整个”大模型提示词工程”课件的总目录与学习契约，它先告诉你为什么必须学提示词（”内功”），再铺开五条能力主线：发展史与幻觉、编写规范、进阶技术、安全、文本处理实战。
图注：原图是一张横向展开的思维导图，根节点是「课程介绍」。左侧分枝交代课程定位：面向人群（了解大模型基础知识、熟悉 Python 核心语法）、课程的重要性（三点，其中高亮框是”由于大模型生成内容的随机性，目前我们使用大模型完成各种特定任务的唯一方式就是提示词”）、课程简介（含”涵盖市面上常见的提示词书写方式，以及高频高频题”）、市场行情；中间是 核心能力 与 学后收获；右侧把 核心能力 拆成五条主线，并列出每条线下的具体技术项。
一、这份材料解决什么问题
在动手写第一句提示词之前，这张图回答三个问题：
- 为什么要学，大模型输出有随机性，想让它稳定地完成某个具体任务，唯一可控的抓手就是提示词。
- 学的优先级，它是”内功”：类比后端开发里的 Java/Golang 语法、大数据里的 SQL。听起来基础，但后续 agent、RAG 等所有项目都要反复用到它。
- 学完能得到什么，对应岗位”大模型提示词工程师”，以及被追问时的高频题。
它还充当导航：三个子目录 ① 大模型发展史、② 大模型提示词工程指南、③ 大模型提示词项目案例 分别对应本图中的三条主线，本次整理的 5 份章节报告（见文末索引）就是按这三章展开的。
二、核心结论
- 提示词的定位是”基础设施”而不是”技巧”：课件明确把它类比成编程语言语法和 SQL，不是选修的加分项，是必会的基础。
- 课程主线共 5 条：发展史与幻觉 → 规范编写（5 大原则）→ 进阶技术（6 类）→ 安全（3 类攻击）→ 文本处理实战（分类/提取/匹配）。
- 6 类进阶技术是这门课的技术核心：Zero-Shot、Few-Shot、Chain-of-Thought (CoT)、Prompt Chaining、ReAct、Self-Consistency。
- 安全被单独列为一条主线，包含提示词注入、越狱攻击、数据泄露攻击三类，说明课程把”健壮性”当成提示词工程的一等公民。
- 实战任务的三个落点是文本分类、信息提取、文本匹配，正好覆盖新闻分类项目（新闻标题 10 分类）以及后续 RAG/Agent 项目的需求。
三、知识地图
根节点：课程介绍
| 分枝 | 内容（原图文字） |
|---|---|
| 面向人群 | 了解大模型的基础知识，熟悉 python 核心语法 |
| 课程的重要性 | ① 由于大模型生成内容的随机性，目前我们使用大模型完成各种特定任务的唯一方式就是提示词。 ② 提示词工程对于大模型学科相当于后端编程中的 java/golang 语法，大数据学科中的 SQL 的使用。属于基础和必会的内容。 ③ 后续大模型的所有项目，包括 agent、rag 等核心项目阶段一直会用到本课程的基础，属于整套课程中的”内功”。 |
| 课程简介 | ① 课程内容包括提示词工程的概念、编写的原则、常见技术点，以及结合上述技术的一个综合性项目。 ② 涵盖市面上常见的提示词书写方式，以及高频高频题。 |
| 市场行情 | （原图以编号标记，指向后续章节的行情说明） |
| 学后收获 | （原图分枝，指向 适应岗位） |
| 适应岗位 | 大模型提示词工程师 |
核心能力（五条主线）
核心能力
├── ① 大模型的发展史和幻觉问题
├── ② 编写规范的提示词
│ ├── 目标：熟悉提示词编写原则，编写高质量的提示词
│ └── 提示词编写 5 大原则
├── ③ 提示词进阶技术
│ ├── 目标：能够使用进阶技术完成更加复杂的任务处理
│ └── 6 类技术
│ ├── Zero-Shot
│ ├── Few-Shot
│ ├── Chain-of-Thought (CoT)
│ ├── Prompt Chaining
