Prompt调优是什么

也就是 提示词工程的一部分内容

区别对比

Prompt = 你发给 AI 的指令、提问、上下文文本(就是你跟 AI 说的所有话)。 Prompt 调优:反复修改、优化给 AI 的输入指令,让大模型输出精准、稳定、符合预期结果的整套优化方法。

类比: 你让厨师做菜,随口说 “炒个肉”(原始差 Prompt); 调优后:“瘦肉切薄片、少油、微辣、少盐、配青椒,不要勾芡,出锅放蒜末”(优化后 Prompt)。 调优就是不断打磨这句 “做菜要求”,让 AI 每次都交出合格成品。

核心目的

解决大模型常见问题: 答非所问、跑偏主题 输出格式混乱(想要表格却给大段文字) 逻辑不严谨、细节缺失 回答忽好忽坏、结果不稳定 不懂你的角色 / 场景需求

主要注意五个方向

1. 基础结构优化(最常用)

固定万能模板框架,把零散提问补全: 角色 + 任务 + 约束条件 + 输出格式 + 示例

2. 少样本调优 Few-shot

在 Prompt 里塞入1~5 组标准答案示例,AI 会复刻逻辑、格式、文风。 例:你要 AI 做分类,直接放 3 条 “输入→分类结果” 样板,精度大幅提升。

3. 思维链 CoT 调优

在指令里强制 AI 分步思考: 回答前先拆解问题,一步步推导,最后给出结论 适合数学计算、逻辑推理、数据分析类任务。

4. 约束与边界限定调优

增加限制词,杜绝 AI 乱发挥: 字数限制:回答不超过 300 字 立场限制:客观中立,不主观评价 禁止内容:不要解释原理,只给方案,不要废话

5. 负面 Prompt 调优(画图 / 生成类高频)

专门告诉 AI不要输出什么,规避错误、低质量内容。 例绘画:模糊、畸形、水印、多余肢体、低分辨率。

使用场景:

什么时候必须做 Prompt 调优? 批量自动化生成内容(周报、文案、代码、报表) 对接 AI 工具、知识库 RAG、企业 AI 机器人 对输出格式、准确性、稳定性有硬性要求 不想花钱训练专属模型,低成本提升 AI 效果

0个评论
点击登录,快来和大家讨论吧~
表情
图片
暂无评论
pada
作者分享
代码生成项目bug,生成前端页面有一个顶部的元素标题,通过对话一直无法解决,最后还是claude code解决的
4
感觉面试鸭的回答问题后,没有对回答问题的评分,不知道回答的效果
0
Day 9 ✅ 今天做了:学习LangGraph ⏰ 明天计划:学习大模型微调技术 📚 今日感悟: LangGraph 是一个基于图论的编排框架,它突破了传统链式架构的局限,引入了 “状态-节点-边” 的三元架构。它将 AI 应用建模为有状态的有向图,核心价值在于:支持循环、条件分支等动态控制流,并提供状态持久化与断点续传能力。 与传统 LangChain 线性流水线不同,LangGraph 更像一个有状态的“流程图”,适合构建需多轮决策和状态追踪的复杂 Agent。它与 LangChain 并非竞争关系,而是同一生态系统下的协同互补:前者提供丰富的工具组件,后者提供精细的流程编排。掌握两者的协同使用,是从“搭建原型”迈向“生产级系统”的工程进阶。
2
Day 8 ✅ 今天做了:LangChain4j和Spring AI框架的学习使用 ⏰ 明天计划:工作流编排与 LangGraph的学习 📚 今日感悟: Spring AI 是 Spring 官方推出的 AI 集成框架,旨在让 Java 开发者以熟悉的 Spring 方式构建企业级 AI 应用。它的核心价值在于:提供统一的模型调用接口,支持 OpenAI、Anthropic、Google 等主流模型,代码无需大量修改即可切换供应商;通过 Spring Boot Starter 实现自动配置,与 Spring 生态无缝融合。关键功能包括:`ChatClient` 核心交互接口、`@Tool` 注解支持工具调用、内置 RAG 流水线与 ETL 框架,以及通过 `Advisors` 拦截器实现请求增强与安全过滤。此外,Spring AI 提供可观测性集成与模型评估能力,涵盖生产级需求。 从版本演进看,Spring AI 1.0 正式确立核心功能体系,1.1 版本引入 MCP(模型上下文协议)与提示词缓存,进一步强化 Agent 开发能力。它适合已有 Spring 技术栈的团队,以较低成本将 AI 能力整合到现有业务系统中。
3
Day 7 ✅ 今天做了:整体过了一遍Agent 核心概念与架构总览、LangChain4j上手学习使用 ⏰ 明天计划:开始Spring AI、工作流编排与 LangGraph的学习 📚 今日感悟: 学习要点: 1. 掌握核心抽象AiServices,通过声明式接口快速构建AI服务; 2. 理解RAG流程(文档加载、向量化、检索增强生成),使用EmbeddingStore和RetrievalAugmentor让模型基于私有知识回答; 3. 学会Agent开发,通过@Tool注解让LLM调用Java方法执行动作; 4. 利用BOM(langchain4j-bom)统一管理版本。 关键实践:组合使用ChatLanguageModel、ChatMemory、RAG增强器和工具调用,可快速构建能查阅文档、多步推理的智能应用。相比Python版,它更注重Java工程化实践,与Spring Boot无缝集成,适合企业级AI应用开发。
4
下载 APP