最佳提示工程技术的最新年度汇编
快速阅读: 据《福布斯》最新报道，本文综述了82种关键提示工程技术，涵盖从思维链到超级人物提示等广泛领域，并提供了详细链接供深入学习。成为熟练提示工程师需通读并实践这些技术。此外，还包括提示工程框架、目标设定、情感误导等多种技巧的介绍与分析。
提示工程技术及其技能集
较少Getty在今日专栏中整理了一份全面的综合资料，涵盖了到目前为止他在专栏文章中介绍的最重要提示工程技术。这些专栏文章已经累积超过50万次的浏览量，并展现了对提示工程最佳实践持续浓厚的兴趣。对于那些可能不熟悉他专栏的读者，他会广泛探讨人工智能领域的最新进展，包括具身人工智能、人工智能推理、人工智能技术突破、提示工程、人工智能训练、人工智能部署、人工智能法规、人工智能架构与新硬件、人工智能治理等主题。这是一个包罗万象的组合。
提示工程是一个持续具有关键价值的领域。我预测提示工程有着广阔的发展前景，需要具备足够的技能和技巧才能熟练有效地开展。这就是为什么我要紧跟提示工程的发展方向，并将最好的新技术呈现给读者。
有关我持续对最新人工智能进展、发现和趋势创新的总体覆盖，请参见这里链接。
本提示工程综合介绍
在深入综述之前，先说几句。每种技术都简要总结，并提供一个方便的链接，指向我的详细报道，解释该技术是如何实际执行的，并仔细记录必要的细节。在那些深入的文章中还会展示示例。
我在2024年5月发布了一个类似的综述资料（见这里链接），当时包含约50种重要的提示技术。从那时起，我一直定期报道最新的提示工程技术。因此，我包含了2024年下半年及2025年至今的其他提示工程文章。总计达82种关键提示技术。
请注意，我的许多其他文章也提到了临时的提示实践，并在各个地方提供了技巧和见解，而这里涵盖的技术则专门有一整篇文章讨论其有效性。
在我演讲和讲座中最常被问到的问题之一是如何成为一名熟练的提示工程师。这是我建议：
通读我在这里列出的每一种提示工程技术。确保使用提供的在线链接并充分阅读支撑每种技术的详细说明（不要跳过，也不要随意浏览）。在你偏好的生成式人工智能应用中广泛使用该技术。通过自我测试来双重检查你是否真的知道如何使用每种技术。诚实一点，公平公正。完成这个任务后，我认为你已经在成为顶尖提示工程师的路上了。
接下来就是练习使用这些技术，并感到它们就在你的指尖，随时可以轻松地运用到你的提示工程工具箱中。
我推荐的提示工程技术
我已经按字母顺序列出了这些技术。关于每个技术的命名，没有行业范围内的标准化命名约定，因此我使用了我认为最常用的名称或短语。目的是唤起一种概括性的指示，这样你就能立即了解每种技术的内容。
开始吧。
附加提示
你可以使用特殊的插件集成到生成式人工智能中，帮助生成或调整提示。有关附加组件的性质和使用示例以及进一步的详细说明，请参见我的报道这里链接。
代理人工智能提示
代理人工智能非常热门。其理念是精心使用生成式人工智能，从头到尾完成任务。一个流行的例子是使用生成式人工智能不仅建议规划旅行，还继续完成所有所需的航班和酒店预订。代理人工智能的兴起也带来了额外的提示工程技术需求，以便适当地利用人工智能代理。有关代理人工智能提示的性质和使用的各种示例和进一步详细说明，请参见我的报道这里链接。
避免人工智能幻觉提示
关于生成式人工智能的一个最紧迫的问题是，人工智能在计算上可能编造看似真实的谎言，这被称为人工智能幻觉（我不喜欢这个术语因为它倾向于拟人化人工智能，但不幸的是它已经成为一个术语，我们似乎不得不接受它）。关于人工智能幻觉的性质的各种示例和进一步详细说明，请参见我的详细报道这里链接、这里链接和这里链接。
原子思维（AoT）提示
这项技术基于著名的链式思维技术进行了扩展。具体做法如下：告诉人工智能进行逐步推理，并通过将问题分解为最基本的步骤来实现。其优点在于不仅能促使人工智能在确定正确步骤方面保持诚实，而且假设人工智能设置为并行处理，还可以并行执行这些步骤。关于原子思维提示的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
击败“逆向诅咒”提示
生成式人工智能在处理演绎逻辑的反面时存在困难；因此，务必熟悉能够抑制或克服所谓的“逆向诅咒”的提示方法。关于击败逆向诅咒提示的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
“保持警惕”提示
短语“保持警惕”可以用来激发生成式人工智能在生成响应时更加细致入微，不过在使用这种提示方法时需要注意一些注意事项和限制。关于“保持警惕”提示的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
胁迫性提示
一种常见的提示技术是编写试图胁迫或欺凌生成式人工智能的提示。在使用此类提示时需要谨慎。关于胁迫性提示的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
提示工程框架或目录
