本文将列举一些提示工程认知和创作方面的认知误区，并分享了作者的一些见解，希望能够为读者提供启发。
在系统学习了大量提示词教程并进行不断实践后，我发现很多人对提示词工程的认知存在诸多误解。
本文将列举一些提示工程认知和创作方面的认知误区，并分享我的一些见解，希望能够为读者提供启发。许多人误以为提示词工程十分简单，认为稍微了解即可胜任。实际上，这种认知如同认为软件工程仅是“高内聚、低耦合”或“CRUD”操作一样，虽然这些概念表面上易于理解，但在实际操作中却充满了挑战。许多程序在实践中常常暴露出缺乏可拓展性和可维护性的问题，性能也往往不尽如人意。要克服这些问题，除了掌握基础知识，还必须深入理解设计模式和学习各种框架，才能真正将理论转化为高质量的实践。
虽然，说话很容易，但能用简洁的语言把复杂的事情讲清楚并非易事。提示词工程类似于一门提问的艺术，其核心在于如何明确且有效地向大语言模型传达任务要求。然而，就如同清晰的沟通不仅需要表达清楚，更需要理清思路，提示词工程同样具有“知易行难”的特点。许多人在工作多年后依然没有很好地掌握高效的沟通的技巧，这与提示词工程的挑战十分相似。尽管提示词工程的基本技巧看似简单，但在实践中我们需要根据具体场景选择最恰当的表达方式，并运用有效的调优方法应对复杂情况。尤其是在当前大模型能力尚未完全成熟的背景下，即使任务要求表达得再清晰，也常常需要进一步引导模型完成任务。例如，有些人让大语言模型创作一个童话故事时，只是简单地提出需求，结果发现模型生成的内容非常空洞，远不及预期。精通提示词工程的人则会采用 CO-STAR框架，详细说明故事的上下文、目标、风格、语气、受众和相关细节，从而获得更为具体且符合要求的输出。很多人编写提示词发现效果不好不知道如何调优就匆匆放弃，而有些人就可以针对各种场景从容编写提示词，遇到异常案例可以快速针对性调优解决问题，这正是提示词工程的价值所在。如果和汽车进行类比就很容易理解。我们的开车速度并不仅仅由我们的驾驶技术决定，还受到汽车的性能、交通法规的限制。
提示词效果的上限由模型能力和提示词编写者的水平共同决定。如果模型能力不足，即使提示词编写得再好，最终结果也难以令人满意。反之，如果模型能力强大，但提示词编写不到位，效果同样会大打折扣。此外，并非所有问题都能通过提示词工程解决。有些任务可能需要通过模型微调来实现更好的效果，而有些问题可能无论怎么优化提示词都无法得到理想的结果，这时就需要考虑进一步拆解任务。一套提示词往往无法适应所有场景，我们需要掌握提示词工程的技巧，灵活调整提示词以适应个性化的需求。在业务应用中，根据不同场景使用不同的提示词是至关重要的。
此外，不同模型在指令理解和推理能力上各有差异。一些在某个模型上效果良好的提示词，可能在另一个模型上表现不佳，因此需要针对不同模型进行适当的调整。“大道至简”，复杂的提示词并不意味着效果更好。提示词的核心任务是明确传达需求，如果写得过于复杂，反而容易让模型无法抓住重点，甚至导致误解。提示词如果过于复杂或过长可能存在如下问题：
1. 上下文混乱：当提示词过长时，模型可能难以保持上下文的清晰性，容易在生成的内容中偏离原本的主题或语义，从而导致结果不准确或不相关。
2. 性能下降：过长的提示词会增加模型的计算量，可能导致响应速度变慢，特别是在资源受限的环境中，这种影响会更加明显。
3. 信息冗余：提示词过长可能包含过多的冗余信息，使得模型难以识别和提取最相关的部分，从而影响输出质量。
4. 生成内容的长度受限：模型的生成长度通常是有限的，如果提示词过长，模型可能会减少生成内容的长度，导致输出结果无法覆盖全部所需内容。