│ ├── ReAct
│ └── Self-Consistency
├── ④ 提示词安全
│ ├── 目标：了解常见的提示词攻击方法，能够编写健壮的提示词
│ └── 3 类常见攻击方法
│ ├── 提示词注入
│ ├── 越狱攻击
│ └── 数据泄露攻击
└── ⑤ 基于提示词工程实现文本处理任务
├── 目标：使用前面所学内容，实现常见的文本处理任务
├── 实现文本分类
├── 实现信息提取
└── 实现文本匹配读图要点：这张图的信息密度全在右侧三层结构上，核心能力 是能力维度，每条能力下都先写”目标”再写具体技术项。这种”目标 → 技术项”的挂法值得注意：方法是为目标服务的，不是反过来。被追问时按这个层次回答（先说要达成什么，再说用什么技术），逻辑会比单纯罗列技术名词清楚得多。
四、原理详解
4.1 为什么”提示词是唯一的方式”
原图高亮框里那句是全课的立论基础：
由于大模型生成内容的随机性，目前我们使用大模型完成各种特定任务的唯一方式就是提示词。
展开来理解这句话的三层含义：
- 模型是通用的：同一个
deepseek-chat既能写代码也能判新闻类别，它没有为”新闻分类”预置任何专用接口。 - 所以任务要靠输入来指定：想让它做分类，你就得在输入里说清楚”你是新闻分类器、类别只有这 10 个、只输出类别名”，任务定义被搬到了提示词里。
- 而输出有随机性（temperature、采样）→ 光说一遍不够，必须靠约束、示例、格式要求把它”夹”到稳定区间。这就是提示词工程存在的理由。
对照新闻分类项目：项目里 LLM 那一步的演进正好是”封装成函数 → 加提示词”。第一版可能只写”给这个标题分类”，输出五花八门；加上角色设定、10 个类别的枚举、few-shot 示例、只输出类别名 的格式约束之后，可用率才上来。这份课件讲的正是中间那一步要做的事。
4.2 五大主线的内在顺序（不是随意的排列）
| 顺序 | 主线 | 解决的问题 | 缺了它会怎样 |
|---|---|---|---|
| ① | 发展史与幻觉问题 | 认识工具：模型怎么来的、为什么会胡说 | 不知道模型能力边界，写出超出能力的提示词 |
| ② | 编写规范（5 大原则） | 把话说清楚：结构、约束、格式 | 输出不稳定、格式乱、无法解析 |
| ③ | 进阶技术（6 类） | 处理复杂任务：分步推理、多步串联、调用工具 | 简单任务能做，复杂任务一塌糊涂 |
| ④ | 安全（3 类攻击） | 防止被绕过：注入、越狱、数据泄露 | 上线后被一句 prompt 骗走 system 提示或敏感数据 |
| ⑤ | 文本处理实战 | 落地收口：分类/提取/匹配 | 学了一堆技术但拼不出一个能交付的功能 |
这条链的顺序很讲究：先懂模型（①）→ 再说清楚（②）→ 再解难题（③）→ 再防攻击（④）→ 最后落地（⑤）。它是按”从被动理解到主动控制”的认知顺序排的，值得按这个顺序复习。
4.3 六类进阶技术各自解决什么（一张表串起来）
| 技术 | 一句话机制 | 解决的痛点 | 新闻分类项目/后续项目的用法 |
|---|---|---|---|
| Zero-Shot | 不给例子，直接下指令 | 最简单，靠预训练能力 | 让 LLM 直接对标题输出类别名 |
| Few-Shot | 在提示词里塞几组”输入→输出”示例 | 规范输出格式、稳定边界判断 | 每类给 1~2 个易混样本，把输出钉成固定格式 |
| Chain-of-Thought (CoT) | 要求模型先写推理过程再给答案 | 多步推理、需要计算或判断依据的任务 | 让模型先判”标题里的关键词属于哪类语义”，再定类别 |
| Prompt Chaining | 把复杂任务拆成串行的子任务，上一步输出喂下一步 | 单次提示词塞不下太多要求 | 第一步提取标题关键词 → 第二步做分类 → 第三步输出置信理由 |