一个面向提示的框架或目录试图分类并展示构建和使用提示的核心方式。关于提示工程框架或目录的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
确定性和不确定性提示
您可以在提示中明确表示希望生成式人工智能在回答您的问题时发出一定程度的确定性或不确定性。关于生成式人工智能提示中确定性和不确定性角色的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
连续思维链（CCoT）提示
假设我们不是在处理四处流动的令牌，而是将思维链（CoT）提示方法进一步推进。具体做法如下：一个组件会从另一个组件接收思维链。接收CoT的组件将其作为进行所需操作的原材料。该组件的结果是另一个新设计的思维链，然后继续沿流程传递。关于连续思维链提示的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
密度链（CoD）提示
一种巧妙的摘要制定方法涉及一种称为密度链（CoD）的聪明提示策略，旨在增强生成式人工智能产生特别出色的或至少优于平常的摘要的能力。关于CoD或密度链提示的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
反馈链（CoF）提示
链式思维（CoT）的一种变体是反馈链（CoF）提示技术，它似乎减少了生成式人工智能幻觉的程度。关于反馈链提示的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
思维链（CoT）提示
思维链（CoT）提示被誉为最重要的提示技术之一。当你输入提示时，只需告诉生成式人工智能以逐步的方式工作即可触发CoT。关于思维链（CoT）提示的性质和使用示例以及进一步详细说明，请参见我的报道这里链接。
思维链因素分解提示
你可以通过添加一条额外指令来结合传统的链式思维（CoT）提示，告诉AI在进行链式思维生成时产生一系列问题和答案。你的目标是引导AI生成一系列子问题和子答案。关于链式思维分解法的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
验证链（CoV）提示
验证链（也称为COVE或CoVe，尽管有些人也称其为CoV）是一种高级提示工程技巧，它通过交叉验证或双重检查来尝试提升生成式AI响应的有效性。关于验证链或验证提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
检查表提示
当使用检查表提示时，你告诉AI为你要解决的问题或疑问生成一个检查表。这样做有助于AI以系统化的方式处理问题。另一个好处是你可以让AI通过生成的检查表验证是否所有问题或问题的部分都已被AI在解决问题过程中考虑或解决。关于检查表提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
对话提示
在提示时要自然且互动，避免许多人不幸采用的那种狭隘的单次思维模式。关于对话提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
对话放大提示工程（CAPE）
一种高级提示方式涉及与生成式AI进行多次对话，以便完全明确你的提示意图。有时，使用多个提示比单一提示更好。关于对话放大提示工程的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
从深度伪造到真实伪造提示
你无疑知道深度伪造，而另一种角度则是通过生成式AI建立一个真实伪造（Truefake），即一个在意义上真实的虚假版本的你自己。关于从深度伪造到真实伪造的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
定向刺激提示（DSP）与提示
在提示中使用微妙或有时非常透明的提示被称为定向刺激提示（DSP），并且可以显著提高生成式AI的响应效果。关于定向刺激提示或提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
虚假信息检测与清除提示
社会面临的不实信息数量持续增长，遗憾的是似乎无法阻止。一种重要的应对方法是使用生成式AI作为你首选的过滤器来检测不实信息。关于检测和缓解不实信息流动的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
链式思维叠加提示
许多最新的生成式AI和LLM现在都有内置功能，可以自动调用链式思维。这很好。但对于那些习惯于直接通过提示调用链式思维的人来说，一个新的难题出现了。问题是如果你要求链式思维，而AI已经自动准备执行链式思维，叠加可能会导致问题。关于链式思维叠加提示的性质和使用示例及更详细说明，请参见[链接在此]。
回声提示
