提示词工程
提示词工程（Prompt Engineering）是一种面向大型语言模型及生成式AI系统的技术方法，通过系统性地设计、构建和优化输入提示词，引导模型产生准确、相关且高质量的输出结果。其核心技术包括指令设计、少样本示例构造、思维链引导等策略，广泛应用于自然语言处理、代码生成、内容创作等场景，是人机交互与AI能力发挥之间的重要桥梁。
Core Facts
Timeline (last 90 days)
大模型在面对模糊指令时倾向于用看起来合理但未经证实的内容填充信息空白（幻觉补全），明确写出约束和验收要素可抑制这种补全冲动
提示词工程中的「角色—任务—约束」三段式框架：角色设定激活模型相关知识分布，数量限制压缩输出空间减少幻觉，排序标准提供可量化评估维度
越长的设定文档、越复杂的世界观，越需要把核心约束写在提示词显眼位置或以检查清单形式单独列出
有效的代码生成提示词通常需要包含明确的功能目标、技术栈约束、输入输出格式说明以及边界情况的预期处理方式
提示词工程的价值在于固定模型输出格式、划定回答边界
系统提示词方案本质上是一种自然语言约定，容易被越狱攻击、提示词注入或模型意外行为绕过
文化梗（如乐队名A Flock of Seagulls）在提示词中具有高信息密度，仅凭名称就能让模型调用整套关联的视觉与语言风格
有效的风格化提示词通常包含时代背景标签、具体视觉或语言特征、输出格式限定三个层次
温度参数较低让模型输出更确定性适合结构化任务，较高温度带来更多创意适合头脑风暴类场景
上下文工程关注在架构层面持续为模型提供高质量、有结构的背景知识，区别于侧重单次交互措辞优化的提示词工程
40 more timeline events
All Facts (20)
当前多数 AI 视频工具聚焦于生成（文生视频、图生视频），而剪辑、拼接、时间轴调整等精细化工作仍需人工介入
90%Verified微调是在通用预训练模型基础上用特定领域数据进行二次训练，使模型能将领域知识内化为参数，推理时无需额外检索步骤，延迟更低
90%Verified同一个AI模型面对不同质量的提示词，输出效果可能存在数量级的差异
90%Verified提示词工程指通过精心设计输入文本来引导AI模型输出更高质量、更符合预期的结果
80%VerifiedSkills本质上是结构化的系统提示词（System Prompt）集合，通过标准化接口注入到AI代理的上下文中
80%Verified大多数 AI 编程智能体无法有效完成复杂任务的主要原因是上下文缺失，而非模型能力不足
80%Verified对齐良好的模型会将元指令引导至合规的创意表达，而对齐不足的模型可能出现意外行为
75%Verified提示词工程不修改AI本身的代码和参数，仅通过系统设计输入指令让AI稳定输出结果
75%Verified有效的AI提问公式包含三个要素：设定身份、提出任务、设定格式
75%Verified提示词工程在2023-2024年间从技术技巧迅速演变为一个正式的职业方向
75%Verified给AI设定专业角色身份后，AI的输出质量会明显提升
75%Verified企业级应用几乎都是提示词加代码的组合方案，纯提示词难以工程化
70%Verified在企业级AI应用中，提示词优化往往能带来比模型升级更显著的性能提升
70%Verified完整的AI视频提示词应覆盖主体、场景、运镜和额外细节四大板块
70%Verified提示词工程和RAG解决的是让大模型回答好问题，而Agent解决的是让大模型主动思考并解决问题
65%Verified高质量的提示词通常包含四个要素：明确的目标、清晰的约束、具体的上下文和期望的输出格式
65%Verified提示词工程是驱动AI图像生成的核心技能，即便措辞存在细微差异也会导致输出结果产生显著偏差
65%Verified对复杂需求进行分步拆解并在迭代修改时保留上下文，能显著减少AI生成代码的偏差率
65%Verified提示词工程在2022-2023年随GPT-3/4的普及而迅速成熟
65%Verified上下文工程是指系统性地设计、管理和优化输入给大语言模型的上下文信息的工程实践，与提示词工程侧重于单次交互的措辞优化不同
65%