Google Prompt Engineering 精读
一、书籍核心信息总览
书名：Prompt Engineering
作者：Lee Boonstra（谷歌官方团队）
核心定位：谷歌官方面向Vertex AI/Gemini模型的提示工程实操指南，面向非数据科学家、普通开发者的LLM提示工程入门与进阶手册
出版时间：2025年2月
核心主题：讲解LLM提示工程原理、输出参数配置、全场景提示技术、代码提示方法及落地最佳实践
核心价值：解决提示词无效、输出模糊、推理错误等问题，提供可直接落地的提示工程方法论与案例
二、全书详细关键信息总结
1. 提示工程基础
LLM本质是下一个token预测引擎，提示工程是设计高质量输入引导模型输出精准结果的迭代过程。
影响提示效果的核心因素：模型选型、训练数据、输出配置、措辞、结构、上下文。
适用任务：文本摘要、信息提取、问答、分类、代码生成/翻译/调试、多模态交互。
2. LLM输出配置
- 输出长度：控制生成token数，影响算力、成本、响应速度，ReAct等技术需严格限制长度避免无效token
- Temperature：控制随机性，0=确定性输出，高值=创意输出，极值易引发重复循环bug
- Top-K：选取概率前K的token，低值= factual输出，高值=创意输出
- Top-P：核采样，选取累积概率≤P的token，平衡随机性与准确性
- 参数组合：Temperature=0时Top-K/Top-P失效；推荐初始值：常规0.2/0.95/30，创意0.9/0.99/40， factual0.1/0.9/20
- 避坑：参数设置不当会引发重复循环bug，需平衡确定性与随机性
3. 核心提示技术
- 零样本提示：无示例，仅描述任务，适合简单任务（如情感分类）
- 单样本/少样本提示：提供1个/多个示例，复杂任务需3-5个示例，样本需多样、覆盖边界案例
- 系统提示：定义模型核心任务、输出格式（如JSON）、安全规则，降低幻觉
- 角色提示：赋予模型身份（导游、教师、开发者），统一输出风格与语气
- 上下文提示：提供任务背景信息，提升输出精准度
- 回溯提示：先问通用问题激活背景知识，再解决具体问题，提升推理准确性
- 思维链(CoT)：引导模型分步推理，解决数学、逻辑问题，零样本+「step by step」即可生效
- 自一致性：生成多条推理路径，投票选最优答案，提升复杂任务准确率
- 思维树(ToT)：多分支推理，适合需要探索的复杂任务
- ReAct：推理+调用外部工具（搜索、API），实现Agent能力，需LangChain+SerpAPI实现
- 自动提示工程(APE)：用LLM生成提示词，评估筛选最优版本，自动化优化提示
4. 代码提示全场景
- 代码生成：指定语言、功能，生成可运行代码（如Bash批量重命名脚本）
- 代码解释：拆解代码逻辑，适合团队协作读代码
- 代码翻译：跨语言转换（Bash转Python）
- 代码调试：定位错误、修复bug、提供优化建议
5. 多模态提示
融合文本、图像、音频等多模态输入，突破纯文本限制，适配多模态模型能力。
6. 落地最佳实践
- 必加示例，少样本优先
- 提示简洁，用动词明确指令（Act/Generate/Classify）
- 明确输出要求（长度、格式、风格）
- 用正向指令替代约束，避免「不要做什么」
- 控制token长度，使用变量实现提示复用
- 分类任务打乱样本顺序，避免过拟合
- 适配模型更新，迭代提示词
- 结构化输出优先用JSON，减少幻觉
- 用JSON Schema规范输入输出，用json-repair修复截断JSON
- 文档化记录所有提示迭代（目标、模型、参数、提示、输出）
- CoT任务Temperature设为0，保证推理确定性
7. 核心结论
提示工程是迭代试错过程，组合参数、技术、最佳实践，可大幅提升LLM输出质量。
