前言

Github：https://github.com/HealerJean

博客：http://blog.healerjean.com

一、提示学习基础 —— 教 AI 思考的艺术

会提问的人，才能驾驭 AI。”—— 提示学习不是魔法，而是和 AI 对话的高级技巧。

• [基础提示] → “请写……（明确要求）”

• [思维链] → “请一步步推理……”

• [自洽性] → （开发者：多次调用+投票；用户：“请仔细检查……”）

• [思维树] → “请列出多个方案并比较优劣……”

1、什么是提示学习（Prompt Learning）

1）什么是“提示”？

提示 = 你给 AI 的“指令”或“引导语” 就像你教小朋友做题时说：“先看题目，再列公式。”

• 差的提示：“写个故事。”
• 好的提示：“写一个关于太空旅行的科幻短篇，主角是机器人，结尾要有反转，不超过500字。”

2）为什么提示这么重要？

好的提示 = 明确目标 + 给出约束 + 提供上下文

因为大模型不是“全能神”，它是“基于上下文生成内容的机器”。 你给它什么信息，它就根据这些信息“推理+输出”。类比：

• 你去餐厅点菜，只说“来个吃的” → 厨师懵了
• 你说“来份红烧肉，少糖，微辣，配米饭” → 厨师秒懂

3）提示学习的核心思想：

提示学习 = 把模糊需求转化成 AI 能理解的“操作手册”。

举例：请为‘人工智能发展史’制作一份10页的PPT大纲，每页包括标题、要点、建议配图，风格简洁现代。”

2、思维链（Chain-of-Thought, CoT）

把“黑箱”变成“透明箱”让 AI 像人一样“边想边说”，而不是“直接报答案”。

1）为什么 AI 会“跳步”？

比如你问：“如果买3个苹果，每个5元，总共多少钱？”

AI 可能直接答：“15元。”

但你想让它展示思考过程，怎么办？

2）思维链

让 AI 不只是“给出答案”，而是“一步一步地想”。

差提示：

计算：3 × 5 = ?

回答：15

好提示（加思维链）：

请一步步思考并解答：3个苹果，每个5元，总共多少钱？

回答：

> 1. 每个苹果价格是5元
> 2. 买了3个苹果
> 3. 总价 = 3 × 5 = 15元
> 4. 答案：15元

3）为什么这有用？

• 提升准确性：避免“胡说八道”
• 便于调试：你能看到哪里错了
• 适合复杂任务：如数学题、编程、推理

4）实际应用案例：让 AI 写代码

差提示：

“写一个函数，判断是否为素数。”

输出：可能直接贴一段代码，但不解释。

好提示（CoT）：

“请分步骤写出一个判断素数的 Python 函数，并说明每一步的作用。”

🤖 输出：

1. 定义函数 is_prime(n)
2. 如果 n < 2，返回 False（小于2不是素数）
3. 从2到√n遍历，检查是否有因子
4. 若无因子，返回 True
5. 否则返回 False
6. 代码如下：

def is_prime(n):
    if n < 2:
        return False
    for i in range(2, int(n**0.5) + 1):
        if n % i == 0:
            return False
    return True

3、自洽性（Self-Consistency）

1）为什么 AI 有时前后矛盾？

比如你问：

“中国最大的城市是哪个？”

AI 可能第一次答“北京”，第二次答“上海”。

这叫“幻觉+不一致”。

2）解决方案：自洽性（Self-Consistency）

让 AI 多次推理，选择最一致的答案，就像你在考试前反复检查答案，确保自己不会犯低级错误。。

问题：下列哪项是碳的同位素？A. 氧-16 B. 碳-14 C. 氢-1 D. 氮-14”

普通模式：

• AI 可能随机选 A 或 B

自洽性模式：

1. 让 AI 生成 5 条推理路径：
   • 路径1：碳的同位素是碳-12、碳-13、碳-14 → 选 B
   • 路径2：氧是8号元素，与碳无关 → 排除 A
   • 路径3：氢是1号元素 → 排除 C
   • 路径4：氮是7号元素 → 排除 D
   • 路径5：碳-14 是放射性同位素 → 选 B
2. 统计结果：B 出现 4 次，其他各1次
3. 最终输出：B. 碳-14

