chore(ci): blog sync

Author: coderPerseus

data/blog/post-62.mdx

@@ -0,0 +1,120 @@
+---
+title: Google 官方提示工程白皮书，中英文版本免费领
+date: 2025-04-14T15:33:16Z
+slug: post-62
+author: coderPerseus：https://github.com/coderPerseus
+tags: ["AI","AI 提示词"]
+---
+
+大家好，我是 luckySnail ，文末会分享如何获取 Google 提示词白皮书的资源地址，现在让我们先了解一下它吧！
+
+想象一下，大型语言模型（LLM）就像一个超级聪明的“阿拉丁神灯”，能回答问题、写文章、写代码，几乎无所不能。但是，怎么才能让这个“神灯”准确理解你的愿望，并给出最想要的答案呢？答案就是——**提示工程 (Prompt Engineering)**！
+
+最近，Google 发布了一份官方的提示工程白皮书，就像一本“神灯使用说明书”，系统地介绍了如何更好地与 LLM 沟通。别担心，“工程”听起来很复杂，但这份白皮书告诉我们：“每个人都可以编写提示！” 这篇文章就带你用最简单有趣的方式，快速了解这本“说明书”。
+
+## 什么是提示工程？为什么叫“工程”？
+
+简单来说，**提示工程就是设计出高质量提示词，引导 LLM 给出准确、有用输出的过程**。
+
+这不是随便问个问题那么简单。你需要考虑用什么模型、怎么措辞、给多少背景信息等等。这就像做菜，同样的食材，不同的调料和火候，味道就千差万别。
+
+之所以叫“工程”，是因为它是一个需要**设计、优化、评估、调试**的系统过程，需要不断尝试和改进，才能找到最佳“配方”。
+
+## 不仅仅是提问：掌控 LLM 的“魔法旋钮”
+
+除了写好提示，我们还需要了解 LLM 的一些“魔法旋钮”，也就是输出配置，它们能控制 LLM 如何“说话”：
+
+- **输出长度 (Max Tokens)**：想让它话痨还是简洁？可以限制它最多说多少个“字”（令牌）。但注意，限制长度不等于自动变简洁，想简洁还得在提示里说清楚。
+    
+- **温度 (Temperature)**：想让回答更“稳重”还是更“有创意”？调低温度，回答更固定、准确；调高温度，回答更多样、天马行空。温度为 0 时最“死板”，总是选最可能的那个词。
+    
+- **Top-K & Top-P**：这两个参数决定了 LLM 在预测下一个词时有多少“备选项”。Top-K 是选概率最高的 K 个，Top-P 是选概率加起来超过 P 的那些。怎么选最好的 K 或 P？答案是多试试！
+    
+
+注意这些“旋钮”会互相影响，需要理解它们的配合才能更好地控制输出。
+
+## 核心提示技巧：让 LLM 更懂你的“十八般武艺”
+
+白皮书介绍了很多实用的提示技巧，就像不同的“武功招式”，下面一个个来看：
+
+1. **零样本 (Zero-shot)**：最直接的方式，啥例子也不给，直接描述任务让 LLM 干活。（“给我总结下这段文字。”）
+    
+2. **单样本 & 少样本 (One/Few-shot)**：给 LLM 看一两个甚至三五个“样板”，让它照着学。这招特别管用，能让输出格式更符合你的要求。（“例子：输入‘苹果’，输出‘水果’。现在输入‘土豆’，输出？”）
+    
+3. **设定“人设”和“场景” (System, Role, Context)**：
+    
+    - **系统提示**：给 LLM 定个“总基调”。（“你是一个严谨的科学编辑。”）
+        
+    - **角色提示**：让 LLM 扮演特定角色。（“你现在是莎士比亚，给我写首诗。”）
+        
+    - **上下文提示**：提供具体背景信息。（“背景：我们在讨论周末去哪儿玩。选项A是爬山，选项B是看电影。请分析利弊。”）
+        
+4. **退一步思考 (Step-back)**：遇到复杂问题，先引导 LLM 思考一个更宏观、更普遍的问题，再回来解决具体问题，这样能让它“思路更开阔”。
