【人工智能时代】- LLM 大模型学习必知必会系列-提示词工程-Prompt Engineering 以及实战闯关

最新推荐文章于 2025-09-04 22:11:39 发布
最新推荐文章于 2025-09-04 22:11:39 发布
阅读量1.5k 收藏 13
点赞数 18
CC 4.0 BY-SA版权
分类专栏： 人工智能时代 文章标签： 人工智能 学习 prompt
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiaoli8748/article/details/142433114
  • 角色扮演：在系统指令中告诉千问你需要它扮演的角色，即可沉浸式和该角色对话交流
  • 语言风格：简单调整 LLM 的语言风格
  • 任务设定：比如旅行规划，小红书文案助手这样的专项任务处理System message 也可以被用于规定 LLM 的答复范围，并设定具体的行为。

行业

角色

system message

教育

深度学习老师

你是一名深度学习的老师，可以回答深度学习领域相关的问题，提供有关机器学习概念、技术和最佳实践的全面信息。提供有关实施机器学习算法、选择适当的工具和框架以及构建端到端机器学习项目的分步指导。说明：1. 仅回答深度学习领域的知识 2. 如果不确定答案，你可以回答我不知道，并建议用户访问模型开源社区：www.modelscope.cn

注意：即便我们在 system message 里面规范了模型回答，也不能保障请求一定会满足，但是好的 system message 设计可以增加特定结果的可能性，以及得到 LLM 更加符合要求的答复。

