大模型提示工程：构建大模型应用的科学与艺术

从提示词设计，走向可评估的大模型应用

做过知识库问答、文本整理或智能助手的人，往往会遇到同一个问题：一条提示词在演示中表现不错，换一批问题、加几段材料，结果就不稳定了。《大模型提示工程：构建大模型应用的科学与艺术》适合带着这类问题阅读。它把提示工程放进完整的应用流程，讨论输入怎样组织、上下文怎样取舍、模型输出怎样接入后续步骤，以及改动后如何判断效果。

本书原作名为 Prompt Engineering for LLMs，作者为 John Berryman、Albert Ziegler，两人都参与过 GitHub Copilot 早期研发。简体中文版由叶志远、王刚翻译，机械工业出版社于2026年6月出版，ISBN 为9787111810117。版本与完整目录可通过本页上方的出版社书页入口查看。

内容脉络：沿着一次模型调用向外展开

先理解模型，再定义应用中的任务

基础部分从词元、文本生成和对话模型讲起，再进入应用设计与质量评估。阅读时值得反复追问：用户的需求怎样转成模型能处理的输入？生成的文本怎样变成用户真正能用的结果？把这两个转换环节想清楚，通常比反复修改一句指令更有帮助。

把上下文当作需要设计的输入

技术部分围绕提示内容、片段组装、输出控制和模型选择展开，涉及少样本示例、RAG、摘要，以及信息之间的位置和依赖关系。这里最值得带回项目的视角，是逐项检查材料的作用：它是在解释任务、提供证据，还是规定输出格式？当窗口有限或资料互相冲突时，这种拆分能帮助团队讨论删什么、保留什么。

从单次回答延伸到智能体和评估

高级部分继续讨论工具使用、对话上下文、任务工作流，以及离线和在线评估。读者可以对照自己的流程，区分哪些步骤交给模型判断，哪些步骤适合用明确规则完成，再检查错误会怎样影响下一步。章节结构与主题见O’Reilly 原版目录。

适合哪些读者，需要什么基础

• 已经能调用模型接口的开发者：适合用来梳理提示模板、检索材料、结构化输出和测试集之间的关系，逐步改进已有原型。
• 参与AI产品设计的技术产品经理：可以重点阅读任务设计、工作流与评估，帮助需求讨论落到输入、输出和验收标准。
• 负责知识库或自动化流程的人：适合带着真实案例阅读，检查失败究竟来自资料不足、任务边界模糊，还是输出处理不完整。

阅读前最好理解 API、JSON 和基本程序流程；实践部分需要能保存输入输出、修改调用参数并比较结果。没有开发经验也能阅读概念章节，但要把方法落实到应用，仍需要补上编程与接口调用基础。原版官方将其定位在中级到高级读者范围，选书时应按自己的项目经验判断。

与《AI工程》《图解大模型》怎样搭配

下面按学习目标比较三本书，帮助判断先读哪一本。各书内容有交叉，区别主要在阅读重心。

如果正在处理“回答为什么忽好忽坏”，可先读本书；如果任务已跑通，下一步是上线、评估和控制成本，可接着读《AI工程》；如果对向量表示、注意力、检索等概念还缺少整体认识，《图解大模型》适合作为并行参考。

建议怎样读，才能留下可复用的方法

1. 选一个足够小的任务。例如把产品资料整理成固定字段，先明确输入范围、必填字段和无法判断时的处理方式。
2. 保留一组固定样例。除了正常问题，加入缺少信息、材料冲突和超出范围的情况；阅读过程中持续用同一批样例比较方案。
3. 每次只改一类因素。分别尝试调整示例、上下文顺序或输出约束，同时记录质量、响应时间与调用开销，避免凭单次回答下结论。
4. 把失败案例写成检查项。当工作流变长时，逐步检查检索、生成和后处理环节，让一次修正能被以后复用。

推荐价值与阅读边界

本书适合建立一种更具体的工作习惯：遇到效果问题时，先拆解输入、上下文、模型行为和评价方式，再决定改哪里。对需要反复迭代AI应用的读者，这种分析框架比收藏大量现成提示模板更容易迁移到新任务。

学习时仍要结合当前模型的官方文档。工具调用、结构化输出和推理模型的接口会变化，书中的策略需要在自己的任务上重新验证。提示工程也不能单独保证事实正确、数据安全或业务流程可靠；涉及外部操作的应用，还应设置权限控制、结果校验和必要的人工确认。