。例如：

模型的回答是随机的。 同一个提示词在不同的模型或模型版本上，很可能得到不同的回答；甚至在同一个模型上，不同时间也可能得到不同的结果。提示词工程技术可以提供更好的约束，帮助我们尽量减少这些差异。
模型可能会编造回答。 模型是在庞大但有限的数据集上预训练的，这意味着它们不了解训练范围之外的概念。因此，它们可能给出不准确、凭空想象，甚至与已知事实直接矛盾的补全。提示词工程技术可以帮助用户识别并减少这类编造，比如要求 AI 给出引用来源或推理过程。
模型的能力各不相同。 更新的模型或新一代模型能力更强，但也会带来各自的怪癖，以及成本和复杂度上的取舍。提示词工程可以帮助我们形成最佳实践和工作流程，屏蔽这些差异，并以可扩展、顺畅的方式适应各个模型的特定要求。

我们在 OpenAI 或 Azure OpenAI 的 Playground 中实际看看：

把同一个提示词用在不同的 LLM 部署上（例如 OpenAI、Azure OpenAI、Hugging Face），你看到差异了吗？
在同一个 LLM 部署上（例如 Azure OpenAI playground）反复使用同一个提示词，这些差异又有什么不同？

编造示例

在本课程中，我们用“编造”（fabrication）一词，指 LLM 由于训练上的局限或其他限制，有时会生成与事实不符的信息的现象。你在一些热门文章或研究论文中，可能也听过它被称为“幻觉”。不过，我们强烈建议使用“编造”这个说法，以免不经意间把机器产生的结果说成人类的特质，把这种行为拟人化。从用词角度看，这也符合负责任 AI 准则，避免使用在某些语境下可能被认为冒犯或不够包容的词语。

想了解编造是怎么发生的吗？可以想一个提示词，让 AI 为一个根本不存在的话题生成内容（确保训练数据里找不到）。比如，我试了这样一个提示词：

提示词： 生成一份关于 2076 年火星战争的教案。

网上搜索显示，确实有关于火星战争的虚构作品（例如电视剧或小说），但没有一部是关于 2076 年的。常识也告诉我们，2076 年还在未来，不可能对应一个真实发生过的事件。

那么，用不同的 LLM 服务运行这个提示词，会发生什么呢？

回答 1：OpenAI Playground（GPT-35）

图略：OpenAI Playground（GPT-35）对上述提示词的回答截图（来源：原课程配图，见原课程第 4 课）

回答 2：Azure OpenAI Playground（GPT-35）

回答 3：Hugging Face Chat Playground（LLama-2）

图略：Hugging Face Chat Playground（LLama-2）对上述提示词的回答截图（来源：原课程配图，见原课程第 4 课）

正如预期，由于回答的随机性和模型能力的差异，每个模型（或模型版本）给出的回答都略有不同。例如，有一个模型面向的是八年级学生，另一个则假定对象是高中生。但三个模型生成的回答，都足以让不了解情况的用户相信这件事是真实的。

元提示词（metaprompting）和温度设置等提示词工程技术，也许能在一定程度上减少模型的编造。新的提示词工程架构还会把新的工具和技术无缝地融入提示词流程，以缓解或减少其中一些影响。

案例研究：GitHub Copilot

本节最后，我们通过一个案例研究，看看提示词工程在真实的解决方案中是怎样使用的：GitHub Copilot。

GitHub Copilot 是你的“AI 结对程序员”：它把文本提示词转换成代码补全，并集成在你的开发环境（例如 Visual Studio Code）中，使用体验很顺畅。正如下面这一系列博客所记录的，最早的版本基于 OpenAI Codex 模型，工程师们很快意识到，需要对模型进行微调，并开发更好的提示词工程技术，来提高代码质量。2023 年 7 月，他们推出了超越 Codex 的改进版 AI 模型，给出建议的速度更快。

按顺序阅读这些文章，跟随他们的学习历程。

2023 年 5 月 | GitHub Copilot 越来越懂你的代码
2023 年 5 月 | GitHub 内部：与 GitHub Copilot 背后的 LLM 打交道
2023 年 6 月 | 如何为 GitHub Copilot 写出更好的提示词
2023 年 7 月 | ……GitHub Copilot 用改进的 AI 模型超越 Codex
2023 年 7 月 | 写给开发者的提示词工程与 LLM 指南
2023 年 9 月 | 如何构建企业级 LLM 应用：来自 GitHub Copilot 的经验