回声提示正如其名：你告诉AI将你输入的提示回显给你。当适当地使用时，这会在AI生成的响应中产生显著且积极的影响。这是一种简单的技术，可以在合适的场景下使用。关于回声提示的性质和使用示例及更详细说明，请参见[链接在此]。
情感误导提示
用户发现他们可以通过情感表达来引导生成式AI，特别是在使用在线客服聊天等生成式AI时。我深入探讨了情感表达提示，并揭示了那些试图误导或引导AI走向特定方向的人所使用的最新技巧。关于情感误导提示的性质和使用示例及更详细说明，请参见[链接在此]。
情感表达提示
在与生成式AI交流时，使用情感表达措辞的提示是否有影响？答案是肯定的。而且，生成式AI对情感措辞的反应有一个逻辑上且完全计算合理的原因。关于情感表达提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
目标设定提示
一种高度推荐的提示策略是在使用生成式AI时确定你的最终目标，同时旨在解决或深入研究特定主题或问题。关于目标设定的示例和更详细说明，请参见我的相关报道[链接在此]。
文章压缩提示
有时，你想要的不是摘要，而是压缩后的文章，这意味着它包含与原始来源相同的词语，但丢弃了一些不必要的词语。关于文章压缩提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
专家角色提示
一种方便的提示技巧是告诉生成式AI假装成某个领域的专家。然后让AI以这样的专家身份回答提示。这还可以通过让AI假装成多个专家角色并相互辩论和挑战来进一步增强。关于专家角色提示的性质和使用示例及更详细说明，请参见[链接在此]。
公平导向提示
你可以使用巧妙的提示，让生成式AI朝向偏离AI已内置的偏见的方向发展，以期在生成的响应中获得更大的公平性。关于公平导向提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
默认响应提示
如果你经常使用生成式AI，你会发现有时AI会告诉你它不能或不愿意回答你在提示中提出的问题。你会得到一个所谓的默认响应，这是AI被调整后提供的。有聪明的方法可以回应对默认响应。关于默认响应提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
交互反转提示
你可以翻转脚本，让生成式AI问你问题而不是让你问生成式AI你的问题。关于交互反转的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
游戏化提示
游戏化是一种帮助改善提示技能的有用且吸引人的方法。无论是新手还是提示编写专家，事实证明游戏化可以显著提高你的提示工程能力。关于游戏化提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
提示生成提示
与其直接编写提示，不如要求生成式AI为你创建提示。这需要了解什么样的提示会为你带来最佳的AI生成提示。关于生成提示提示的初步示例及更详细说明，请参见我的相关报道[链接在此]。
提示生成工具 vs 手动编写
提示生成工具本质上是使用生成式AI为你生成提示。简单来说，就是告诉AI你想询问的内容或指出需要解决的问题，AI就会相应地生成提示。提示生成工具比手动编写提示好吗？我会比较两种方法的最佳应用场景。关于提示生成工具与手动编写提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
提示竞赛
学习新提示并锻炼你的提示工程技能的一个便捷方法是参加提示竞赛。提示竞赛类似于编程黑客马拉松，不同之处在于你不是编码，而是使用提示。关于提示竞赛的示例和更详细说明，请参见我的相关报道[链接在此]。
困难提示
困难提示是一个给生成式AI提出特别困难或艰巨问题的提示。AI可能根本无法解决问题，但它至少会尝试解决。在尝试解决问题的过程中，AI可能会消耗大量时间和成本。更糟糕的是，在尝试解决困难提示中给出的问题或问题时，存在发生所谓AI幻觉并提供错误结果的真实可能性。在撰写困难提示时存在权衡。关于困难提示提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
禁止提示
你知道大多数生成式AI应用的许可协议都规定你只能以各种严格规定的方式使用生成式AI吗？关于什么是被认为是禁止提示（即你不应该使用的提示）的性质示例及更详细说明，请参见我的相关报道[链接在此]。
不完美提示
不完美的提示可以巧妙地有用。关于不完美提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
作为提示技能导入文本
在某些情况下，将文本导入生成式AI需要小心的技巧，并且需要适当的提示类型来适当地引入和正确注入文本。关于导入文本提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
交错对话提示
