--- title: "Prompt (language models) — 提示词" source: "https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D" wiki: "systems-analysis.info/int" article: "Prompt_(language_models)_—_提示词" language: "zh" categories: - "Category:Chinese" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 5981 wiki_created_at: 2026-09-06T23:56:44Z wiki_modified_at: 2026-09-06T23:56:44Z downloaded_at: 2026-09-07T23:11:23Z --- # Prompt (language models) — 提示词 **提示词**（Prompt，源自英文“prompt”——意为“提示”或“文本请求”）在大语言模型 (LLM)的语境下，是用户为生成所需回复而提供给模型的输入文本或指令^{[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-google_guide-1)}。提示词为模型阐述任务，包含必要的条件、上下文和示例。模型的性能在很大程度上取决于提示词的质量。研究文本请求开发与优化方法的学科被称为提示词工程（*prompt engineering*）。其目标是从 AI 模型中获得最相关、最准确和最安全的回答^{[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-wiki_prompt-2)}。一个精心设计的提示词能为模型设定任务执行的“路线”，帮助明确所需的上下文和期望的结果^{[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-google_guide-1)}。 ## 发展历史通过文本提示来控制 LLM 行为的理念，随着模型能力的增强而不断发展。 ### 早期阶段 (GPT-2) 早在2019年，OpenAI的研究人员就证明了像**GPT-2**这样的大型预训练语言模型，能够在没有额外训练的情况下，通过文本形式阐述任务来解决新问题。论文*《Language Models are Unsupervised Multitask Learners》*标志着一个根本性的转变：不再需要为每个任务对模型进行微调，只需在输入端为其提供清晰的指令即可^{[\[3\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-gpt3_paper-3)}。 ### GPT-3的突破与情境学习 (In-Context Learning) 真正的突破发生在2020年**GPT-3**模型发布之时。GPT-3拥有1750亿参数，展示了**情境学习**（*in-context learning*）的能力——即从请求文本中直接提供的几个示例中“即时”掌握新任务^{[\[3\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-gpt3_paper-3)}。这种工作模式被称为**小样本学习**（*few-shot learning*，“少量样本学习”），并表明，扩大模型规模可以在不进行任何权重微调的情况下，高质量地完成NLP任务。 ### Chain-of-Thought (CoT) - 思维链的出现 2022年的进一步发展与模型复杂逻辑推理能力的提升有关。研究人员提出了思维链（*chain-of-thought prompting*）格式的特殊提示词。在这类提示词中，模型不仅接收到问题，还会看到一个在给出答案前进行连贯、分步推理的示例。这显著提高了模型在算术和逻辑任务上的准确性^{[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-wiki_prompt-2)}。Kojima及其同事的研究表明，即使没有示例（*zero-shot*），也可以通过在请求末尾添加“让我们一步一步地思考”这句话来激励模型进行推理^{[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-wiki_prompt-2)}。 ### 多模态提示词提示词的概念已经超越了文本范围。2022年，随着**DALL-E 2**和**Stable Diffusion**等模型的出现，自然语言的用户请求成为了生成图像、乃至后来的音乐和视频的通用接口。 ## 提示词的类型与技术提示词有几种主要类型和技术，它们常常结合使用。 ### Zero-shot prompting - 零样本提示模型只接收指令或问题，**不包含任何示例**。在这种模式下，LLM 依赖于其在预训练期间获得的通用知识。适用于翻译或文本摘要等简单任务^{[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-google_guide-1)}。 ### Few-shot prompting - 少样本提示除了指令，提示词中还包含**一个或多个示例**，每个示例都带有输入和期望的输出。模型通过这些样本“即时学习”，并将学到的逻辑应用于新的请求。这种实现*情境学习*（in-context learning）的方法，在对特定格式或回答风格有要求的任务上，能显著提高准确性^{[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-google_guide-1)}。 ### Chain-of-Thought (CoT) - 思维链这是一种特殊的提示词，适用于需要复杂推理的任务（如数学、逻辑）。提示词中包含了在给出最终答案之前的分步解析或解题计划。这能促使模型明确地构建其推理过程，从而显著提高结果质量^{[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-wiki_prompt-2)}。 ### Prompt Tuning - 提示词调整该技术使用**自动优化**的提示词，而非手动编写。提示词以一组特殊的可训练标记（连续向量）的形式表示，并附加到用户请求之前。通过仅训练这个小小的向量-提示词，就可以用最小的计算成本使一个大型“冻结”模型适应新任务^{[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-wiki_prompt-2)}。 ## 作为一门学科的提示词工程 ### 职业的出现 LLM 能力的增长催生了一个新的专业领域——**提示词工程师**。这些专家负责开发和调试文本提示，以从 AI 处获得期望的行为。提示词工程师利用语言学、逻辑学和心理学知识，以最有效的方式构建输入数据^{[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-wiki_prompt-2)}。2022-2023年间，首批该职位的招聘信息出现，反映了市场对有效与 AI 系统交互技能的高需求。 ### 职业的未来与自动化该领域发展迅速，其未来已成为讨论的焦点。例如，VMware 在2024年的研究表明，AI 本身能够通过迭代和优化找到有效的请求表述，其效果往往优于人类^{[\[4\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-ieee_dead-4)}。这催生了一种观点，即手动提示词工程可能只是一种暂时现象，自动提示词选择工具最终将成为标准。然而，截至2025年，提示词工程领域的专业知识仍然备受追捧。 ## 应用领域 - **自然语言处理**：经典的NLP任务，如文档自动摘要、机器翻译、问答和信息提取。 - **聊天机器人与虚拟助手**：提示词有助于设定角色、沟通风格和回答格式，使对话系统更加一致和实用。 - **代码生成**：像OpenAI Codex这样的模型能够根据自然语言描述编写程序代码，从而加快开发速度。 - **数据分析**：通过提示词，可以配置模型从非结构化的文本报告中提取见解或生成假设。 - **教育**：创建智能导师，能够根据学生的准备水平生成习题、解释复杂概念并检查答案。 - **创意产业**：根据详细描述生成文本、艺术图像、音乐和剧本。 ## Prompt Injection - 提示词注入 LLM 接口的开放性导致了一类新型攻击的出现——**提示词注入**（*prompt injection*）。攻击者构建一种特殊的恶意请求，迫使模型违反其初始指令或泄露隐藏信息^{[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_note-wiki_prompt-2)}。专家们认为这是一种“代码注入”式攻击，但注入的不是代码，而是巧妙的文本指令。 ### 攻击类型 - **越狱**（Jailbreak）：一种攻击方式，允许模型“逃脱”其被施加的限制（例如内容审核策略），从而生成被禁止的内容。一个著名的例子是**DAN提示词**（Do Anything Now），它曾迫使ChatGPT在无审查的情况下回答问题。 - **提示词泄露**（Prompt Leaking）：通过特殊请求迫使模型泄露其隐藏的系统提示词片段。 - **令牌走私**（Token Smuggling）：将恶意指令伪装成请求中无害的一部分（例如一段代码），以绕过过滤器并引发不当行为。这些攻击构成了一个严峻的挑战，因为传统的网络安全方法难以应对与自然语言解释相关的威胁。 ## 参考文献 - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916. - Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190. - Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [5]. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF. ## 注释 1. ↑ ^{[1.0](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-google_guide_1-0)} ^{[1.1](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-google_guide_1-1)} ^{[1.2](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-google_guide_1-2)} ^{[1.3](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-google_guide_1-3)} “Prompt Engineering for AI Guide”. *Google Cloud*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-wiki_prompt_2-0)} ^{[2.1](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-wiki_prompt_2-1)} ^{[2.2](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-wiki_prompt_2-2)} ^{[2.3](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-wiki_prompt_2-3)} ^{[2.4](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-wiki_prompt_2-4)} ^{[2.5](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-wiki_prompt_2-5)} ^{[2.6](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-wiki_prompt_2-6)} “提示工程”。*维基百科*. [2] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-gpt3_paper_3-0)} ^{[3.1](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-gpt3_paper_3-1)} Brown, Tom B., et al. «Language Models are Few-Shot Learners». *arXiv:2005.14165* \[cs.CL\], 28 мая 2020 г. [3] 4. [↑](https://systems-analysis.info/int/Prompt_(language_models)_%E2%80%94_%E6%8F%90%E7%A4%BA%E8%AF%8D#cite_ref-ieee_dead_4-0) «AI Prompt Engineering Is Dead». *IEEE Spectrum*. [4]