一、什么是提示工程？
• 本质：用文本（或文本+其他模态）引导大型语言模型（LLM）输出正确 token 序列的系统方法。
• 关键洞察：LLM 是“概率预测机”，给定上文，逐 token 预测下文；提示工程就是设计并调试上文，使下文落在期望分布内。
• 误区澄清：
❌ 提示工程 ≠ 写几个问句
✅ 提示工程 = 迭代式“设计-评估-优化”闭环，涉及措辞、结构、上下文、模型配置等多变量。
二、为什么人人可上手，却仍需专业“工程”？
维度 | 看似简单 | 实则复杂 |
角色门槛 | 无需数据科学家背景 | 需要理解模型特性、训练数据偏差 |
措辞敏感度 | 随便问也能出答案 | 同义词替换就可能导致完全不同输出 |
配置参数 | 有默认设置 | 不同任务需精细调节温度、Top-K、Top-P |
评估标准 | 肉眼看上去差不多 | 需量化指标（BLEU/ROUGE、业务 KPI） |
结论：入门零门槛，精通需系统方法论。
三、LLM 输出配置三板斧
1. 输出长度（max_tokens）
• 作用：硬性截断，防止无限生成。
• 注意：缩短长度不会让模型“更简洁”，只是“戛然而止”；如需简洁，应在提示里显式指令，如“用一句话回答”。
2. 温度（Temperature）
• 物理隐喻：高温 → 分子运动剧烈 → 输出随机；低温 → 稳定。
• 取值建议：
0：贪婪解码，完全确定，适合数学题、事实问答。
0.2–0.5：平衡连贯与创意，适合大多数生产场景。
0.8+：高创意，适合头脑风暴、故事续写。
3. Top-K & Top-P（核采样）
参数 | 含义 | 直觉理解 | 推荐值 |
Top-K | 只看概率最高的 K 个 token | “候选池大小” | 20–50 |
Top-P | 累计概率阈值 P 内的 token | “动态候选池” | 0.9–0.95 |
• 组合逻辑：先取满足 Top-K 与 Top-P 的交集，再用温度采样；极端值会覆盖其他设置（如 T=0 时，Top-K/Top-P 失效）。
• 调参捷径：
事实任务：T=0, Top-P=1（等价关闭）
创意写作：T=0.9, Top-K=40, Top-P=0.95
首次实验：T=0.2, Top-K=30, Top-P=0.95 作为基准
四、最小可运行示例
任务：将影评情感分类为 POSITIVE / NEGATIVE / NEUTRAL，并只输出大写标签。
字段 | 值 |
模型 | gemini-pro |
温度 | 0.1 |
max_tokens | 5 |
Top-K | 禁用（N/A） |
Top-P | 1 |
提示 | 将影评情感分类为三选一：POSITIVE / NEGATIVE / NEUTRAL。仅返回大写标签。影评：“她”令人不安，却是杰作。 |
输出 | NEGATIVE |
提示要点：任务描述 + 输出格式约束，低温保证稳定性。
五、新手常见坑
1. 把输出长度当“简洁开关”结果：句子被拦腰截断，语义不完整。
2. 高温 + 无格式约束结果：模型自由发挥，输出偏离任务。
3. Top-K 与 Top-P 同时极端结果：参数相互抵消，行为不可预测。
4. 忽视记录结果：一周后忘记曾经有效的参数组合。
六、本章行动清单
在 Vertex AI Studio 创建第一个 Prompt 实验表，字段包括：目标、模型、T、Top-K、Top-P、max_tokens、提示全文、输出。
用同一提示分别跑 T=0 与 T=0.8，对比输出差异，体会温度作用。
把 max_tokens 从 100 调到 10，观察截断现象，验证“长度≠简洁”。
记录所有实验结果，为后续章节建立基准。