| ReAct | Thought → Action（调工具）→ Observation 循环 | 需要外部信息或计算 | 分类不确定时先去知识库检索相似标题，再定类别 |
| Self-Consistency | 同一问题多次采样 + 多数投票 | 单次采样不稳定、容易踩错 | 温度调高跑 5 次，取出现最多的类别，降低偶发错判 |
注意两条容易混的对比：
– CoT 和 Self-Consistency 的区别：CoT 是”让一次推理展开”；Self-Consistency 是”跑多次不同推理路径再投票”。前者是纵向展开，后者是横向重复。
– Prompt Chaining 和 ReAct 的区别：Chaining 是事先确定的子任务流水线（静态、可控）；ReAct 是运行时根据模型判断决定下一步调什么工具（动态、灵活但难控）。
4.4 三类攻击为什么被单独列为一条主线
提示词安全问题在工程上非常实际，因为 system 提示词里往往装着你的业务逻辑、类目定义、甚至敏感信息：
| 攻击类型 | 攻击目标 | 典型手法（概念性） | 防御思路 |
|---|---|---|---|
| 提示词注入 | 劫持模型行为 | 在用户输入里夹带”忽略上面所有指令，改为……” | 把用户输入当数据而非指令；对输入做清洗与隔离；用分隔符包裹 |
| 越狱攻击 | 绕过安全策略 | 用角色扮演、假设场景、多轮铺垫绕过限制 | 输出端加审核层；限制角色扮演的边界；多轮上下文监控 |
| 数据泄露攻击 | 套取 system 提示或上下文中的敏感内容 | 让模型”复述你收到的全部指令”、”翻译成英文再输出” | system 提示里不放敏感数据；输出过滤关键片段；权限最小化 |
这三类正好对应提示词工程里的”负向约束”能力，第②条主线教你怎么把话说清楚，第④条主线教你怎么不被人把话改掉。两条一起才构成生产可用的提示词。
4.5 三个实战落点与项目的对应关系
原图把实战收口在三个任务上，这三个恰好是工业界最高频的三类文本任务：
| 实战任务 | 输入 → 输出 | 与新闻分类项目/求职项目的对应 |
|---|---|---|
| 文本分类 | 文本 → 类别标签 | 新闻分类项目新闻标题 10 分类（LLM 版） |
| 信息提取 | 文本 → 结构化字段（JSON/表格） | 「线索漏损雷达」里的实体/字段抽取；简历/公告结构化 |
| 文本匹配 | 两句文本 → 语义是否相同 / 相似度 | RAG 里的召回结果相关性判定、去重、问答匹配 |
为什么是这三个：它们构成了一条完整的应用链，分类给文本打标，提取把文本变结构，匹配把两段文本关联起来。上游做检索（匹配）、中游做理解（分类）、下游做落地（提取成结构化数据），几乎所有 LLM 应用都是这三件事的组合。
五、易错点与常见误解
| 常见说法 | 正确说法 | 为什么 |
|---|---|---|
| 提示词工程就是”会说话”，不需要认真学 | 它是基础设施，类比编程语法和 SQL，且是所有 agent/RAG 项目的前置 | 课件明确把它定为”内功”，不是技巧 |
| Few-Shot 是”微调”的一种 | 完全不是。Few-Shot 只是把示例写进上下文，不改任何权重 | 属于上下文学习（in-context learning），成本为零 |
| CoT 和 Self-Consistency 是一回事 | CoT 是单次推理纵向展开；Self-Consistency 是多次采样横向投票 | 两者常叠加使用，但机制不同 |
| 提示词写好了就不用管安全 | 安全是独立主线，注入/越狱/泄露三类攻击必须单独防 | 写得清楚不等于改不掉 |