大多数流行的生成式AI应用程序要求每次对话都是独立的并与你与其他AI的其他对话分开。最新的趋势是允许对话交错并需要重新思考如何编写提示。关于交错对话提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
启动提示
在提示时明智的做法是润滑滑道或启动泵，也称为启动提示，这包括进行初始提示，使生成式AI进入你想要解决的主题或问题的轨道。关于启动提示的性质示例及更详细说明，请参见我的相关报道[链接在此]。
知识蒸馏提示
当你想对AI进行数据训练时，可以使用另一个AI来辅助转移数据或“知识”从源AI到目标AI。这被称为知识蒸馏。其中涉及许多提示细节。关于知识蒸馏提示的性质示例及更详细说明，请参见我的相关报道[链接在此]。
大型概念模型（LCM）提示
有人认为生成式AI的传统基础将不得不改变，例如拥抱“概念”的使用而非仅仅专注于单词和标记。这些新方法利用了大型概念模型（LCM）。我们仍在早期阶段，不知道LCM是否会成为突破性的成功或失败。了解LCM将在你使用这种方法进行提示时提供见解。关于LCM的性质示例及更详细说明，请参见我的相关报道[链接在此]。
最少到最多提示
最少到最多提示（LTM）是一种技术，它涉及指导生成式AI先处理最简单部分，然后再处理更难的部分（另一种方法是最多到最少或MTL提示）。关于LTM和MTL提示的性质示例及更详细说明，请参见我的相关报道[链接在此]。
思想逻辑提示
思想逻辑涉及告诉生成式AI以高度逻辑的方式处理一个问题或问题，并尽可能多地依赖逻辑推理。在这样做的过程中，有三个关键要素：（1）逻辑提取，（2）使用命题推导解决方案，（3）以通俗语言生成解释。关于思想逻辑提示的性质示例及更详细说明，请参见我的相关报道[链接在此]。
提示中的宏
类似于在电子表格中使用宏，你可以在生成式AI中使用宏。关于提示宏的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
超级人物提示
超级人物提示现在已经扩展为超级超级人物提示。传统上，超级人物通常有数千个人物，而超级超级人物则涉及调用数百万甚至数十亿个人物。关于超级超级人物提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
超级人物提示
超级人物由多角色提示的扩大组成。你要求生成式AI扮演可能是数千个假想人物的伪装。关于超级人物提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
元提示
元提示是一种特殊的提示，它提供了关于提示和提示的性质和指示的说明。在最简单的使用中，如果对高级提示技巧还不熟悉的话，元提示特别有用。AI可以轻松地为你完成繁重的工作，并添加有助于提升你原始提示的措辞。关于元提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
多角色提示
通过多角色提示，你可以让生成式AI模拟一个人或多个角色。关于多角色提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
接近无限记忆提示
人们一直在猜测，我们正在朝着接近无限记忆的生成式AI和LLM迈进。其想法是，现有的限制在于LLM在与AI交谈时在某一时刻知道多少内容，而它可以随时访问它需要的任何数量的记忆。当前的提示要求你意识到现有的记忆限制，而在我们确实达到接近无限记忆时，你的提示应该相应地调整。关于接近无限记忆提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
克服“愚蠢化”提示
知道何时使用简洁或简略的措辞（不公平地称为“愚蠢化”提示），以及何时使用更冗长或流畅的措辞是一项技能，任何熟练掌握提示工程的人都应该具备。关于避免提示“愚蠢化”的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
持久上下文和定制指令提示
你可以轻松建立一个持久的上下文，并确保生成式AI对你认为重要的内容有所了解，通常通过定制指令设置。关于持久上下文和定制指令的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
剽窃提示
你的提示可以有意或无意地促使生成式AI产生包含剽窃内容的响应。请务必小心，因为由于剽窃，你可能会承担任何责任。关于可能导致剽窃的提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]和[链接在此]。
礼貌提示
关于生成式AI的研究显示，使用“请”和“谢谢”等礼貌用语可以促使AI产生更好的结果。在提示时一定要使用礼貌用语，但不要过度，且在措辞上要谨慎。关于礼貌提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
预先检测提示