3）适用场景：

• 科学问答
• 数学题
• 法律/医疗咨询（要求高准确率）

4、思维树（Tree-of-Thoughts, ToT）

就像你在做人生规划时，画一张“决策树”——考虑各种选择和后果。

1）当一个问题有多个解法时，怎么办？

比如：“如何用最少的钱买到3个苹果？”

可能方案：

1. 找超市打折
2. 去批发市场
3. 自己种苹果
4. 朋友送你

AI不能只选一个，要探索多种可能性。

2）解决方案：思维树（Tree-of-Thoughts）

让 AI 像人类一样“分支思考”，尝试不同路径，选择最优解。

问题：“设计一个低成本创业项目，适合大学生。”

ToT 流程：AI 会评估每个路径的可行性、成本、收益，最终推荐：“校园快递代收”作为最佳方案。

根节点：低成本创业项目
├─ 分支1：线上服务
│   ├─ 子分支1.1：代写论文 → 风险高，易被举报
│   └─ 子分支1.2：视频剪辑 → 需技能，但市场大
├─ 分支2：本地服务
│   ├─ 子分支2.1：校园快递代收 → 成本低，需求稳定
│   └─ 子分支2.2：二手书交易 → 需资源，但环保
└─ 分支3：知识付费
    └─ 子分支3.1：在线辅导 → 需专业知识，回报高

3）优势：

• 适合开放性问题
• 能找到非显而易见的解决方案
• 提升创造性思维

二、prompt 工程为何成为必修课

1、AI 不会读心，Prompt 是“意图翻译器”

大模型（如GPT、Claude、Gemini）虽然强大，但无法自动理解你模糊的想法。

• 模糊指令：“帮我写点东西。” → 输出泛泛、低效、需反复修改。
• 精准 Prompt：“你是一位资深科技博主，用通俗语言向小白用户解释 RAG 架构，300 字以内，带一个生活类比。” → 输出即用、精准、有风格。

Prompt工程 = 把你的脑内意图，翻译成AI能执行的结构化指令。

2、效率差距正在拉大：会写 Prompt 的人 vs 不会的人

• 有人用AI 3分钟生成周报、策划案、代码、招聘 JD；
• 有人折腾半小时仍得不到满意结果，甚至认为“AI没用”。

这种差距不是工具问题，而是Prompt能力差异。正如2025年CSDN文章所言：

“未来，不会写Prompt的人，就像今天不会用Excel的人。”

3、Prompt 工程 ≠ 随便提问，而是一套系统方法论

角色：你是谁，应该用什么视角完成任务
任务：你要做什么
上下文：你可以依据什么信息
约束：你必须遵守什么规则
格式：你应该如何输出

你是一名资深的 B2B SaaS 产品经理。

请帮我整理一份用户调研总结。

目标读者是产品和研发负责人。访谈记录如下：客户A说“页面加载要10秒，找不到导出按钮在哪”；客户B说“希望能按部门统计数据，不然算绩效很麻烦”。

要求：1. 只依据访谈记录，绝对不要编造。2. 优先提取高频和影响转化的问题。3. 不要说废话。

请严格按照 Markdown 表格输出，表头为：发现问题 | 原始证据 | 影响评估 | 建议动作。

4、各岗位都在重构工作方式

企业开始建立“Prompt模板库”，将最佳实践制度化。

5、AI 进化越快，Prompt 越重要

随着模型能力增强（如多模态、长上下文、RAG 集成），Prompt 的复杂度和影响力同步提升。

• 简单问答 → 复杂任务编排（“先分析数据，再生成报告，最后提出3条行动建议”）
• 单次交互 → 多轮推理+外部知识调用（结合RAG）

谁能设计出高质量 Prompt ，谁就掌握了 AI 时代的“指挥权”。

6、结语：这不是选修，而是生存技能

正如MIT专家所言：

“你不需要懂编程，但必须掌握用语言‘编程’的能力。”