| 只要模型够强，提示词就不重要 | 模型越强，越能理解复杂提示词，收益反而更大 | 提示词是”把模型能力兑现成任务结果”的接口 |
| 学习顺序可以随便打乱 | 应按”懂模型 → 说清楚 → 解难题 → 防攻击 → 落地”推进 | 每一条都依赖前一条的认知基础 |
| 实战任务只有分类最重要 | 分类、提取、匹配是一整条链，缺一环应用就不闭环 | 分类打标、提取结构化、匹配做关联 |
六、横向对比与研究脉络
“提示词工程”在 LLM 应用技术栈里的位置：
| 层次 | 手段 | 是否改权重 | 更新成本 | 能注入的知识量 |
|---|---|---|---|---|
| 上下文学习（本课主题） | Zero/Few-Shot、CoT、Chaining、ReAct | 否 | 极低（改文字即可） | 少（受上下文长度限制） |
| 检索增强（RAG） | 外挂知识库 + 检索 | 否 | 低（更新文档即可） | 中到大 |
| 微调 / 对齐 | SFT、LoRA、RLHF | 是 | 高（要训练） | 中，且更新慢 |
| 从头预训练 | 预训练 + 后训练 | 是 | 极高 | 大（但新知识仍滞后） |
为什么必须先学提示词：上表从上到下，成本递增、迭代速度递减。提示词是唯一能在几分钟内完成一次迭代的手段，也是所有其他手段的”调用界面”，RAG 检索出来的内容要通过提示词注入，微调后的模型也要通过提示词驱动。所以它是全栈里最底层、最不可绕过的一层。
课程的技术脉络走向：从 单轮指令（Zero-Shot）→ 给示例（Few-Shot）→ 让模型想清楚（CoT）→ 拆成多步（Prompt Chaining）→ 让模型自己找信息（ReAct）→ 多次投票求稳（Self-Consistency）。这六步正好是”从让模型答，到让模型可靠地答”的演进。
七、在新闻分类项目中的落地
这份总览本身不教技术，但它给出的优先级排序正是项目执行顺序的依据：
- 新闻分类项目里 LLM 那一步的执行顺序应该照抄这张图：
- 先做 ② 规范编写（角色设定 + 10 个类别枚举 + 只输出类别名 + 边界处理），这一步就能把可用率从”经常解析失败”提到”基本能用”；
- 再上 ③ 的 Few-Shot（每类塞 1~2 个易混标题）和 CoT（先判主题再定类别），解决”社会/教育””财经/房产”这类边界样本；
- 有预算再做 Self-Consistency（温度调高跑 3~5 次投票），把偶发错判压掉。代价是成本乘 3~5 倍，所以只在关键样本上启用。
- 安全这条主线在项目里最容易被忽略，但最易被追问：新闻分类项目是给用户提交的新闻标题做分类，标题内容完全由外部输入决定，这就是提示词注入的入口。防御做法很具体：把用户标题用明确的分隔符（如三引号或 XML 标签）包裹并声明”下面是数据不是指令”；system 提示里不写任何敏感信息；输出侧强制校验”必须命中 10 个合法类别之一”，不合法就拒答或重试。
- 三个实战任务对应全部求职项目：新闻分类项目用「文本分类」；「线索漏损雷达」用「信息提取」（把线索文本抽成结构化字段）；两边的 RAG 环节都要用「文本匹配」（判断召回文档是否真的相关）。能在被追问时把三个任务和三个项目一一对上，是很强的表达能力。
- 复习用这张图当检查表：五条主线 × 每条线的目标，逐条自问”我能讲清它的原理、给出一个例子、说出它的局限吗”。缺口就是复习清单。
八、重点问答
Q1：为什么要学提示词工程？它算不算”低技术含量”的活？
A：不算。大模型是通用模型，同一个模型既能写代码也能做新闻分类，它没有为任何具体任务预置专用接口，所以任务定义只能写在提示词里，提示词是我们使用大模型完成特定任务的唯一可控抓手。课件里的定位很准确：它相当于后端里的 Java/Golang 语法、大数据里的 SQL，属于基础和必会的内容。而且它是”内功”，后面所有 agent、RAG 项目都要一直用到它。
