我悟了如何与AI说话！谷歌 69 页官方提示词秘籍全解析，中文版免费下载

你不必是数据科学家或机器学习工程师——人人都可以编写提示词。

（You don't need to be a data scientist or a machine learning engineer – everyone can write a prompt.）

作者 | 王启隆

出品 | CSDN（ID：CSDNnews）

最近，Google 官方发布了一份长达 69 页的【Prompt Engineering 白皮书】，可以说是目前最系统、最权威的“AI 沟通指南”了。我们也是第一时间翻译好了这本书，准备【免费】送给大家！

怎么拿？很简单，看完这篇文章，参与文末的小活动就行！

现在咱们聊聊，为啥这份白皮书突然就刷屏了？为啥说它是“必学秘籍”？

很简单，因为现在跟 AI 打交道，真的太难了！

• 你苦口婆心解释半天，它抓着一个无关紧要的词就开始自由发挥……

• 你想要个 A，它自信满满地给你个 B，还附赠一套又臭又长、看似完美的错误逻辑……

• 同一个问题，昨天它懂你，今天它就装傻，效果全看“缘分”……

即使是 OpenAI o1、DeepSeek R1 这些主打推理能力的新时代模型出来了，大家以为可以“傻瓜式”对话了，结果该懵圈的时候还是懵圈，该跑偏的时候照样跑偏——现实狠狠地打了我们一巴掌：AI 再强，你不懂“说话的艺术”，它也只能是个“最熟悉的陌生人”！

而“提示工程 (Prompt Engineering)”这门学问，就是教我们如何掌握这门艺术，如何精确、高效地引导 AI，让它从“猜你心思”变成“懂你心思”。

Google 这份白皮书，不是某个博主的心得体会，不是零散的技巧合集，而是 Google 官方基于对大语言模型（LLM）的深刻理解，系统性梳理出来的方法论、技巧库和最佳实践。

接下来，咱们就一起“开卷”这本秘籍，把里面的精华嚼碎了、掰开了，让你彻底搞懂 Prompt 的门道。

别忘了，看到最后有惊喜，读至文末，领取 69 页完整白皮书（英文原文 PDF + 中文翻译版 PDF）！

第一层心法：搞懂 AI 的“脑回路”——它其实只会猜词？

大语言模型（LLM）是一个预测引擎。当你输入文字时，模型会根据它训练过的数据预测下一个词应该是什么。通过精心设计的提示，你可以引导模型生成更符合你期望的回答。

白皮书开篇就给我们提了个醒：别把大语言模型（LLM）想得太玄乎，它骨子里就是个能力超强的预测机器。你给它一段话（你的提示词），它就在自己“消化”过的海量信息里疯狂搜索，预测接下来最可能蹦出哪个词（准确说是 Token），然后吐出来；接着，把这个新词加到你的话后面，再预测下一个... 就这么循环往复，直到它觉得说得差不多了或者达到你设定的长度。

想明白这点，是不是瞬间感觉思路清晰了？为啥 Prompt 那么关键？因为你的提示词，就是在给这个猜词游戏设定开局和规则！ 你开头的引导越清楚、给的信息越多、指令越明确，它猜中你心思的概率就越大。这就是为啥有时候你换个说法，或者多加句背景，AI 的回答就能从反应迟钝变得智能多了！记住，你不是在跟它谈心，你是在引导它的预测方向！

第二层心法：玩转温度、Top-K、Top-P 这些关键参数

提示的许多方面都会影响其效果：使用的模型、模型的训练数据、模型配置、您的用词、风格和语气、结构以及上下文都很重要。因此，提示工程是一个迭代的过程。不恰当的提示可能会导致模棱两可、不准确的响应，并且会妨碍模型提供有意义的输出。

大部分人都是直接在各种 LLM 的官网使用聊天机器人，很少会有非开发者主动去研究怎么玩转 API。那么，开发者使用 AI 和非开发者使用 AI 的区别在哪呢？

比方说我现在打开 DeepSeek 的页面，一共就五个可交互的元素：写提示词用的聊天框（ChatBox）、切换成 R1 模型的「深度思考」按键、联网搜索按键、上传附件还有一个发送按键。

这里面影响结果最大的因素，自然是调整 提示词。但 除了提示本身，我们其实还可以调整各种配置选项来控制 AI 的输出，这些设置会影响 AI 生成回答的方式。

典型的就是谷歌自家的 Google AI Studio，除了常见的聊天框以外，我们还能在右边去调节各式各样的参数：

• 温度 (Temperature)

