资源介绍
视频数量：28个
总时长：3小时2分
课程介绍：
提示工程精通
你有没有遇到过这种情况：同样问AI一个问题，别人得到的答案精准实用，你得到的却是一堆车轱辘话？问题很可能不在AI本身，而在你怎么问它。
提示工程就是研究怎么跟大语言模型有效沟通的学问。它不是玄学，也不靠运气。这门课会从头讲清楚大语言模型到底是怎么工作的，然后一步步带你掌握从基础到高阶的各种提示技巧。整个课程28个视频，三出头的时长，节奏紧凑，没有废话。
一、基础入门
很多人以为大语言模型是在数据库里查答案，其实完全不是。它做的事情简单说就是预测下一个词。你给它一段文字，它根据训练时学到的海量文本模式，算出接下来最可能出现的词是什么，然后一个词一个词地往外蹦。这个机制决定了它的能力和局限，也决定了写提示的基本逻辑。
课程第一章花了不少篇幅讲几个关键概念。第一个是词元，模型不直接处理单词，而是把文本切成一个个词元来理解。同一个单词在模型眼里可能是一个词元，也可能是好几个。一个英文单词unbelievable能被切成三个词元，中文的情况更复杂。这些细节直接影响到上下文窗口能塞多少内容，以及模型的响应质量。第二个是上下文窗口，简单理解就是模型一次能处理的最大信息量，超过这个量，早期说的东西就会被遗忘或稀释。第三个是概率分布，模型每次生成其实是在一堆可能的词里按概率抽样，理解这点能帮你理解为什么同样的问题答案会有变化。
二、提示结构与核心技巧
这部分开始教具体的写法。先讲清楚一个提示应该包含哪些部分：指令、上下文、输入内容和期望的输出格式。这个框架看似简单，但很多人写提示的时候就是把要求一股脑儿堆上去，完全没有结构，结果模型不知道该重点处理什么。
然后介绍几种基本的提示方式。Zero-shot就是直接下命令，不给例子，适用于简单明确的任务。One-shot和Few-shot分别给一个和几个示例，让模型从例子中理解你的意图和格式要求，在处理模糊或复杂的任务时效果明显好很多。角色提示法是给模型设定一个身份，比如“你是一位资深的数据分析师”，这种设定能显著影响回答的角度和专业程度。最后还有一种容易被忽视的技巧叫负向提示，就是明确告诉模型不要做什么，比如不要给出法律建议、不要使用专业术语，指定边界有时候比指定内容更有效。
三、推理与复杂任务
这是课程里技术含量比较高的部分，专门解决复杂问题。
Chain-of-thought，思维链提示，是这两年最被广泛讨论的技巧之一。它要求模型在给出最终答案之前，先把推理步骤一步一步写出来。这个方法能让模型在数学题、逻辑推理等需要多步思考的任务上表现大幅提升。课程会解释背后的原理，以及怎么引导模型展开思维链。
后退提示法是另一个很有意思的技术。它不走直接回答的路子，而是让模型先退一步回答一个更高层次的问题，从中发现原则和规律，再把这些原则应用到具体问题上。爱因斯坦说过，给他一小时解决问题，他会花55分钟思考问题本身。后退提示法就是这套理念在提示工程里的实践。
对于需要拆解的复杂任务，课程讲解了如何把一个大问题拆成几个小步骤，每个步骤单独处理，这样每个环节都能得到充分关注，输出质量比一股脑儿问要高得多。课程还讨论了什么时候应该让模型详细推理，什么时候直接要答案就够了，避免不必要的计算浪费。
四、输出控制与格式化
你可能遇到过这种情况：模型回答得挺好，但格式乱糟糟的，根本没法直接用。这部分就解决这个问题。
课程讲解怎么让模型输出结构化的内容，比如JSON、XML、Markdown表格。不同格式有不同的适用场景，JSON适合程序后续处理，Markdown表格适合人工阅读，XML适合需要明确层级关系的场景。课程会手把手教你怎么在提示里指定格式，避免模型自说自话乱发挥。
除了格式，还涉及到语气、长度和风格的把控。怎么让回答更正式或更口语化，怎么限制在某个字数范围内，怎么调整成目标读者能接受的专业程度。这些控制不是靠一句“回答要简洁”就能实现的，需要具体的指令和技巧。
分隔符的使用是另一个实用技巧。用特定符号把提示里的不同部分隔开，能让模型更准确地理解哪里是指令、哪里是参考资料、哪里是要处理的内容，减少混淆和错误。
课程还介绍了提示模板的概念，把反复用到的提示结构做成可复用的模板，往里面填不同的具体内容就行，不用每次都从头写。
五、高级策略
进入高阶内容，先讲自洽性技术。它让模型用同一种方法生成多个答案，然后选其中最一致的作为最终输出。对于需要高准确率的场景，这种多数投票的思路能有效降低随机误差。
ReAct是面向智能体任务的技术，它让模型在推理的同时能调用外部工具执行动作。模型不是闷头自己想，而是边想边做，通过观察环境反馈来调整后续推理。这个模式是人机协作从问答升级到任务执行的关键。
检索增强生成RAG的基础概念也会在这里介绍。这种架构把大语言模型和外部知识库结合起来，让模型在回答问题前先检索相关信息作为上下文，提高答案的准确性和时效性。
系统提示和用户提示的区别也在这部分深入讲解。两者的作用层级不同，优先级不同，写法侧重也不同。理解这个区别能让你在设计复杂应用时更好地组织提示结构。
六、评估与迭代
很多人在优化提示这件事上完全靠感觉，改来改去碰运气。课程专门拿出一章讲怎么系统地评估和改进提示。
首先是评估指标的问题。怎么判断一个提示是好还是不好？课程提供了几个可操作的维度和方法，让评估不再是一件模糊的事情。
然后是怎么构建评估集。针对你的具体使用场景，收集一批有代表性的测试用例，这些用例要能覆盖不同的任务类型和边界情况。有了评估集才能客观地比较不同提示方案的效果，而不是凭感觉说“这个好像好一点”。
模型常见的问题类型也会详细讲解。幻觉是指模型一本正经地说些错误的内容，尤其在让它引用事实的时候。谄媚是指模型无原则地迎合用户的观点，不管对错。指令漂移是指模型在处理长提示时，早期提到的要求到后面就被忽略了。这些问题各有各的成因，课程会教你怎么识别和应对。
迭代的方法也讲究系统化。不是乱试，而是基于评估结果分析问题出在哪里，针对性地调整，然后再次验证。这种方法比随机改动效率高得多。
七、真实应用与总结
最后一章把前面学的东西放到具体场景里。代码生成、摘要撰写、文本分类、信息抽取，这些常见任务各有各的最佳实践。课程会讲解每种任务的特点和对应的提示策略。
对于法律、医疗等专业领域的应用，课程特别提醒了需要额外注意的风险和限制。不是所有领域都能直接用通用提示，需要根据场景的特点做调整。
最后还安排了一个实战项目，带着你从零开始构建一个完整的提示工作流程。从需求分析到提示设计，从评估迭代到最终部署，走一遍全流程，把学到的知识真正用起来。
学完这门课，你收获的不只是一堆技巧，更是一套理解大语言模型工作原理的思维框架。有了这套框架，你就能自己判断什么场景该用什么方法，遇到新问题也知道往哪个方向尝试，而不是每次都瞎猫碰死耗子。