在2026年，Prompt工程已成为连接人类意图与AI生产力的核心桥梁——无论你是职场人、创业者还是学生，掌握它，就是掌握未来十年的效率杠杆。

7、Prompt 工程和上下文工程的区别

Prompt 工程决定“怎么说”，上下文工程决定“给它看什么”。

8、可复用 Prompt 模板

角色：
你是 [角色]，熟悉 [领域]。

任务：
请完成 [具体任务]。

目标：
这个结果将用于 [使用场景]，目标读者是 [读者]。

上下文：
<context>
[粘贴资料 / 检索结果 / 用户输入]
</context>

要求：
1. 只依据 context 中的信息；如果信息不足，请明确说明。
2. 优先处理 [最重要的判断标准]。
3. 不要 [禁止事项]。
4. 如果存在不确定性，请标注为“待确认”。

输出格式：
[指定 Markdown / JSON / 表格 / 章节结构]

验收标准：
- [标准 1]
- [标准 2]
- [标准 3]

三、ChatGPT 的局限性和响应机制

1、ChatGPT 的核心响应机制

1）基于概率的文本生成

• ChatGPT 并非“思考”或“理解”，而是通过统计学习预测下一个最可能的词（token）。

• 它的回答是对海量训练数据中语言模式的模仿，而非基于真实世界知识或逻辑推理。

• 举例：问：“地球是平的吗？”

• → 模型不会“知道”地球是圆的，但它在训练数据中看到“地球是圆的”这句话出现频率远高于“地球是平的”
• 因此更可能输出科学答案。

2）上下文窗口驱动

• 模型仅根据当前对话的有限上下文（如 128K tokens）生成回复。
• 超出窗口的历史会被遗忘，无法形成“长期记忆”。

3）无自主意识或意图

• 所有回答都是被动响应，没有目标、情感或自我意识。
• “它想帮你”只是拟人化错觉——本质是算法对输入的映射。

2、ChatGPT 的关键局限性

3、为什么 ChatGPT 会“一本正经地胡说八道”？

心理学类比：类似“达克效应”——能力不足者高估自己，而 ChatGPT 没有“元认知”来判断自己是否在瞎编。

这是其机制决定的：

• 模型被训练为生成流畅、连贯、符合人类偏好的文本，而非“确保事实正确”。
• 在 RLHF（人类反馈强化学习）阶段，它学会了“说得像专家”，但没学会“只说确定的事”。
• 当知识模糊时，它倾向于猜测并自信输出，而非承认“我不知道”。

4、如何应对这些局限？——实用策略

1）永远验证关键信息

• 尤其涉及：医疗、法律、金融、学术引用、技术参数等。
• 把 ChatGPT 当作“初稿助手”，而非“权威来源”。

2）用 Prompt 引导诚实性

• 如果不确定，请明确回答“我不确定”或“这超出了我的知识范围”。
• 请仅基于可靠事实回答，避免推测。如信息不足，请说明。

3）结合 RAG 或工具调用

• 通过插件、API 或 RAG 架构，让模型先查资料再回答，大幅减少幻觉。

4）交叉验证

• 用不同措辞问同一问题，看答案是否一致。
• 用多个模型（如 Claude、Gemini、Qwen）对比输出。

5）警惕“过度流畅”的陷阱

• 越是结构清晰、语言优雅的回答，越容易让人误以为“一定正确”——这正是幻觉最危险的地方。

四、构建你的第一条prompt

1、建议使用 CRISPE 框架（业界常用 Prompt 设计模板）

“你是一位______，请帮我______。背景是______。要求：1... 2... 3...。语气要______。不要______。”
记住：好 Prompt = 清晰意图 + 结构约束 + 风格引导

2、填空式构建你的 Prompt

角色：你是一位资深新能源汽车行业分析师，专注于中国市场。（C）

目标：请为公司高管撰写一份关于2025年新能源汽车市场趋势的简报，帮助制定下半年产品策略。（R）

背景：2024年中国市场新能源车渗透率已超40%，政策补贴退坡，但充电基础设施加速建设。竞争焦点转向智能化与出海。（I）

要求：
1. 聚焦三大趋势：技术（如800V快充、固态电池）、消费行为（如家庭用户偏好）、国际布局（如东南亚/欧洲出口）；
2. 每点用1-2句话说明，并附一个关键数据或事件支撑（如“据乘联会数据…”）；
3. 总字数控制在300字以内；
4. 以 bullet points 形式呈现。（S）