这玩意儿直接控制 AI 回答的随机性（或者说创造力）。你可以把它想象成调节 AI “ 胆量”大小的开关，正所谓“人有多大胆，地有多大产”，温度调的越大，模型创造力也就越强。

调低温度（比如 0.1 到 0.3），AI 就变得比较保守，倾向于选择概率最高、最常见、最符合事实的词汇，输出结果特稳定、一致，适合做总结、提取信息这类严谨的任务。 缺点嘛，可能有点缺乏惊喜。

低温度典型的任务，就是让 AI 写代码：

顺带一提，笔者真的是 INTP

调高温度（比如 0.8 到 1.0 甚至更高），AI 就胆子大了，敢于尝试一些概率没那么高、更不寻常的词，输出结果会更多样化、更有创意，甚至可能给你惊喜……

高温度适合拿来写文章或者日常聊天对话：

Top-K 和 Top-P (核采样)：这俩是用来给 AI 的备选词库划定范围的，算是对温度控制的补充。Top-K 比较直接，比如设置 K=50，那 AI 在预测下一个词时，就只考虑概率排名前 50 的词。Top-P 则更智能一点，比如设置 P=0.95，AI 会从概率最高的词开始往下加，直到这些词的概率总和达到 0.95 为止，然后只在这些词里做选择。这能动态地调整备选范围，比固定 K 值更灵活。它们的作用都是在保持一定创造性的同时，防止 AI 选到那些特别不靠谱的词，进一步平衡输出的可靠性和多样性。

白皮书建议，可以从 Temp=0.2, Top-P=0.95, Top-K=30 这样的组合开始尝试，然后根据任务需求微调。如果需要更有创意的回答，可以尝试Temp=0.9、Top-P=0.99 和 Top-K=40。

第三层心法：从“瞎猫撞死耗子”到“精准制导”——核心提示技巧详解

即使对同一模型使用完全相同的提示，输出句子的格式和用词也可能存在细微差异。

这部分是白皮书的精华所在，招式层出不穷，涵盖了多种实用的 Prompt 技巧，咱们挑几个最能打的“绝学”细细品味：

零样本提示（Zero-shot）

大家可能经常在 AI 文章或者 AI 访谈看到这个词，但其实它代表的就是我们平时最经常使用的技巧——啥都不加。所谓零样本，正是直接告诉AI你想要什么，不提供任何示例。

少样本提示（Few-shot）

与其让 AI 猜测你的意图，不如直接给出范例。例如，想让 AI 将非结构化文本转换为特定 JSON 格式，可以在 Prompt 中包含几个清晰的“输入-输出”对。

看到没？给了几个好例子，AI 就知道你想要啥格式、啥风格了。白皮书还特别强调，给的例子质量要高，要能代表真实场景，最好还能覆盖一些容易出错的边界情况（比如上面的中性反馈）。

谷歌建议，一般来说，少样本提示应该使用 3-5 个例子。例子应该多样化、高质量且书写良好。

分层指令 (System, Contextual, Role Prompting)

将指令分解为不同层次，可以更清晰地引导 AI。这三个提示类型就像给 AI 下达指令的三个层次，组合起来威力无穷：

• 系统提示 (System)：这是给 AI 定“人设”和“总纲领”的。比如，在 Prompt 最开始就声明：“你是一个专业的 Python 代码审查助手，专注于发现潜在的 bug 和不符合 PEP8 规范的代码。” 这就给 AI 的行为定了基调。

• 上下文提示 (Contextual)：这是提供当前任务的具体“背景信息”的。比如，在系统提示之后，你接着说：“现在，请审查以下这段 Python 代码：[粘贴代码]”。这就是把具体的“工作对象”告诉了 AI。

• 角色提示 (Role)：这是进一步细化 AI 的“言行举止”的。比如，你可以补充一句：“请用资深工程师的口吻，给出具体的修改建议，并解释原因。” 这就让 AI 不仅知道做什么，还知道“怎么说”。

没有这些层次，你可能只会问“帮我看看这段代码有啥问题”，AI 可能只会简单回答你错误有哪些类型，但不会告诉你错在哪了，往往还不会告诉你怎么改。但用了这些方法，AI 就能更精准、更专业、更符合你预期地完成任务！

“退一步，想得更明白” (Step-back Prompting)

有时候，直接问一个很具体的问题，AI 反而容易陷入细节或者给出肤浅的答案。比如你问：“给我写一个关于 ‘时间管理 App’ 的营销推文。”

AI 可能随便给你写几句。但如果你用“退一步”的技巧，先问它一个更抽象的问题：

“请先总结一下，撰写吸引人的营销推文需要遵循哪些核心原则？”