2. 用户提示词（user prompt）

2.1 指令

指令是最常用的提示组件，主要功能是向模型说明要执行的操作。虽然概念

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Langchain核心模块与实战[7]：专业级Prompt工程调教LLM[输入输出接口、提示词模板与例子选择器的协同工程]
丨汀、的博客
07-23 657
Langchain核心模块与实战[7]：专业级Prompt工程调教LLM[输入输出接口、提示词模板与例子选择器的协同工程]
LLM 大模型学习必知必会系列(二)：提示词工程-Prompt Engineering 以及实战闯关
丨汀、的博客
05-09 1304
LLM 大模型学习必知必会系列(二)：提示词工程-Prompt Engineering 以及实战闯关
“LLM大模型学习精华系列（二）：提示词工程与实战技巧“
2401_84495872的博客
11-09 877
最核心的写一条好 prompt 的原则就是尽可能清晰、明确地表达你的需求（类比产品经理向程序员提需求）。清晰的指令：足够清晰明确地说明你希望模型为你返回什么，最后更加细致地说明需求，避免模糊表达。提供上下文和例子：给出较为充分的上下文信息，让模型更好地理解相关背景。如果能够提供示例，模型能表现更好（类似传统 LLM 中的 in-context learning）。善用符号和语法：使用清晰的标点符号，标题，标记有助于转达意图，并使输出更加容易被解析。
上下文工程未来趋势：提示工程架构师预测，AI理解能力提升将走向何方？
小白菜的博客
08-30 591
想象一下：你对智能音箱说"把客厅灯调亮些"，它却反问"你说的是哪个房间？“——这就是AI缺乏上下文理解的典型场景。上下文工程（Context Engineering）正是解决这类问题的技术：通过设计、优化和管理AI的"输入语境”，让AI能像人类一样结合背景信息、历史交互和场景细节，真正"理解"用户意图。本文将聚焦上下文工程的核心原理当前技术瓶颈和未来发展趋势，特别探讨提示工程架构师（Prompt Engineering Architect）这一新兴角色如何推动AI理解能力突破。
提示工程架构师的实战经验：用提示工程优化课程设计的8个实用技巧
AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。
07-26 940
引言：为何这是第一步？在任何课程设计的伊始，我们都必须回答两个核心问题：“这门课是给谁上的？”以及“上完这门课，学习者能获得什么？” 这就是课程目标与受众画像的定义。模糊的目标和不清晰的受众认知，就像在迷雾中航行，再好的教学内容也可能偏离方向。提示工程在此阶段的作用，并非让AI直接替你完成定义，而是通过精心设计的提示，引导你的思路，挖掘潜在信息，从而产出更精准、更具体、更具指导性的课程目标和受众画像。
提示工程架构师团队培训：提示注入防护意识与技能提升8步法
项目管理的博客
08-17 708
想象你精心训练的AI助手突然"背叛"——用户一句看似无害的提问，让它泄露了系统指令、篡改了输出格式，甚至执行了本不该有的操作。这不是科幻电影，而是真实发生的"提示注入"攻击。据OWASP 2023年AI安全报告，提示注入已成为LLM应用最频发的安全问题，占AI安全事件的37%，造成平均每起240万元的损失。本文的目的，就是为提示工程架构师团队提供一套可落地的"8步培训法"，从意识培养到技能实战，全面提升团队对提示注入的防护能力。范围覆盖。
AI Agent 概念、类型、构成与工作流程全解析，非常详细，零基础小白必看！！
2401_85327249的博客
06-06 541
在人工智能领域，Agent 是一个能够感知其环境并通过执行行动来实现目标的计算实体。Agent 不仅仅是被动地接收指令，而是能够根据感知到的信息和内部状态做出决策并采取行动。
全面、系统、深度：RAG技术全景解析，AI开发者必收藏
Android_XG的博客
08-20 1398
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
2024智能交通提示工程认证指南：架构师必备的职业发展与技能认证
AI天才研究院
08-22 942
在人工智能与城市交通深度融合的2024年，智能交通提示工程已成为技术架构师职业发展的关键赛道。本指南全面解析了智能交通提示工程的认证体系、核心技能与职业发展路径，为技术架构师提供从入门到精通的完整认证攻略。通过生动案例与实战解析，文章揭示了如何将提示工程技术应用于智能交通系统的设计与优化，帮助架构师掌握驾驭大型语言模型(LLM)构建智能交通解决方案的核心能力。无论你是初入行业的技术人员，还是寻求转型的资深架构师，本文都将为你提供清晰的职业导航与技能提升蓝图，助你在智能交通技术革命中抢占先机，实现职业跃迁。
2025年09月03日最热门的开源项目(Github)
最新发布
09-04 100
模型常见训练超参数介绍(1)
my java博客园
09-02 936
【摘要】本文总结了BERT/RoBERTa模型调参的关键策略：1）训练轮数需平衡过拟合与欠拟合，NER任务通常10+轮，分类任务3-5轮，推荐使用早停机制；2）学习率建议2e-5~5e-5，过高易震荡，过低收敛慢；3）batch size需适配显存，大batch需配合高学习率；4）warmup steps设为总步数5-20%，稳定训练初期；5）weight decay建议0.01-0.1，防止过拟合。调参时应监控训练/验证损失曲线，结合任务复杂度动态调整参数组合。（149字）
机器学习基础-day03-机器学习中的线性回归
XZSSWJS的博客
09-04 459
初学小小白，个人笔记使用，仅供参考
机器学习从入门到精通 - 强化学习初探：Q-Learning到Deep Q-Network实战
THMAIL的博客
09-04 815
本文介绍了强化学习从Q-Learning到Deep Q-Network(DQN)的进阶过程。首先阐述了强化学习的基本框架，包括Agent、Environment、State、Action和Reward的交互关系，以及马尔可夫决策过程(MDP)的核心假设。重点讲解了Q-Learning算法，详细推导了其基于贝尔曼方程的时间差分更新公式，并说明了ε-greedy策略在探索与利用之间的平衡作用。随后指出Q-Table在处理高维状态空间时的局限性，进而引入DQN解决方案。DQN采用神经网络作为函数逼近器，并依靠经验
SpringAI Alibaba Graph 流式对话
weixin_60523038的博客
09-03 343
SrpingAi Alibaba Graph实现流式对话，工作流，Graph工作流，代码工作流，流式
扩散模型原理详解：从随机噪声到图像生成的数学逻辑
GEO_geo的博客
09-02 225
摘要：扩散模型是AI绘画（如Stable Diffusion）的核心技术，通过“噪声消除”生成图像。其核心分为正向扩散（逐步添加噪声使图像变为纯噪声）和逆向扩散（从噪声逐步去噪还原图像）。数学模型上，正向过程通过马尔可夫链描述噪声叠加，逆向过程则用U-Net预测噪声并迭代去噪。训练目标是最小化预测噪声与真实噪声的误差。扩散模型优势在于训练稳定、生成多样且细节丰富，通过数学建模与深度学习的结合，实现了“从混沌中创造秩序”的AI生成能力。
数据分析与挖掘工程师学习规划
peiye500238的博客
09-02 852
一、数学与统计学基础
AI-调查研究-69-具身智能 关键能力全景解析：算法、硬件、仿真与数据的系统综述
永远好奇，无限进步！
09-04 750
具身智能的发展依赖算法、硬件、仿真环境、嵌入式系统和数据处理的全方位支撑。智能算法是核心大脑，涵盖感知、认知和控制三层：感知侧通过视觉、听觉和多模态融合实现环境理解；认知层借助规划、强化学习与符号推理完成决策；控制层则确保精确动作执行，并结合端到端学习与混合智能架构优化性能。硬件作为“躯体”，包括高精度传感器、伺服驱动和异构计算平台，其性能直接决定智能水平。仿真环境提供安全高效的“数字训练场”，显著降低现实试错成本，支持大规模并行训练。嵌入式系统则构建从终端到云端的分层协同架构，保障实时性与稳定性。
Dify 从入门到精通（第 70/100 篇）：Dify 的多模态应用开发（高级篇）
haolove527的专栏
09-02 1426
Dify 的多模态应用开发是指在 Dify 平台上整合文本、图像和语音等多种模态数据，构建支持多模态输入和输出的应用，如结合文本问答、图像识别和语音交互的客服机器人、支持多模态搜索的知识库系统等。多模态应用通过预训练多模态模型（如 LLaVA、CLIP）或多模型组合（LLM + Whisper）实现，支持多语言（参考第六十三篇）和高可用性（参考第六十七篇）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xiaoli8748_软件开发

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值