提示工程技巧：零样本、少样本、思维链等的实用指南

一份动手实践的提示工程指南：一个好提示的构成、核心技巧（零样本、少样本、思维链、角色提示、分隔符、输出格式化、任务分解、ReAct）、影响输出的推理设置、提示安全风险，以及 AIF-C01 等基础 AI 考试所测试的内容。

作者：CertLabPro TeamSeptember 17, 202612 min read

提示工程是改变大型语言模型行为最廉价、最快捷的方式：你改变的是输入，而不是模型。无需训练、无需数据管道、无需 GPU 账单 - 只需要更清晰的指令。它是定制阶梯的第一级（完整的阶梯参见 AI 模型是如何训练的），并且在每一门基础 AI 与生成式 AI 考试中都被大量测试，从 AWS AI Practitioner (AIF-C01) 到 Azure 和 Google Cloud 的同类考试。

本指南与具体厂商无关 - 这些技巧在任何现代 LLM 上的作用都是一样的。它涵盖一个好提示的构成、核心技巧及各自的适用场景、影响输出的推理设置，以及你必须了解的安全风险。凡是考试会侧重之处，都会附上一条"考试要点"提示。请把它当作一份按章节浏览的参考资料。

提示工程是什么（以及不是什么）

是什么。 精心设计并打磨你给模型的文本，使它返回你想要的输出。它利用的是模型在预训练期间已经学到的东西；你是在引导它，而不是在教它。

为什么重要。 它几乎免费且即时见效。在你动用 RAG 或微调之前 - 这两者要付出数据、金钱和时间的代价 - 你应当先把提示的潜力用尽。往往一个更好的提示就能弥合整个差距。

不是什么。 它不会改变模型的权重。如果模型只是缺乏相关知识（你的私有数据）或某种可靠的行为，仅靠提示无法解决 - 这时你就要往上攀登到 RAG 或微调。不要把提示工程（写更好的指令）与提示微调（一种学习"软提示"向量的训练技术）混为一谈；考试把提示工程视为无需重新训练的那个选项。

一个好提示的构成

大多数强有力的提示最多包含四个部分：

指令 - 任务本身："总结""分类""翻译""提取"。
上下文 - 模型所需的背景：受众、语气、领域、约束条件。
输入数据 - 需要处理的实际内容。
输出提示 - 答案的形式："返回 JSON""一句话""一份项目符号列表"。

让每个部分发挥作用的原则：

具体且无歧义。 "为非技术读者写一段 3 句话的总结"胜过"总结这段内容"。
优先使用正面指令。 告诉模型该做什么，而不仅仅是不该做什么；"只用类别名称作答"比一堆"不要"的规则更清晰（尽管负面约束也有其用武之地 - 见下文）。
给出约束条件。 长度、语气、阅读难度、格式、需要排除的内容。
使用分隔符。 用清晰的分隔标记把输入包裹起来 - 三重引号、XML 风格的标签，或 markdown 标题 - 好让模型知道指令在哪里结束、数据从哪里开始。这也降低了用户提供的文本被当作指令读取的风险（见提示注入）。
明确输出契约。 如果输出会被另一个程序读取，就写明确切的格式（带有这些键的有效 JSON，前后不带任何叙述文字）。除非你要求，否则模型不会遵守结构。

核心技巧

零样本提示

是什么。 让模型在没有任何示例的情况下完成任务，纯粹依赖它的预训练知识。

何时用。 模型显然见过的简单、常见任务（基本分类、直截了当的总结、常规问题）。

风险。 如果任务很不寻常，或远离模型的训练范围，零样本的结果可能不可靠 - 这就是你该添加示例的信号。

考试要点。 零样本意味着提示中没有示例。它被明确点名的风险是：当任务离模型所学太远时表现不佳。

单样本与少样本提示（上下文学习）

是什么。 在提示中加入一个（单样本）或几个（少样本）"输入-期望输出"的示范例子，让模型推断出其中的模式。这也被称为上下文学习，因为模型是在不更新任何参数的情况下，从提示的上下文中"学会"任务的。