等 AI 回答了（比如：突出痛点、强调价值、制造稀缺感、明确行动召唤等），你再把这些原则作为上下文，提出你的具体要求：

“很好。现在，请基于以上原则，为一款新的 ‘时间管理 App’（主要功能是智能规划、番茄钟、任务提醒）撰写一条营销推文。”

看到没？通过先引导 AI 思考“上层建筑”，再让它去盖“具体房子”，能有效激活它的知识储备，让最终的输出更有深度和策略性。

思维树（Tree of Thoughts）

这是对付复杂推理难题的“大招”，尤其适合数学题、逻辑题。

我们知道，CoT（思维链）是让 AI 走一条推理路径。但一条路可能走偏，最后往往是得开个新窗口让 AI 重新思考一遍，然后报错“服务器人挤满了，请稍后再试”。

谷歌建议：使用思维链提示时，最好将温度设置为0，因为通常只有一个正确答案。

而思维树（ToT）的思路是：让 AI 走 N 条不同的路！具体做法通常是保持 CoT 的引导语（比如“一步一步思考”），但把温度调高，让 AI 每次生成推理过程时都有一定的随机性，从而产生多种不同的解题步骤和答案。

最后，你统计一下这 N 个答案里，哪个答案出现的次数最多，就选它！这就像投票，大多数“路径”都指向的答案，往往就是最靠谱的那个，虽然计算成本高了点（要跑 N 次），但在追求极致准确率的场景下，效果拔群。

让 AI “动手”干活 (ReAct - Reason & Act)

这是目前最接近“智能体 (Agent)”概念的提示模式。它彻底打破了 AI 只能“动嘴皮子”的限制。通过 ReAct 框架，AI 的工作流程变成了一个循环：

思考 (Reason)->行动 (Act)->观察 (Observation)->再思考……

这里的“行动”通常是调用外部工具。比如，你问 AI：“Metallica 乐队成员一共有多少个孩子？” 它光靠自己数据库里的旧知识可能不知道。但用了 ReAct，它的内心 OS 可能就是：

通过这种“思考-行动-观察”的循环，AI 可以利用外部工具获取最新信息、进行计算、甚至操作其他软件，能力边界大大扩展！

出了新手村之后，如何持续精进到最佳实践？

提示工程是一个反复试验的过程：精心设计并测试不同的提示、分析并记录结果、根据模型的表现来优化提示、不断尝试直到获得期望的输出……每当你更换模型或模型配置时，记得回到第一步，并继续对之前使用的提示进行试验。

掌握了白皮书的这些心法心得，你其实已经超越了 90% 的人了！（当然，不是指看完这篇文章，而是说要读到文末领取白皮书并看完）

但想成为真正的“提示词王者”，谷歌还建议了大家养成一些好习惯：

• 简洁至上 (Design with simplicity)：避免冗长、模糊或歧义的表述。清晰、直接的指令更容易被 AI 理解。

• 明确输出要求 (Be specific about the output)：对输出的格式、长度、风格等提出具体要求（例如，“输出为 Markdown 表格”，“总结为 3 个要点，每点不超过 50 字”）。

• 使用模板与变量 (Use variables in prompts)：对于重复性任务，创建包含占位符的 Prompt 模板，可以方便地替换变量以适应不同输入，提高效率，也便于集成到自动化流程中。

• 持续实验 (Experiment)：不同的模型、任务、参数组合可能产生截然不同的结果。将 Prompt Engineering 视为一个实验过程，不断尝试、比较和优化，找到最适合特定场景的方案。

• 记录与复盘 (Document the various prompt attempts)：记录下每次重要尝试的细节（目标、模型、参数、Prompt、输出、效果评估、心得），有助于追踪进展、避免重复错误、分享经验，并在模型更新后进行有效性验证。白皮书甚至提供了一个记录模板。

呼～一口气说了这么多，是不是感觉信息量有点超载，但又有点豁然开朗？

别担心！这些心法和招式，不是让你死记硬背的，关键在于理解其背后的逻辑，然后去实践中体会、去应用中打磨！

那么，最好的“练武场”远在天边，近在眼前！咱们 CSDN，就给你搭好了这个舞台：

扫描上图二维码或点击阅读原文，参与 CSDN 问答挑战，将成功截图发送给小助手（vx: csdn-01），挑战并成功通关的用户，将【免费】获得【Google 官方提示工程白皮书】全 69 页高清 PDF 的原版 & 完整翻译版。

朋友们，别再让 AI “猜”你的心思了！是时候拿起这份“说明书”，去真正地“驾驭”它了！理论学习 + 实战演练 + 官方秘籍，这套“组合拳”打下来，保证你神清气爽，功力大涨~