+    
+5. **思维链 (Chain of Thought - CoT)**：让 LLM “一步一步地想”，把推理过程写出来。这能显著提高复杂问题的准确性。（“请解释为什么天空是蓝色的，一步一步来。”）
+    
+6. **自我一致性 (Self-consistency)**：让 LLM 针对同一个问题，用不同的“思路”（推理路径）想几次，然后选那个最常出现的答案，提高结果的可靠性。
+    
+7. **思维树 (Tree of Thoughts - ToT)**：CoT 的升级版，让 LLM 同时探索多个不同的推理“小路”，适合需要深度探索的复杂任务。
+    
+8. **推理与行动 (ReAct)**：让 LLM 不仅能“想”，还能“做”，比如结合搜索引擎查找最新信息，或者调用计算器进行计算。
+    
+
+## LLM 也能当“码农”：代码提示技巧
+
+白皮书还专门讲了怎么让 Gemini (Google 的 LLM) 帮你搞定代码：
+
+- **写代码**：告诉它你想用什么语言实现什么功能。
+    
+- **解释代码**：把看不懂的代码丢给它，让它解释。
+    
+- **翻译代码**：比如把 Python 代码转成 Java。
+    
+- **调试和审查代码**：给出错误信息和代码，让它帮你找 Bug，提改进建议。
+    
+
+## 让 AI 帮你写提示：自动提示工程 (APE)
+
+写提示写累了？还有更高级的玩法：让 LLM 自己去生成和优化提示！这就是自动提示工程，让 AI 帮助 AI 变得更好用。
+
+## 成为提示高手的“秘籍”：最佳实践
+
+白皮书给出了很多实用的建议，助你成为提示高手：
+
+- **给例子！给例子！给例子！** （重要的事情说三遍）少样本提示效果拔群。
+    
+- **保持简洁清晰**：指令越明确越好。
+    
+- **说清楚你要啥**：明确输出的格式、长度、内容。
+    
+- **多用肯定句**：告诉它“做什么”，而不是“不要做什么”。
+    
+- **控制输出长度**：用配置或提示明确限制。
+    
+- **用变量让提示更灵活**：方便重复使用。
+    
+- **大胆尝试**：不同的措辞、格式、风格都试试。
+    
+- **记录你的尝试**：记下哪些提示有效，哪些无效，不断学习。
+    
+- **和别人交流**：分享经验，互相启发。
+    
+- **关注模型更新**：模型会进化，你的提示也要跟上。
+    
+
+## 未来趋势：多模态提示
+
+白皮书也提到了未来可以用文字、图片、声音等多种信息组合起来给 LLM 下指令，但这部分还没深入展开。
+
+## 总结
+
+Google 的这份提示工程白皮书，就像一本现代版的“与 AI 共舞”指南。它告诉我们，掌握提示工程这门“手艺”，是充分发挥 LLM 潜力的关键。无论你是开发者、写作者、学生还是任何想利用 AI 的人，理解并实践这些原则和技巧，都能让你手中的“阿拉丁神灯”更加听话、更加强大。如果你想更了解和学习提示工程，强烈建议看完整版本的提示工程白皮书，地址如下：
+翻译为中文在线查看地址： https://baoyu.io/blog/google-prompt-engineering-whitepaper
+英文在线访问和下载地址： https://drive.google.com/file/d/1AbaBYbEa_EbPelsT40-vj64L-2IwUJHy/view?pli=1
+下面是我让 notebooklm 生成的大纲，推荐你也结合它一起进行快速学习
+![image.png](https://blog-1304565468.cos.ap-shanghai.myqcloud.com/work/20250414230001.png)
+
+
+
+---
+此文自动发布于：<a href="https://github.com/coderPerseus/blog/issues/62" target="_blank">github issues</a>