风格：语气专业、简洁、有前瞻性，避免营销话术。（P）

排除项/示例：不要预测具体股价或推荐个股；不要使用“革命性”“颠覆”等夸张词汇。（E）

3、AI 的典型输出

2025年中国新能源汽车市场趋势简报

• 技术迭代：800V高压平台与超快充技术快速普及，半固态电池逐步落地，补能效率与续航能力持续提升。据行业数据，2025年800V平台车型市占率已突破35%，5C超快充技术可实现10分钟补充400公里续航。
• 消费行为：家庭用户成核心消费群体，空间灵活性、安全冗余及能耗经济性为核心诉求。2025年新能源乘用车零售渗透率达54%，三排座新能源车型销量增速显著高于市场均值。
• 国际布局：出海进入本地化深耕阶段，新能源车出口占比持续攀升。据乘联会数据，2025年12月新能源车出口占乘用车出口总量的46.4%，CKD出口及海外建厂成为头部企业布局重点。

4、为什么这条 Prompt 成功？

• 角色明确 → AI 知道该用什么知识库
• 边界清晰 → 限定范围、格式、长度
• 防幻觉设计 → 要求“数据/事件支撑”
• 风格可控 → 避免浮夸，符合高管阅读习惯

五、如何高效地“拆解问题”？

1、一、为什么“拆解问题”如此重要？

大语言模型（如ChatGPT）擅长处理结构清晰、边界明确的任务，但面对模糊、复杂的提问时，容易：

• 回答不完整或泛泛而谈
• 陷入逻辑混乱
• 忽略关键细节

拆解问题 = 把“大海捞针”变成“按图索骥”

2、问题拆解的三大原则

1）从“整体”到“局部

将一个宏观目标分解为多个可执行的小任务。

模糊提问：“帮我做个年度工作总结。”

拆解后：

1. 列出本年度完成的主要项目
2. 分析每个项目的成果与挑战
3. 提炼个人成长与技能提升
4. 规划明年3个重点方向
5. 用正式语气写成报告，不超过800字

2）从“结果”到“过程”

不要只说“我要什么”，而是说明“怎么得到”。

简单指令：“写一篇关于AI对教育的影响的文章。”

拆解流程：

1. 先列出AI在教育中的3个应用场景（如智能批改、个性化学习、虚拟教师）
2. 分别分析每个场景的利弊
3. 引用1-2个真实案例（如某学校试点效果）
4. 总结未来趋势
5. 写成一篇800字议论文，标题自拟

3）从“模糊”到“具体”

用“5W2H”法追问自己：

• What（做什么？）
• Why（为什么？）
• Who（谁参与？）
• When（何时？）
• Where（哪里？）
• How（怎么做？）
• How much（多少？）

例如：“我想提高英语口语” → 拆解为：

• 目标：流利表达日常对话
• 时间：每天15分钟
• 方法：跟读+影子跟读+录音反馈
• 工具：使用AI语音评测功能
• 输出：每周生成一份进步报告

3、AI 提示词模板：快速拆解问题

请帮我将以下问题拆解成5个子问题，以便我逐步解决：
【你的原始问题】

要求：
1. 每个子问题必须独立且可操作；
2. 使用“如何…”、“需要…”、“是否…”等句式；
3. 优先考虑信息收集、分析、决策三个阶段。

示例输入：“我想做一个自媒体账号赚钱。”

输出可能包括：

1. 如何确定适合我的内容领域？
2. 需要哪些工具来制作短视频？
3. 如何找到第一批粉丝并互动？
4. 是否可以通过广告或带货变现？
5. 如何评估账号增长是否健康？

4、总结：拆解是“高阶 Prompt ”的起点

六、苏格拉底问答法与 AI-Prompt 工程

1、苏格拉底问答法

1）什么是苏格拉底问答法

• 核心定义：一种通过连续、递进的提问来引导思考、揭示假设并激发深度认知的对话方法，而非直接给出答案。
• 核心三阶段：
  • 讽刺（质疑）：通过提问暴露对方观点的矛盾或无知，打破思维定式。
  • 定义（澄清）：在反复诘难中归纳，形成明确的概念和定义。
  • 助产术（引导）：像“思想助产士”一样，引导对方自己“产出”知识和结论

