谷歌出手，直接封神。
最近谷歌发布了一份 69 页的白皮书，名字很普通：《Prompt Engineering》。
但看这个页数，你就知道，不简单。
确实，它的内容非常靠谱 —— 这是目前我看到「最全面、最工程化、最像真正在做 LLM 项目的人写出来的」提示词（Prompt）指南。
它不是那种“写两句话就能起飞”的提示词秘笈，也不是“随便摆几个例子”的走马观花式演讲稿。
而是真正从底层机制、调用参数、采样逻辑、任务分类，到高级技巧（比如 ReAct、Tree of Thoughts、自动提示生成）都讲得一清二楚，甚至还有代码、配置、输出范式，一看就是工程师内部用的东西。
我读完的第一感觉是：
如果你正在用 LLM 做事，无论是写代码、总结报告、接入 API、做自动化、还是训练 AI 助手 —— 这份文档，值得你精读。
话不多说，先附上《Prompt Engineering》白皮书下载地址。
https://wwsu.lanzouu.com/iZPi62u31oqh
https://drive.google.com/file/d/1sm8hBgZSviPswitAJNI7l2gwDS4rAeru/view?usp=sharing
01｜提示词是控制 AI 模型的一组「参数化指令」
先讲核心观念：提示词 ≠ 自然语言提示，它其实是 配置语言模型行为 的一组“组合拳”，包括：
-
提示词本身（语句、结构、范式） -
输出参数（温度、top-k、top-p） -
调用方式（system/role/context prompting） -
示例数量（zero-shot / one-shot / few-shot） -
模型选择（GPT / Claude / Gemini / DeepSeek 等） -
配套机制（JSON schema、CoT、ReAct、ToT）
提示词是一个工程动作，不是灵光乍现。
和开发一款软件产品一样，你需要不停调试，记录每次的配置、输入、输出，然后逐步调优出最稳定、最准确、高可复用的版本。
而提示工程的目标，不是“写得多像人”，而是“写得最能让模型给出符合你预期的答案”。
02｜“温度没调对，全场白忙活”
你是不是也遇到过这种情况：
明明提示词写得挺认真，模型却“口吐莲花”疯狂跑题；或者你想它多发散一些，它却始终一本正经、言简意赅，跟你想要的完全对不上。
有时候可能问题不在提示词本身，而在——模型的配置参数。
谷歌在这份白皮书里用了将近一整章讲这件事，而且讲得非常系统化和工程化。
AI 模型的关键参数共有三个。
-
温度（temperature）：决定它是“理性答题”，还是“激情发散”。低温稳、高温飘。 -
top-k / top-p：调控它“选词自由度”的两个开关，不懂也没事，默认一般都能用。 -
max tokens：不设上限，它可能说个没完；太短，它又容易截断。
下面是一组谷歌给出的推荐搭配。
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
03｜Prompt，不止多写几句那么简单
提示词，不只是“写一句有技巧的话”。
谷歌白皮书这样告诉我们：
提示词是一种结构化的工程输入方式。
示例引导型：zero-shot / one-shot / few-shot
这是最基础也最好理解的：
-
零示例（zero-shot）适合模型训练数据里就见过类似任务的场景； -
单示例（one-shot）能帮它理解你想要的格式和风格； -
多示例（few-shot）则是“人类教师式喂养”，加稳加准加控制输出结构。
但也讲究“活学活用”，比如分类任务的多示例提示词，一定要打乱标签顺序，否则模型容易“看例子学顺序”，影响泛化能力。
身份设定型：System / Role / Context Prompting
这一类技巧大概率你已经在用，只是可能没系统命名过。
-
System Prompt 是“总任务描述”； -
Role Prompt 是“你现在是谁”； -
Context Prompt 是“你现在知道了什么”。
谷歌建议：三者叠加用，效果翻倍。
你让它做个“审计专家 + 已知公司上下文 + 要求输出 JSON 的结构化表格”，整个输出就从“作文”变成“格式化系统接口”。
推理引导型技巧：让它不直接答，而是先思考
推理引导型技巧包括五种玩法，分别适合不同类型的复杂任务。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
举个最常见的 CoT 例子。
Let’s think step by step.
让模型自己写 prompt
让模型自己写提示词，Automatic Prompt Engineering（APE），怎么理解？
其实就是你告诉模型你的需求和目标，让模型自己来写提示词，从它写出来的提示词里挑最好的留下来，并且还能进一步调试优化。
这种玩法特别适合“用 AI 训练 AI”的场景，比如生成对话语料、覆盖各种场景、构造训练数据集。非常省心，效果也很可控，实测真香。
04｜三条提示词规则
最后，总结三条很重要但容易被忽略的提示词规则。
-
提示词要像代码一样管理：版本要记录，修改要有注释。
推荐用表格 + 工程笔记方式整理。
-
尽量用正向指令，而不是列限制条件。
“请直接输出 JSON 格式”，比“不要生成段落文字”更清晰有效。
-
输入方式影响比你想象的大得多。
同一个任务，你用问句、命令句、甚至模板化输入，模型的行为完全不同。
提示工程的尽头，是提示词写得越来越短，参数调得越来越对，场景理解越来越清晰。
结语
这不是一份拿来凑热闹的“提示词炒冷饭”指南，而是一整套能落地、能复用、真实有效的工程思维手册。
如果说过去我们都在“和模型对话”，谷歌这份白皮书，更像是把“怎么跟模型说话才有用”这件事讲清楚了。
建议收藏，建议慢慢啃。
我是木易，一个专注AI领域的技术产品经理，国内Top2本科+美国Top10 CS硕士。
相信AI是普通人的“外挂”，致力于分享AI全维度知识。这里有最新的AI科普、工具测评、效率秘籍与行业洞察。
欢迎关注“AI信息Gap”，用AI为你的未来加速。
（文：AI信息Gap）