什么是提示工程？
提示工程（Prompt Engineering）是设计、组织和改进模型输入的过程。它的目标不是寻找一条对所有模型都有效的“咒语”，而是让模型更准确地理解任务，并让输出更容易检查和使用。
一个完整的输入通常会回答这些问题：
- 目标是什么： 最终要解决什么问题；
- 背景是什么： 模型需要知道哪些上下文；
- 输入是什么： 哪些材料需要处理；
- 边界是什么： 哪些内容不能猜、不能做；
- 输出是什么： 需要什么格式、长度和语言；
- 怎样算完成： 结果要满足哪些验收标准。
提示工程不是“让 AI 猜中你的心思”
假如你请朋友买东西，只说“帮我买点吃的”，对方只能猜品类、数量、价格和送达时间。把这些信息说清楚，并不保证结果百分之百正确，但可以明显减少不必要的猜测。
使用大语言模型也是如此。相比：
帮我整理这次会议。下面的输入更容易得到可用结果：
请根据我提供的会议记录，整理一份会议纪要。
要求：
1. 列出已经确认的结论；
2. 列出待办事项、负责人和截止时间；
3. 原文没有提供的信息写“未提供”，不要自行补充；
4. 使用 Markdown 输出。提示写得更长不一定更好。真正重要的是：与任务有关的信息是否完整，要求之间是否冲突，结果是否能够验证。
自然语言正在成为重要的人机界面
大语言模型让更多人可以用自然语言处理写作、总结、分析、编程和资料整理等任务。它降低了一部分工具的使用门槛，但不会让专业知识、编程语言或工程能力失去价值。
面对真实任务时，领域知识可以帮助你发现模型遗漏了什么；编程和工具可以帮助你批量处理、校验结果并接入现有系统；人的判断仍然负责设定目标、处理例外和承担最终决定。
因此，本教程不会把“Prompt Engineer”描述成一条不需要其他知识的职业捷径。我们更关心的是一项可以迁移到不同工作中的能力：把需求说明白，把输出定义清楚，再用可靠的方法检查结果。
AI 会让人停止学习吗？
这取决于使用方式。
如果只是复制答案、不检查来源，AI 可能放大错误，也可能让人逐渐失去对任务的理解。如果把它作为讨论、练习、查漏和验证工具，它可以帮助我们更快地探索问题。
比较稳妥的做法是：
- 先判断任务中哪些部分需要自己理解；
- 要求模型说明关键依据，而不是只给结论；
- 对重要事实使用可靠来源或工具复核；
- 对医疗、法律、财务、安全等高风险内容保持人工审核；
- 不把账号、密钥、商业机密或不必要的个人信息提交给模型。
开始之前需要准备什么？
准备一台可以访问大语言模型的电脑或手机即可。你可以选择自己能够正常使用的官方产品：
- ChatGPT (opens in a new tab)
- Claude (opens in a new tab)
- Grok (opens in a new tab)
- Gemini (opens in a new tab)
- 通义千问 / Qwen (opens in a new tab)
- 豆包 (opens in a new tab)
- 腾讯元宝 (opens in a new tab)
- DeepSeek (opens in a new tab)
不同产品、模型和使用入口的能力与行为可能不同。本教程讲解的目标、上下文、约束、示例、结构化输出和验证方法具有迁移价值，但具体效果仍需在你实际使用的模型上测试。
请通过可信的官方入口访问模型。不要把密码、API 密钥、未公开数据或不必要的个人信息粘贴到对话中。
接下来，我们会先理解 Token 和生成概率，再学习如何把任务写清楚、组织复杂输入，并验证模型输出。