何时用。 任务具有你希望被一致匹配的特定格式、标签集合或风格 - 例如把消息归入你自己的类别，或匹配某种特定语气。

怎么做。 展示 2 到 5 个干净、有代表性、覆盖各类情况的示例，然后给出新的输入。示例之间格式的一致性比数量更重要。

考试要点。 少样本学习和上下文学习是同一个理念：提示中带有示例，无需重新训练。对于"让模型在不微调的情况下遵循某种特定模式或标签方案"，它就是首选答案。

思维链（CoT）提示

是什么。 让模型在给出最终答案之前一步一步地推理，而不是直接跳到答案。

何时用。 多步骤问题：算术、逻辑、规划，以及任何借助中间推理会有帮助的场景。

怎么做。 要么提供展示推理过程的示例（少样本 CoT），要么只需附加一个触发语句，如 Let's think step by step，在没有示例的情况下引出推理（零样本 CoT）。

考试要点。 思维链是用于提升复杂、多步骤推理表现的那个被点名的技巧。

自洽性

是什么。 多次运行思维链（带一些随机性），然后选取在这些运行中出现最频繁的那个答案。

何时用。 高风险的推理场景，单条推理链可能出错；采样多条并投票能提升可靠性。

角色（人设）与系统提示

是什么。 告诉模型要扮演谁 - "你是一位资深税务顾问""你是一位言简意赅的代码审查者"。在聊天模型中，这往往放在一个独立的系统提示里，用来设定持续的行为。

何时用。 用于在整段对话中固定语气、专业程度或视角。

怎么做。 一开始就说明角色、受众和约束条件。保持系统提示稳定；变化的是用户提示。

分隔符与结构

是什么。 使用明确的标记来分隔提示的各个部分（指令与数据与示例）。

为什么。 它能提升模型对每个部分的遵守程度，而且重要的是，有助于阻止不受信任的输入被解读为指令。

输出格式化

是什么。 明确规定确切的输出格式，理想情况下，要求模型把答案用标签包裹起来或返回严格的 JSON。

为什么。 当输出要喂给另一个程序或模型时，这一点至关重要。一份明确的输出契约能把不稳定的解析变成可靠的流水线。

提示模板

是什么。 可复用、带参数的提示结构，其中的占位符在运行时填入。

为什么。 一致性与可维护性 - 你的应用每次都产出同一个经过充分测试的提示，只有输入在变化。托管平台常常正是为此提供提示模板和提示管理功能。

任务分解与提示链

是什么。 把一个复杂的工作拆成更小的提示，并把每一步的输出喂给下一步。

何时用。 当一个任务太大或太多阶段，单个提示无法胜任时（先提取，再分析，再起草）。链式处理比一次性要求所有东西更可靠，而且每一步都更容易测试。

ReAct（推理 + 行动）

是什么。 一种让模型在推理与行动之间交替进行的模式 - 调用工具、搜索或查询数据 - 然后观察结果并继续。它是智能体背后的提示理念。

何时用。 当模型需要外部信息，或必须在现实世界中采取步骤，而不只是凭记忆作答时。（这把提示工程与智能体框架连接了起来。）

负面提示

是什么。 明确说明要排除或避免什么 - "不要包含个人观点""排除任何代码"，或者对图像模型而言，列出你不想要的元素。

何时用。 用于排除已知的失败模式。把它当作对正面指令的有针对性的补充，而不是提示的全部。

影响输出的推理设置

提示文本只讲了故事的一半。以下这些生成参数无需改动你提示中的一个字，就能改变输出：

温度（Temperature） - 随机性。低（接近 0）给出确定性、可重复、聚焦的答案；高则给出富有创意、多样化的答案。
Top-p（核采样） 和 top-k - 限制模型可从中采样的候选下一个 token 的范围，是控制多样性的另一个调节杆。
最大 token 数（Max tokens） - 为响应长度设定上限。
停止序列（Stop sequences） - 告诉模型停止生成的字符串。