以上文章均为英文。你还可以浏览他们的工程博客，阅读更多类似这一篇的文章，看看这些模型和技术是怎样应用到真实应用中的。

提示词的构成

我们已经了解了提示词工程为什么重要，现在来看看提示词是怎样构成的，这样才能评估不同的技术，设计出更有效的提示词。

基本提示词

先从基本提示词开始：发送给模型的一段文本输入，没有任何其他上下文。下面是一个例子：当我们把美国国歌的开头几个词发给 OpenAI 的 Completion API 时，它立刻用接下来的几句补全了回答，展示了最基本的预测行为。

提示词（输入）	补全（输出）
Oh say can you see	听起来你是在念美国国歌《星条旗》（The Star-Spangled Banner）的歌词开头。完整歌词是……

复杂提示词

现在，我们给这个基本提示词加上上下文和指令。Chat Completion API 让我们可以把复杂提示词构造成一组消息，其中包括：

输入/输出对，分别对应用户的输入和助手的回答。
系统消息，为助手的行为或个性设定情境。

现在请求的形式如下，分词会有效地捕捉上下文和对话中的相关信息。这时，修改系统上下文对补全质量的影响，可能和用户输入一样大。

Python

response = client.responses.create(
    model="gpt-5-mini",
    input=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Who won the world series in 2020?"},
        {"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
        {"role": "user", "content": "Where was it played?"}
    ]
)

编者注：这段示例代码中，系统消息设定“你是一个乐于助人的助手”；用户先问“2020 年世界大赛（美国职业棒球）谁赢了？”，助手答“洛杉矶道奇队赢得了 2020 年世界大赛”；用户接着问“比赛在哪里举行？”。

指令提示词

在上面的例子中，用户提示词只是一个简单的文本查询，可以理解为一个信息请求。用指令提示词，我们可以用文字更详细地说明任务，给 AI 更好的指引。示例如下：

提示词（输入）	补全（输出）	指令类型
写一段关于（美国）南北战争的介绍	返回一段简单的文字	简单
写一段关于（美国）南北战争的介绍。列出关键日期和事件，并说明它们的意义	返回一段文字，后面跟着一份带说明的关键事件日期清单	复杂
用一段话介绍（美国）南北战争。用 3 个要点列出关键日期及其意义，再用 3 个要点列出关键历史人物及其贡献。以 JSON 文件的形式返回结果	在文本框中返回更详尽的内容，格式为 JSON，可以复制粘贴到文件中，并按需校验	复杂，有格式要求

主要内容

在上面的例子中，提示词仍然相当开放，由 LLM 自己决定预训练数据集中的哪些部分是相关的。采用主要内容（primary content）这种设计模式时，输入文本分为两部分：

一条指令（要做的动作）
相关内容（影响这个动作）

下面的例子中，指令是“用两句话总结这段内容”。

提示词（输入）：

木星是从太阳往外数的第五颗行星，也是太阳系中最大的行星。它是一颗气态巨行星，质量只有太阳的千分之一，却是太阳系其他所有行星质量总和的两倍半。木星是夜空中肉眼可见的最亮天体之一，早在有文字记载的历史之前，古代文明就已经知道它。它以罗马神话中的神朱庇特命名。[19] 从地球上看，木星有时亮到它反射的光足以投下可见的影子，[20] 它平均是夜空中仅次于月亮和金星的第三亮的天然天体。

用两句简短的话总结这段内容
补全（输出）：

木星是从太阳往外数的第五颗行星，也是太阳系中最大的行星，以夜空中最亮的天体之一而著称。它以罗马神话中的神朱庇特命名，是一颗气态巨行星，质量是太阳系其他所有行星质量总和的两倍半。

主要内容这一部分可以用多种方式来让指令更有效：

示例：不直接用指令告诉模型该做什么，而是给它一些示例，让它自己推断出规律。
引导语（cue）：在指令后面接一段引导语，为补全开个头，引导模型给出更相关的回答。
模板：可重复使用的提示词“配方”，其中带有占位符（变量），可以针对具体用例填入数据进行定制。

下面来看看实际效果。

使用示例

这种做法是用主要内容给模型“喂”一些示例，展示某条指令下期望的输出是什么样，让它推断出期望输出的规律。根据提供的示例数量，可以分为零样本提示、单样本提示、少样本提示等。

这时，提示词由三部分组成：

任务描述
几个期望输出的示例
一个新示例的开头（它成了隐含的任务描述）

下面三个例子中，前两个是把英文翻译成西班牙语。

零样本（zero-shot）

提示词（输入）："The Sun is Shining"。翻译成西班牙语
补全（输出）："El Sol está brillando".

单样本（one-shot）

提示词（输入）：

"The Sun is Shining" => "El Sol está brillando".

"It's a Cold and Windy Day" =>
补全（输出）："Es un día frío y ventoso".