5. 引发误解：提示词过长且结构复杂，可能导致模型在理解提示词时出现偏差，从而产生与预期不符的结果。
此外，有些人特别偏爱某个特定的提示词框架，不管啥场景都喜欢用同一个框架，有时候会适得其反。每种提示词框架都有自己的适用场景，我们需要根据场景选择最适合的提示词框架。对于简单任务，简洁明了的提示词往往更有效；对于复杂任务，使用结构化的提示词能帮助模型更清晰地理解和执行任务。对于模型已经熟练掌握的任务，无需提供额外示例。即使在需要示例的情况下，数量也不宜过多。如果示例不够精准或存在错误，反而会影响模型的表现。对于相似的示例，提供一个即可，多个同质化示例并不会带来额外的效果提升。因此，提示词示例应该遵循由少到多。示例的构造应注重正确性、代表性和多样性，而非数量。不同模型的指令理解能力有所不同，提示词中的要求并不总能得到模型的完全执行。为了提高模型的响应效果，可能需要结合其他策略，如使用更高级的模型或在提示词中加入具体的示例。就像程序员写代码一样，编写完代码以后还需要维护，如果代码出现 BUG 或者新的需求出现就需要对代码进行修改。同样地，提示词的编写不是一蹴而就的过程。
在实际应用中，提示词常常需要根据个性化需求或遇到的 Bad Case 进行调优。提示词工程本质上是一个持续获取反馈并不断优化的过程。如今，许多平台已支持自动生成提示词功能，用户只需描述需求，平台即可自动编写提示词，网上也有丰富的提示词模板可供复制使用。因此，并非所有提示词都必须手动编写。然而，这并不意味着提示词工程已变得不重要。只有清晰表达需求，模型才能生成高质量的提示词。此外，掌握提示词工程的技能依然至关重要，因为它赋予我们调优自动生成提示词的能力，从而更好地满足实际需求。自动化提示词编写固然提高了效率，但我们仍需具备提示词调优的能力，以确保最终效果的精准性和适用性。测试效果并不等同于线上表现。自测时，测试用例可能会较为简单，测试用例的数量也可能偏少或者缺乏代表性，而线上应用的用例可能更加多样且复杂，因此效果可能不如预期。为了获得更客观的评测结果，测试时应构建更具代表性和多样化的用例，涵盖不同的复杂度。避免因过度乐观或悲观而影响判断。提示词的质量固然重要，但用户输入的内容同样关键。就像医生诊断时，若病人描述的症状不准确，医生难以作出正确判断并对症下药。同样，若用户输入的信息存在歧义或不完整，即使提示词编写得再好，模型也难以得出理想的结果。因此，需要重视对用户输入信息的准确性和完整性校验，高质量的提示词和高质量的用户输入相辅相成，才能确保模型的最佳表现。提示词工程是和大语言模型沟通的桥梁，是一门关于提问的艺术。尽管看似简单，但在实际应用中却充满挑战。我们需要深入理解模型的能力和局限性，并根据不同的场景灵活调整提示词设计，以实现最佳效果。提示词工程的核心不在于复杂的框架或大量的示例，而在于如何精准传达任务需求，并通过持续优化提高模型表现。避免常见误区，掌握提示词工程的核心技巧，能够帮助我们更好地利用大模型的潜力。同时，重视用户输入的质量以及不断调优提示词的能力，也是提示词工程成功的关键。提示词工程是一项需要不断实践和反思的工作，只有通过持续学习和调整，才能真正掌握其中的奥秘，最大化地发挥大模型的作用。
希望本文的分享能为你提供一些启发，助你在提示词工程的道路上走得更远。
利用通义万相AIGC在Web服务中实现图像生成，包括文本到图像、涂鸦转换、人像风格重塑以及人物写真创建等功能，加快创作流程，提高创意效率。
点击阅读原文查看详情。