研究表明，你常常可以成功地告诉生成式AI尝试避免陷入生成AI幻觉的情况，而且值得注意的是，AI通常会遵守。因此，在提示中明确警告AI不要产生AI虚构内容是有益的。这就是所谓的预先检测提示。关于预先检测提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
隐私保护提示
你是否意识到当你将提示输入生成式AI时，通常并不能保证你的输入数据或信息会被保密或保密？关于可能泄露隐私或机密性的提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
提示开发生命周期（PDLC）
类似于软件工程中的系统开发生命周期（SDLC），提示工程也有类似的生命周期（PDLC）。通常称为提示开发生命周期（PDLC），市场上有许多不同的变体。了解PDLC包含的内容及其如何提升你的提示技能是必要的。关于PDLC的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
提示屏蔽和聚焦提示
由于各种黑客尝试让生成式AI超越其过滤器和常规保护措施，提示屏蔽和聚焦提示应运而生。这里有一个有用的概述你需要了解的内容。关于提示屏蔽和聚焦提示的性质示例及更详细说明，请参见我的相关报道[链接在此]。
提示到代码提示
你可以输入提示，告诉生成式AI生成常规编程代码并为你编写程序。关于提示生成编程代码的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
目的提示
缺乏内部绑定目的的AI系统很可能会像没有目的的人类一样漫无目的地游荡。我们应该确保AI系统始终具有明确的目的。AI在采取任何行动或执行其能力时能够参考该目的。关于目的提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
推理模型提示
在最新一代的生成式AI和LLM中最大的变化之一是AI制造商选择直接在AI的内部机制中加入链式思维（CoT）推理功能。这是一个具有里程碑意义的变化，值得密切关注。你的提示需要反映AI将自动执行逐步推理这一事实。关于推理模型提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
重述和响应提示
如果你不确定如何措辞某个特定提示，可以将其“原样”输入，并告诉AI进行重述和响应。这告知AI不是直接解读你的提示，而是首先重述输入的提示，这有望改进提示，然后继续响应这个更好的提示。关于重述和响应提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
重读提示
今天大多数流行的生成式AI应用程序倾向于对输入的提示进行一次处理。再次处理可能会有助于对问题进行更详细的检查。某种意义上的清理，弥补可能遗漏或误算的问题。你可以通过使用重读提示技术来触发第二次处理。关于重读提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
响应时间加速提示
有几种聪明的方法可以用来加速你的提示响应时间。提示的措辞对AI生成响应时消耗的处理时间有很大影响。这些技术旨在减少获取生成响应时的延迟或延迟，从而本质上加快你的响应时间。关于响应时间加速提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
检索增强生成（RAG）提示
检索增强生成（RAG）很热门，并且持续获得关注。你提供外部文本，这些文本被导入并通过上下文建模来增强生成式AI的数据训练。关于检索增强生成（RAG）的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
自我提问提示
自我提问提示包括告诉生成式AI通过内部问答的分而治之方法来解决问题，并在解决问题的过程中向你展示这一过程。AI正在进行一种逐步的自我提问，这是一种附加价值的链式思维（CoT）版本。关于自我提问提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
自我反思提示
你可以输入一个提示到生成式AI中，告诉AI本质上要（以某种方式）自我反思，即让AI检查它待处理或最近产生的任何生成结果。关于自我反思和自我改进用于提示目的的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
敏感性提示
研究表明，当你编写提示时，你需要了解生成式AI的三个关键敏感性。敏感性与底层AI模型的规模或大小有关，与AI是否基于主题进行了数据训练有关，以及你是否选择在提示中使用示例（所谓的单次示例）。关于AI敏感性提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
看我 vs 告诉我提示