少样本（few-shot）

提示词（输入）：

球员跑垒 => 棒球

球员发球直接得分（ace） => 网球

球员击出六分球 => 板球

球员完成一记扣篮 =>
补全（输出）：篮球

注意，在零样本提示中，我们必须给出明确的指令（“翻译成西班牙语”），而在单样本的例子中，这条指令是模型自己推断出来的。少样本的例子则说明，增加示例后，模型无需额外的指令就能做出更准确的推断。

引导语

使用主要内容的另一种技术，是提供引导语而不是示例。也就是先用一小段体现期望回答格式的文字开个头，轻轻推模型往正确的方向走，模型随后会“接过话头”，按这个路子继续写下去。

0 条引导语

提示词（输入）：

木星是从太阳往外数的第五颗行星，也是太阳系中最大的行星。它是一颗气态巨行星，质量只有太阳的千分之一，却是太阳系其他所有行星质量总和的两倍半。木星是夜空中肉眼可见的最亮天体之一，早在有文字记载的历史之前，古代文明就已经知道它。

总结一下
补全（输出）：

木星是太阳系中最大的行星，也是从太阳往外数的第五颗行星。它是一颗气态巨行星，质量是太阳的千分之一，却比其他所有行星加起来还要重。古代文明很早就知道木星，它在夜空中很容易看到。

1 条引导语

提示词（输入）：

（同上一段关于木星的文字）

总结一下

我们了解到，木星
补全（输出）：

是从太阳往外数的第五颗行星，也是太阳系中最大的行星。它是一颗气态巨行星，质量是太阳的千分之一，却是其他所有行星质量总和的两倍半。它用肉眼就很容易看到，自古以来就为人所知。

2 条引导语

提示词（输入）：

（同上一段关于木星的文字）

总结一下

我们了解到的三大事实：
补全（输出）：
1. 木星是从太阳往外数的第五颗行星，也是太阳系中最大的行星。
2. 它是一颗气态巨行星，质量是太阳的千分之一……
3. 自古以来，人们就能用肉眼看到木星……

提示词模板

提示词模板是一种预先定义好的提示词配方，可以保存下来、按需重复使用，从而大规模地提供更一致的用户体验。最简单的形式，就是一组提示词示例，比如 OpenAI 的这个示例，它既提供交互式的提示词组成部分（用户消息和系统消息），也提供通过 API 发送请求的格式，方便重复使用。

更复杂的形式，比如 LangChain 的这个示例，其中包含占位符，可以用各种来源的数据（用户输入、系统上下文、外部数据源等）替换，动态生成提示词。这样我们就能建立一个可复用的提示词库，以编程方式大规模地提供一致的用户体验。

最后，模板真正的价值在于，可以为垂直应用领域创建并发布提示词库：其中的提示词模板经过优化，体现特定应用的上下文或示例，让回答对目标用户更相关、更准确。Prompts For Edu 仓库就是这种做法的一个好例子，它为教育领域整理了一个提示词库，重点覆盖备课、课程设计、学生辅导等关键目标。

辅助内容

如果把提示词的构成看作一条指令（任务）加上一个对象（主要内容），那么辅助内容（secondary content）就是我们额外提供、用来以某种方式影响输出的上下文。它可以是调节参数、格式说明、主题分类等，帮助模型调整回答，以符合用户期望的目标或预期。

例如：假设有一份课程目录，其中包含课程体系里所有课程的丰富元数据（名称、简介、级别、元数据标签、授课教师等）：

我们可以用一条指令要求“总结 2023 年秋季的课程目录”
用主要内容提供几个期望输出的示例
用辅助内容指定最受关注的 5 个“标签”

这样，模型就能按照那几个示例的格式给出总结；而如果某门课有多个标签，它会优先考虑辅助内容中指定的那 5 个标签。

提示词的最佳实践

既然已经知道提示词可以怎样构成，就可以开始思考怎样设计提示词，让它体现最佳实践。可以从两方面来考虑：具备正确的思维方式，以及运用合适的技术。

提示词工程的思维方式

提示词工程是一个试错的过程，所以要记住三条大的指导原则：

理解领域很重要。 回答的准确性和相关性，取决于应用或用户所在的领域。运用你的直觉和领域专业知识，进一步定制技术。例如，在系统提示词中定义带有领域特点的角色，或在用户提示词中使用针对该领域的模板。提供体现领域上下文的辅助内容，或者用领域特有的引导语和示例，引导模型走向熟悉的使用模式。
理解模型很重要。 我们知道模型本质上是随机的。但不同的模型实现，在使用的训练数据集（预训练知识）、提供的能力（例如通过 API 或 SDK）以及擅长的内容类型（例如代码、图像还是文本）等方面也可能不同。了解你所用模型的长处和局限，并据此安排任务的优先次序，或者构建针对模型能力优化的定制模板。
迭代和验证很重要。 模型在快速演进，提示词工程的技术也是如此。作为领域专家，你可能掌握你自己这个应用特有的上下文或标准，它们未必适用于更广泛的群体。先借助提示词工程的工具和技术“快速起步”构造提示词，再用你自己的直觉和领域专业知识反复迭代、验证结果。记录你的心得，建立一个知识库（例如提示词库），供其他人作为新的起点，让以后的迭代更快。

