提示词工程入门:角色、框架与采样参数怎么配合
【摘要】 从角色与上下文、CO-STAR/CRISPE/CoT 三种结构框架,到 temperature、top_p、top_k 与存在/频率惩罚的取值逻辑,把提示词工程里最常被混用的概念串成一条可落地的实践路径。
同一句需求,换个问法,模型的输出质量可能差出一个量级。这篇笔记把提示词工程里最常被混用的几个概念串起来:角色与上下文、三种结构框架(CO-STAR / CRISPE / CoT),以及 temperature、top_p、top_k 与存在/频率惩罚的取值逻辑。
1. 先定义“谁在回答”和“基于什么回答”
角色设定解决的是输出立场与专业度。例如:
- 不给角色:模型倾向于给出百科式、四平八稳的回答;
- 给角色:“你是一名有 10 年经验的云解决方案架构师,回答时优先给可落地的步骤”,输出会更聚焦在操作层面。
上下文决定模型有没有足够的“事实底座”。缺上下文时,模型会用训练语料里的共性知识补齐,看起来合理,但未必符合你的业务约束。
2. 三种常用的结构框架
| 框架 | 组成 | 适合场景 |
|---|---|---|
| CO-STAR | Context、Objective、Style、Tone、Audience、Response | 写作、报告、文案类 |
| CRISPE | Capacity and Role、Insight、Statement、Personality、Experiment | 需要多轮迭代的复杂任务 |
| CoT(思维链) | 要求模型先分步推理再给结论 | 计算、逻辑、需要可解释性的任务 |
实践中不必生搬硬套模板:把“目标 + 背景 + 约束 + 输出格式”四件事写清楚,效果已经超过大多数照抄的框架。
3. 输出格式要显式约束
模型不会自动知道你希望 JSON 还是表格。明确写清楚四类约束:
- 结构:输出一个 JSON,包含 field_a、field_b 两个字段;
- 长度:不超过 200 字;
- 语言与语气:用简体中文,语气客观;
- 兜底:如果信息不足,直接回答“无法判断”,不要编造。
4. 采样参数:控制“多样性”,不控制“正确性”
| 参数 | 作用 | 常用区间 |
|---|---|---|
| temperature | 整体随机性,越高越发散 | 0 ~ 2;事实类任务 0~0.3,创意类 0.7~1.0 |
| top_p | 按累计概率截断候选集 | 0 ~ 1,通常与 temperature 二选一调 |
| top_k | 只保留概率最高的 k 个 token | 视模型而定,越大候选越多 |
| presence_penalty | 惩罚已出现过的 token,鼓励引入新话题 | -2 ~ 2 |
| frequency_penalty | 按出现次数惩罚,抑制重复 | -2 ~ 2 |
一个容易混淆的点:temperature 和 top_p 不是“调得越高越聪明”,它们改变的是概率分布的形状,不会增加模型的知识量。事实型任务把 temperature 压到 0.2 左右、top_p 保持在 0.9 上下,通常比默认值更稳定。
5. 一个可以直接套用的模板
# 角色 你是一名 <领域> 工程师。 # 背景 <业务背景、已有条件、限制> # 任务 <要做什么,越具体越好> # 约束 - 必须遵守 <规则> - 不要 <禁止项> - 信息不足时回答“无法判断” # 输出格式 <JSON / 表格 / 分点,字段名与顺序>
6. 三个常见坑
- 一次塞太多目标:模型会顾此失彼,拆成多轮更稳;
- 只用形容词不用示例:写“专业一点”不如给一段期望输出的样例(少样本提示);
- 忽略兜底:不写“不知道就说不知道”,模型倾向于编一个答案。
小结
提示词工程的收益主要来自三件事:把背景讲清楚、把输出约束住、把随机性调到与任务匹配。框架只是帮你把这三件事写全的脚手架。
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)