2）典型示例

• 场景：探讨“什么是勇敢？”
• 传统回答：“勇敢就是不害怕，敢于冲锋。”
• 苏格拉底式追问：
  • 挑战定义：“士兵在错误的时机冲锋导致全军覆没，这是勇敢吗？”
  • 区分概念：“如果勇敢只是不害怕，那无知者无畏算不算勇敢？”
  • 引导重构：“是否可以说，勇敢是‘在明知危险时，基于正确判断的坚持’？”

2、AI 场景下的应用逻辑

• 核心转变：从“知识灌输者”转变为“认知引导者”，让 AI 成为你的“思维教练”。
• 底层逻辑：通过提问控制 AI 的输出路径，利用 AI 的推理能力层层拆解复杂问题，而非依赖其一次性给出最终答案。
• 关键优势：
  • 深度思考：迫使 AI 展示推理过程，避免“黑箱”输出。
  • 精准定制：通过多轮交互，让 AI 更贴合你的具体需求和思维逻辑。

3、具体应用策略与范例

1）策略一：概念澄清与重构

• 目标：模糊、宽泛的概念具体化，明确其边界和核心要素，避免因定义不清导致的无效讨论。
• 场景：用户想理解“数字化转型”这一概念，但直接定义往往过于抽象，难以真正理解其在实际业务中的含义。
• 苏格拉底式 Prompt： “我想深入理解‘数字化转型’。请不要直接给出定义，而是通过提问引导我思考。例如，先问我传统业务与数字技术的结合点，再引导我思考这种结合带来的根本变化。”

2）策略二：逻辑漏洞检测

• 目标：揭示支撑观点的潜在假设，检验其逻辑严谨性，发现推理链条中的断裂或矛盾。

  场景：用户有一个商业计划，认为“通过低价策略一定能抢占市场”，但这个想法可能过于简单化。

  苏格拉底式 Prompt： “我有一个商业计划：通过低价策略抢占市场。请扮演苏格拉底，通过提问来检验我的假设。例如，追问‘低价是否必然导致市场份额增加？’、‘是否有反例证明低价策略失败？’。”

3）策略三：复杂问题拆解

• 目标：将庞大、复杂的难题分解为可管理、可操作的子问题，降低认知负荷，找到切入点。

  场景：用户想探讨“如何解决气候变化”这个宏大且复杂的问题，直接回答无从下手。

  苏格拉底式 Prompt： “我们来探讨如何解决气候变化。请将这个问题拆解为几个子问题，每次只问我一个，引导我逐步思考解决方案，而不是直接给我一个宏大的答案。”

七、Prompt 设计常见误区

1、缺乏具体性：模糊指令 → 输出“泛而不精”

• 定义：给出模糊、不确定的指令，让AI无法精准理解需求。
• 反面案例：
  • Prompt：“写一篇关于旅行的文章。”
  • 输出：可能是一篇泛泛而谈的“旅行意义+通用攻略”，对“想了解某地小众玩法”“需要亲子旅行清单”的读者毫无针对性。
• 解决方法：明确目标、受众、结构、细节。
  • 例如：：“为「25-35岁职场新人」写一篇「1000字左右」的「云南小众旅行攻略」，要求：
    • ① 聚焦「雨季避雷+小众景点」；
    • ② 分3部分（出行准备、路线推荐、避坑指南）；
    • ③ 语言轻松，带个人体验感。”*

2、 忽视细节：缺少约束 → 输出“答非所问”

• 定义：缺少必要的细节约束（如格式、参数、范围），导致回答不完整或不准确。
• 反面案例：
  • Prompt：“分析手机市场的竞争格局。”
  • 输出：可能笼统讲“华为、苹果、小米竞争”，但若你实际想要“2024年折叠屏手机的市场份额对比”，这版输出就完全跑偏。
• 解决方法：补充时间、地域、维度、格式等细节。例如：
  • 分析「2024年Q1中国折叠屏手机市场」的竞争格局，要求：
    • ① 用「表格」对比华为、三星、小米的市场份额；
    • ② 分析「价格战」和「技术差异」两个核心竞争点；
    • ③ 每点不超过150字。

3、缺乏上下文：无背景 → 输出“脱离场景”