最佳实践

下面来看一些 OpenAI 和 Azure OpenAI 的实践者推荐的常见最佳实践。

做法	原因
评估最新的模型	新一代模型可能功能更强、质量更好，但成本也可能更高。先评估它们带来的影响，再决定是否迁移。
把指令和上下文分开	看看你的模型或服务商是否规定了分隔符，用来更清楚地区分指令、主要内容和辅助内容。这能帮助模型更准确地给各个 token 分配权重。
具体、清晰	对期望的上下文、结果、长度、格式、风格等给出更多细节，这能同时提高回答的质量和一致性。把好用的写法沉淀为可复用的模板。
描述充分，使用示例	模型可能对“边示范边讲解”的方式反应更好。先用`零样本`的方式（只给指令，不给示例）开始，再尝试用`少样本`的方式改进，给出几个期望输出的示例。也可以使用类比。
用引导语启动补全	给模型一些开头的词语或短语，作为回答的起点，推动它得出期望的结果。
加倍强调	有时你需要对模型把话重复一遍。可以在主要内容之前和之后都给出指令，或者同时使用指令和引导语，等等。通过迭代和验证，看看哪种做法有效。
顺序很重要	由于近因偏差，你向模型提供信息的顺序可能会影响输出，示例的顺序也是如此。尝试不同的顺序，看看哪种效果最好。
给模型留一条“退路”	给模型一个兜底的回答，在它因为任何原因无法完成任务时使用。这能降低模型生成错误或编造回答的概率。

和所有最佳实践一样，请记住，效果因情况而异，取决于模型、任务和领域。把这些做法当作起点，不断迭代，找到最适合你的方式。随着新的模型和工具出现，要不断重新评估你的提示词工程流程，重点关注流程能否规模化以及回答的质量。

作业

恭喜你学完了本课！现在是时候用真实的示例，检验一下这些概念和技术了！

在作业中，我们会用一个 Jupyter Notebook，其中的练习可以交互式地完成。你也可以在 Notebook 里加入自己的 Markdown 单元和代码单元，自己探索各种想法和技术。

首先，fork 仓库，然后

（推荐）启动 GitHub Codespaces
（或者）把仓库克隆到本地设备，配合 Docker Desktop 使用
（或者）用你喜欢的 Notebook 运行环境打开该 Notebook

接着，配置环境变量

把仓库根目录下的 .env.copy 文件复制为 .env，并填入 AZURE_OPENAI_API_KEY、AZURE_OPENAI_ENDPOINT 和 AZURE_OPENAI_DEPLOYMENT 的值。具体做法请回看学习沙盒一节。

然后，打开 Jupyter Notebook

选择运行内核。如果你用的是第 1 或第 2 种方式，直接选择开发容器提供的默认 Python 3.10.x 内核即可。

现在你可以开始做练习了。注意，这里的答案没有对错之分，只是通过试错来探索各种选项，培养对特定模型和应用领域什么做法有效的直觉。

因此，本课没有“代码解答”部分。Notebook 中会有标题为“我的解答：”的 Markdown 单元，给出一个示例输出供参考。

知识测试

下面哪一个提示词遵循了一些合理的最佳实践，是好的提示词？

给我看一张红色汽车的图片
给我看一张红色汽车的图片，品牌是沃尔沃，型号是 XC90，停在悬崖边，夕阳西下
给我看一张红色汽车的图片，品牌是沃尔沃，型号是 XC90

答案：2。它是最好的提示词，因为它提供了“是什么”的细节，而且说得很具体（不是随便一辆车，而是指定了品牌和型号），还描述了整体场景。3 次之，因为它也包含了不少描述。

🚀 挑战

试试能不能用“引导语”技术写这样一个提示词：补全句子“给我看一张红色汽车的图片，品牌是沃尔沃，并且”。模型会怎么回答？你会怎样改进它？

干得漂亮！继续学习

想进一步了解提示词工程的各种概念？可以去原课程推荐的延伸学习页面，找到这个主题的更多优质资源。

下一课（第 5 课）我们将学习高级提示词技术。

免责声明：本课中文原由 AI 翻译服务 Co-op Translator 机器翻译，本库已对照英文原文校订，并有删节。中英文如有出入，以英文原版为准。

介绍