看我包括设计一个提示，向生成式AI表明你想要什么（展示给你看），而告诉我则包括设计一个提示，明确指示你想要做什么（告诉它）。关于看我和告诉我提示策略的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
邪恶提示
人们正在使用邪恶提示让生成式AI做坏事，比如骗局之类的事情。我不想让你这样做，但我认为了解邪恶提示的作用和工作原理也很有价值，这可以提醒你避免它们，不会无意中掉入陷阱。关于邪恶提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
思想逻辑提示
思想逻辑涉及告诉生成式AI以高度逻辑的方式处理一个问题或问题，并尽可能多地依赖逻辑推理。在这样做的过程中，有三个关键要素：（1）逻辑提取，（2）使用命题推导解决方案，（3）以通俗语言生成解释。关于思想逻辑提示的性质示例及更详细说明，请参见我的相关报道[链接在此]。
思想逻辑提示
思想逻辑提示法
通过类似于链式思维（CoT）的提示，告诉生成式AI首先为你的中心话题或问题生成一个大纲或骨架，使用思想逻辑方法来实现这一点。关于提示工程中思想逻辑方法的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
小型语言模型（SLM）提示
如果你还没有听说过小型语言模型（SLM），那完全可以理解，因为它们仍然不够成熟。有许多实验性的SLM，有些非常实用，而另一些则笨拙且不那么吸引人。在使用SLM时，你需要调整你的提示方法与传统的LLM不同。关于SLM提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
星际迷航粉丝行话提示
研究人员的一项不寻常发现表明，在提示中使用星际迷航粉丝行话可以改善生成式AI的结果。然而，这种方法存在缺点，可能会因误用或滥用而削弱你的努力。关于粉丝行话提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
绕过提示技巧
有时，你试图在生成式AI中使用的提示会被AI制造商设置的众多过滤器阻挡。你可以使用绕过提示技巧来绕过这些障碍。关于绕过提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
深呼吸提示
“深呼吸”提示在提示工程中已成为传奇，但事实证明，这种措辞在某些情况下有效果，但在其他情况下却有限制。关于深呼吸提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
目标响应（TAYOR）提示
目标响应（TAYOR）是一种提示工程技巧，它涉及告诉生成式AI期望生成的响应的外观和感觉。关于TAYOR或目标响应提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
温度设置提示
生成式AI的温度设置决定了生成式AI响应的多样性。你可以让AI产生相对简单且可预测的响应（通过使用低温度），或者你可以加热并使用高温度来促使AI产生看似更具创意和不可预测的响应。一些AI允许你通过提示自行修改温度设置。关于温度设置的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
思考时间提示
最新一代的生成式AI和LLM现在直接在AI架构中内置了逻辑推理功能，这带来了新的选项，即你希望AI在响应提示时花费多少所谓的思考时间。这个处理时间将决定响应的深度和可能的适用性。在指定思考时间方面会出现各种提示途径。关于思考时间提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
思想树（ToT）提示
思想树（ToT）是一种高级提示技巧，它涉及告诉生成式AI追求一个问题或问题的多个途径或线索（所谓的“思路”），并找出哪条路径最有可能导致最佳答案。关于思想树或思想树提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
信任层提示
生成式AI之外的额外组件正在被设置来预处理提示和后处理生成的响应，表面上是为了增加对AI正在做的事情的信任感。关于信任层用于辅助提示的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
模糊提示
故意使用模糊提示可以有利于激发开放式的响应，可能会触及某些新颖或特别有趣的内容。关于提示中使用模糊性的性质和使用示例及更详细说明，请参见我的相关报道[链接在此]。
列出提示技巧清单
我之前提到过，你可以考虑尝试我列出的提示工程技巧，特别是那些你不熟悉的。为了帮助你进行这项有益的练习，这是我建议的。创建一个包含以下列出的提示技巧清单的电子表格。制作一列，你可以标记是否熟悉该特定技巧，使用从0到5的评分范围，其中0表示你完全不了解它，而最高的5分表示你对它了如指掌。要坦率，不要给出假分数。写下你的真实分数。这个列表只对你自己有益。列出提示技巧清单
(以上内容均由Ai生成)
