核心观点 - Google发布69页Prompt Engineering白皮书，系统性梳理AI沟通方法论和最佳实践[1][6] - 提示工程是精确引导AI输出的关键技能，可解决AI输出不稳定、偏离预期等问题[3][4][9] - 白皮书提供分层方法论：从理解LLM原理到参数调节再到高级提示技巧[8][11][24] AI工作原理 - 大语言模型本质是预测引擎，通过提示词引导其预测方向[8] - 模型根据输入提示预测下一个token，循环生成输出内容[8] - 提示词质量直接影响输出效果，明确指令可提升预测准确性[9] 关键参数调节 - 温度(Temperature)控制输出随机性：0.1-0.3适合严谨任务，0.8-1.0适合创意任务[14][15][23] - Top-K限制候选词数量，Top-P动态调整候选词概率范围[23] - 推荐初始参数组合：Temp=0.2, Top-P=0.95, Top-K=30[23] 提示技巧 基础技巧 - 零样本提示：直接给出指令不含示例[25] - 少样本提示：提供3-5个高质量示例引导输出格式[26][28] 高级技巧 - 分层指令：系统提示定角色+上下文提示给背景+角色提示定风格[29] - 退步思考：先解决抽象问题再处理具体任务[29] - 思维树：生成多条推理路径投票选择最优解[33][37][40] - ReAct框架：思考-行动-观察循环，可调用外部工具[41] 最佳实践 - 保持提示简洁明确，指定输出格式要求[44] - 使用模板变量提高重复任务效率[44] - 建立实验记录文档追踪优化过程[44] - 不同模型/任务需重新调试参数和提示[41]