• 定义：缺少背景信息或历史对话，让AI难以理解任务的具体情境。
• 反面案例（客服场景）：用户：“我买的耳机一周内两次断连，怎么办？”
  • 客服 AI（无上下文）：“您好，请提供订单号和问题描述。”（重复询问已说过的“断连”问题，体验极差）
• 解决方法：在 Prompt 中植入历史信息+场景背景。例如：
  • 用户「张三」（订单号：123456）已反馈「耳机左右耳断连」「充电仓无法充电」两次问题，现在他再次投诉「断连未解决」，请回复：
    • ① 致歉并确认是否为同一耳机；
    • ② 提供「寄回检测+临时备用机」方案；
    • ③ 语气诚恳，带emoji。

4、期望过高：误判能力边界 → 输出“不切实际”

• 定义：对 ChatGPT 的能力边界认知不足，提出超出其能力范围的需求。
• 反面案例：Prompt：“实时查询今天上海的天气并推荐穿搭。”
  • 输出：AI会明确拒绝（或编造过时数据），因为它无法联网实时查询天气（训练数据截止2024年）。
• 解决方法：明确 AI 的能力边界（如不实时、不专业医疗/法律、不主观创造），补充外部信息。例如：
  • 基于 2024 年及之前的公开资料，分析「2023年上海夏季天气特点」并推荐穿搭，同时说明：
    • ① 数据截止时间；
    • ② 结论的局限性（如未包含2025年新信息）。

5、忽略用户反馈：不迭代→输出“持续跑偏”

• 定义：未能根据用户反馈调整 Prompt，导致持续输出不符合需求的内容。
  • 很多用户觉得：“我问一次，AI 就应该给我完美的答案。” 但现实是，AI 不知道你的个人审美或特定行业的“黑话”。如果你只说“不行”，却不告诉它“怎么改”，它下一次还是会犯同样的错。
• 场景：想让 AI 帮你写一个卖咖啡机的短视频脚本。
• 反面案例：
  • 第一轮对话：
    • 你：“写一个咖啡机的推广文案。”
    • AI：“为您推荐这款高品质咖啡机，采用意式高压萃取技术，让您在家也能享受醇厚香浓的咖啡……”（这是标准的电视购物风格，很正经。）
  • 你的反馈（误区所在）：
    • 你：“太无聊了，太官方了，一点都不吸引年轻人，重写！”
  • 结果：
    • AI：“好的，为您重新撰写。这款咖啡机是年轻人的潮流之选，口感绝佳……”（虽然换了词，但风格还是“官方广告风”，因为你没告诉它“年轻人喜欢什么风格”。）
    • 结局：你很生气，觉得 AI 没用；AI 很委屈，因为它不知道“不无聊”具体是指什么。
• 解决方法：把“反馈”转化为“具体的修改指令”，不要只说“感觉上的词”（如：不够好、太土、要高级），要说“动作上的词”（如：加个表情、删掉第二段、用“绝绝子”这个词、改成讲故事）。
  • 第一轮对话（同上）：
    • 你：“写一个咖啡机的推广文案。”
    • AI：“为您推荐这款高品质咖啡机……”（输出了无聊的官方版。）
  • 关键转折——精准反馈（这是核心！）：
    • 你：“这个风格太像电视购物了。我需要的是适合抖音的风格。请做以下修改：
      • 语气：要像朋友聊天一样，很随意、很兴奋。
      • 加入梗：开头要用‘谁懂啊’这个流行语。
      • 结构：不要只夸机器，要先讲‘早上起不来’这个痛点，再引出咖啡机有多方便。”
  • 结果（AI顿悟）：
    • AI：“谁懂啊！早八人真的起不来！每天早上能多睡一分钟是一分钟。还好我发现了这个懒人神器——XX咖啡机！闹钟一响，顺手按下它，洗漱的功夫咖啡都好了……”
    • 结局：这次输出完全符合“抖音短视频脚本”的要求。
• 总结：不要只说“感觉上的词”（如：不够好、太土、要高级），要说“动作上的词”（如：加个表情、删掉第二段、用“绝绝子”这个词、改成讲故事）。
  • 低效反馈：“写得不行，太死板。”
  • 高效反馈：“请把第一段的‘尊敬的客户’改成‘亲爱的姐妹们’，并在第三点后面加一个emoji。”