考试要点。 "让答案更一致或更可重复"意味着降低温度。要知道温度和 top-p/top-k 控制的是随机性和多样性，且是在推理时设定的，并没有固化进提示文本里。

提示与 RAG、微调各自的定位

提示工程是第一个该尝试的手段，但它有局限。定制阶梯，从最便宜的开始：

提示工程 - 塑造指令。不带来新知识，不重新训练。
RAG（检索增强生成） - 在查询时把你自己的最新数据注入提示中。当模型需要它从未训练过的事实，或知识频繁变化时使用它。
微调 - 在带标签的示例上重新训练，以固化某种行为或风格。当提示和 RAG 仍不够一致时使用它。

考试要点。 如果某个场景需要私有或最新的事实，仅靠提示做不到 - 那是 RAG。如果它需要一种可靠重复的行为或领域风格，那是微调。当模型本已能完成任务，只是需要更清晰的引导时，提示才是答案。

提示安全与负责任的使用

提示是一个攻击面。基础考试在负责任的 AI 与安全的名目下测试这些内容：

提示注入 - 攻击者在用户提供的输入中（或在模型读取的文档中）隐藏指令，以覆盖你的系统提示，劫持模型的行为或下游动作。
越狱 - 精心构造的提示，绕过模型的安全护栏，产出受限或有害的输出。
提示泄露 - 诱使模型透露它自己隐藏的系统提示或机密上下文。
对抗性提示 泛指 - 这些操纵技巧的统称。

你应当了解的缓解措施：

把受信任的指令与不受信任的用户输入分开并清晰地用分隔符隔开；切勿盲目地把它们拼接在一起。
校验并净化输入；限制模型被允许输出和执行的内容。
在输入和输出两端都施加护栏 / 内容过滤和 PII 脱敏。
给予模型及任何连接的工具最小权限访问，这样一次成功的注入也做不了多少事。
在高风险动作上保留人工介入环节。

提示还有助于应对幻觉：用检索到的事实（RAG）为模型提供依据，要求它引用来源，并明确允许它说"我不知道"，好让它不再编造答案。降低温度并加入事实依据能减少那些自信满满的胡说。

最佳实践清单

从简单开始；只有当简单的提示失败时，才增加复杂度（示例、推理、链式处理）。
具体一点：说明任务、受众、约束条件和确切的输出格式。
使用分隔符把指令与数据分开。
当你需要某种特定模式时，添加示例（少样本）；当你需要推理时，添加 Let's think step by step。
在真实输入上迭代和测试；措辞上的细微改动很重要。
为求一致就降低温度；为求创意就调高温度。
把用户输入当作不受信任的；用分隔符隔开它、校验它，并守护输出。

30 秒决策指南

简单、熟悉的任务 -> 零样本
需要特定格式或标签方案 -> 少样本（上下文学习）
多步骤推理 -> 思维链（添加 Let's think step by step）
在困难推理上需要更高可靠性 -> 自洽性（采样并投票）
在整段对话中固定语气或专业程度 -> 角色 / 系统提示
输出要喂给另一个程序 -> 指定严格的输出格式（JSON、标签）
任务对单个提示来说太大 -> 分解并链式处理
模型需要工具或实时数据 -> ReAct / 智能体
需要私有或最新的事实 -> RAG，而非提示
需要一种可靠重复的行为 -> 微调，而非提示
让输出具有确定性 -> 降低温度

如何学习本主题

对于考试，练习把场景与技巧对应起来，并弄清那些容易绊倒人的边界：零样本与少样本、作为推理工具的思维链、作为一致性调节杆的温度，以及 - 最关键的那个 - 提示与 RAG 与微调的区别（引导 vs 添加事实 vs 改变行为）。对于实际工作，让提示保持具体、有分隔符且经过测试，并把每一个用户提供的字符串都当作不受信任的。做练习题时打开这份 30 秒决策指南，当你做错某道题时，回到本文重读那个技巧，直到界限变得清晰。

来源：AWS Certified AI Practitioner (AIF-C01) 考试指南与题目领域，以及标准的提示工程参考资料，截至 2026 年 9 月。