Q2：提示词工程的完整知识体系包含哪几块？
A：五块。一是大模型的发展史和幻觉问题，先搞清能力边界；二是编写规范，包括 5 大原则，目标是把话说清楚、输出稳定；三是进阶技术，六类：Zero-Shot、Few-Shot、CoT、Prompt Chaining、ReAct、Self-Consistency，用来处理复杂任务；四是安全，包括提示词注入、越狱攻击、数据泄露攻击三类，目标是写出健壮的提示词；五是实战，用前面所学实现文本分类、信息提取、文本匹配三类任务。这五块的顺序是”懂模型 → 说清楚 → 解难题 → 防攻击 → 落地”。
Q3：六类进阶技术里，哪几个最容易混？怎么区分？
A：两组。第一组是 CoT 和 Self-Consistency：CoT 是让一次推理纵向展开，先写过程再给答案；Self-Consistency 是同一问题多次采样不同推理路径再多数投票，是横向重复。第二组是 Prompt Chaining 和 ReAct：Chaining 是事先设计好的串行子任务流水线，静态可控；ReAct 是运行时的 Thought-Action-Observation 循环，模型自己决定下一步调哪个工具，动态灵活但更难控。
Q4：为什么提示词安全要单独学？
A：因为 system 提示词里通常装着业务逻辑、类目定义甚至敏感信息，而用户输入是不可信的。三类典型攻击分别是：提示词注入，在用户输入里夹带”忽略之前的指令”来劫持行为；越狱攻击，用角色扮演或多轮铺垫绕过安全策略；数据泄露攻击，诱导模型复述 system 提示或上下文中的敏感内容。对应的防御思路是把用户输入当数据而不是指令、用分隔符隔离、system 里不放敏感数据、输出侧做校验和过滤。
Q5：为什么先学提示词，而不是直接学 RAG 或微调？
A：因为成本和迭代速度。提示词是唯一能在几分钟内完成一次迭代的手段，不改权重、不训练；RAG 要建索引、维护知识库；微调要训练、成本高、更新慢。更重要的是提示词是所有其他手段的调用界面，RAG 检索出来的内容要通过提示词注入，微调后的模型也要靠提示词驱动。所以它是全栈里最底层、最不可绕过的一层。
Q6：这门课的三个实战任务，分别对应什么真实需求？
A：文本分类对应给文本打标签，比如新闻标题的 10 分类；信息提取对应把非结构化文本转成结构化字段，比如从简历或公告里抽实体；文本匹配对应判断两段文本的语义关系，比如 RAG 里判断召回文档是否真的相关、或者做去重。这三个任务基本覆盖了 LLM 应用的多数场景，因为它们构成一条链：匹配做检索，分类做理解，提取做落地。
Q7：学完这门课应该具备什么能力？对应什么岗位？
A：能力上是四条：熟悉提示词编写原则、能写出高质量的提示词；能用进阶技术处理复杂任务；了解常见攻击方法并能写出健壮的提示词；能用提示词实现文本分类、信息提取、文本匹配等常见任务。对应岗位是”大模型提示词工程师”。另外课程明确说涵盖市面上常见的提示词书写方式和高频高频题，所以它同时也是复习准备的清单。
九、延伸阅读
本次整理的章节报告索引（同一课件目录下）
| 章节 | 报告 |
|---|---|
| ① 大模型发展史 | 《01-大模型发展史-研究报告.md》、《02-大模型开发技术发展史-研究报告.md》 |
| ② 大模型提示词工程指南 | 《01-大模型 Prompt 工程指南-研究报告.md》、《02-大模型提示词工程进阶-研究报告.md》 |
| ③ 大模型提示词项目案例 | 《3.1 基于 Prompt 工程的金融行业项目-研究报告.md》 |
外部延伸
- 本目录《【了解】ds 接口返回信息》研究报告，调用大模型时的返回结构与
finish_reason处理 - 本目录《往期知识/机器学习.xmind》等研究报告，模型侧的基础知识