基础知识

掌握提示词工程的基础知识，是设计高质量提示词的第一步。本章节将介绍语言模型基础、提示词结构、Prompt 类型以及输入输出格式设计，帮助读者理解如何构建有效提示。

语言模型基础

语言模型（Language Model, LM）是一种通过学习大量文本数据来预测下一个词或生成文本的模型。现代大型语言模型（如 GPT 系列、LLaMA、Claude）能够根据输入提示生成连贯、逻辑性强的文本。

• 生成机制：模型会根据提示中的上下文和历史信息，预测可能的输出词序列。
• 局限性：模型可能存在偏差、 hallucination（虚构内容）或对某些专业领域理解不够准确。
• 应用场景：文本生成、问答系统、数据分析、代码生成等。

理解模型的基本原理有助于我们设计更精准的提示词，使模型按照预期生成内容。

Prompt 的基本结构

一个完整的 Prompt 通常包含以下几个部分：

1. 指令（Instruction）：明确告诉模型要做什么，例如“请将以下文本翻译成英文”。
2. 上下文（Context）：提供相关背景信息，帮助模型理解任务，例如文章、对话历史、数据表等。
3. 示例（Example）：给出输入-输出示例，帮助模型学习任务格式。
4. 格式化要求（Format Requirement）：规定输出的结构或风格，例如 JSON、表格、简明语言等。

示例

指令: 将下面文本翻译为英文
文本: 你好，世界！
格式: JSON { "translation": "" }

指令式 Prompt 与示例式 Prompt

• 指令式 Prompt：直接下达任务指令，适用于明确任务，例如：

  “请总结下面文章的主要观点。”

• 示例式 Prompt（Few-shot）：提供输入输出示例，帮助模型学习任务模式，适用于复杂任务，例如：

  示例 1：文章: "……" → 总结: "……" 示例 2：文章: "……" → 总结: "……" 任务: 对以下文章生成总结。

使用示例式 Prompt 可以显著提升模型在复杂任务下的准确性。

输入输出格式设计

合理设计输入和输出格式，可以让生成结果更易于解析和后处理：

• 输入设计：包括关键信息、上下文和任务描述，尽量简洁清晰。
• 输出设计：指定格式（JSON、表格、Markdown 等），减少模型输出不可控情况。

示例

指令: 将下面文本转换为表格形式
文本: 苹果, 价格 3元; 香蕉, 价格 2元
格式: Markdown 表格

生成输出：

水果	价格
苹果	3元
香蕉	2元

通过掌握这些基础知识，读者可以为后续章节的提示优化和高级策略打下坚实基础。