前置知识
阅读本文前，建议先了解：
- 大模型基础理论 - LLM 基本原理
- 01-Token 与分词 - Token 与上下文
一、什么是 Prompt？
Prompt（提示词） 是你与 LLM 对话时输入的文字。你可以把它理解为：
- 对 LLM 说话的方式
- 给 LLM 的”指令”
- 与 LLM 沟通的”桥梁”
你（输入）："请帮我总结这篇文章的主要内容"
↓
Prompt
↓
LLM：返回一篇摘要
[!比喻] Prompt 像什么？ Prompt 就像是”魔法师的咒语”。同样的 LLM（就像同一个魔法师），用不同的咒语（Prompt），会召唤出不同的结果。
二、完整提示词的组成要素（核心概念）
广义 Prompt vs 狭义 Prompt
- 狭义 Prompt：仅指用户当前输入的那句话
- 广义 Prompt（完整提示词/Full Prompt）：系统提示词 + 历史信息 + 用户输入的总和
在实际工程中，**发送给模型的完整 Prompt（Full Prompt）**是由多个部分组成的，而不仅仅是用户当前输入的那句话：
完整 Prompt = 系统提示词 + 历史信息 + 用户输入
2.1 核心概念关系图
这几个概念经常混用，但它们在技术实现和实际应用中有着明确的层级和功能区别。我们可以用**“剧本与舞台”**的关系来理解。
┌─────────────────────────────────────────────────────────────────────────┐
│ 上下文窗口 (Context Window) │
│ (LLM 能记住的最大容量/容器) │
│ │
│ ┌───────────────────────────────────────────────────────────────────┐ │
│ │ 完整提示词 (Full Prompt) │ │
│ │ (实际发送给模型的所有文本内容) │ │
│ │ │ │
│ │ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ │
│ │ │ 系统提示词 │ │ 历史信息 │ │ 用户输入 │ │ │
│ │ │ (System Prompt) │ │ (History) │ │ (User Input) │ │ │
│ │ │ │ │ │ │ │ │ │
│ │ │ ★ 设定角色/规则 │ │ ★ 之前的对话 │ │ ★ 当前的问题 │ │ │
│ │ │ ★ 优先级最高 │ │ ★ 记忆上下文 │ │ ★ 触发新回复 │ │ │
│ │ │ ★ 通常固定不变 │ │ ★ 随对话增长 │ │ ★ 每次变化 │ │ │
│ │ └─────────────────┘ └─────────────────┘ └─────────────────┘ │ │
│ │ │ │ │ │ │
│ │ └──────────────────┬──────────────────┘ │ │
│ │ │ │ │
│ │ 合并为 Token 流 │ │
│ └───────────────────────────────────────────────────────────────────┘ │
│ │
│ ⚠️ 注意：完整提示词的大小 ≤ 上下文窗口容量 │
└─────────────────────────────────────────────────────────────────────────┘
2.2 详细定义与区别
| 概念 | 英文 | 定义 | 作用 | 可变性 | 优先级 |
|---|---|---|---|---|---|
| 上下文窗口 | Context Window | 模型一次能处理的最大令牌数 (Token Limit) | 决定模型能”记住”多少内容 | 固定 (由模型决定，如 8K, 128K) | N/A (是限制条件) |
| 系统提示词 | System Prompt | 开发者预设的底层指令 | 定义 AI 的身份、底线、风格 | 会话中通常不变 | 最高 (覆盖用户指令) |
| 历史信息 | History | 当前会话中过去的对话记录 | 提供记忆，保持对话连贯性 | 随对话轮数增加 | 中 (提供背景) |
| 用户输入 | User Input | 用户当前发送的具体消息 | 提出新任务或新问题 | 每条消息都变 | 高 (直接触发任务) |
| 提示词 | Prompt | 广义：上述所有内容总和 狭义：仅指用户输入 | 驱动模型生成输出的燃料 | 取决于指代范围 | 取决于内容 |
2.3 它们如何协同工作？(动态流程)
┌─────────────────────────────────────────────────────────────────────┐
│ 对话进行中的动态变化 │
└─────────────────────────────────────────────────────────────────────┘
【第 1 轮对话】
┌───────────────────────────────────────────────┐
│ 上下文窗口 [====================......] 20% │
│ [System] + [User: 你好] │
└───────────────────────────────────────────────┘
↓ 生成回复
【第 10 轮对话】
┌───────────────────────────────────────────────┐
│ 上下文窗口 [================================] 80% │
│ [System] + [历史 1-9 轮] + [User: 继续] │
└───────────────────────────────────────────────┘
↓ 生成回复
【第 100 轮对话 (超出窗口)】
┌───────────────────────────────────────────────┐
│ 上下文窗口 [================================] 100%│
│ [System] + [历史 90-99 轮] + [User: 继续] │
│ ↑ │
│ 最早的历史被"遗忘"(截断) │
└───────────────────────────────────────────────┘
关键点说明：
- 包含关系：
System Prompt+History+User Input共同组成了发送给模型的Full Prompt。 - 容量限制：这个
Full Prompt的长度不能超过Context Window。 - 遗忘机制：当对话过长，
History会被截断（通常是最早的对话先被丢弃），但System Prompt通常会被强制保留在窗口最前端。
2.4 通俗类比：剧场演出
为了更好理解，我们可以把它们比作一场话剧演出：
| 概念 | 剧场类比 | 说明 |
|---|---|---|
| 上下文窗口 | 舞台的大小 | 舞台只有这么大，能站的人和道具有限。如果人太多，最早上台的得下去 |
| 系统提示词 | 剧本大纲与导演要求 | ”这是一场喜剧，演员不能骂人，必须穿古装”。这是演出前定好的，整场演出不能变 |
| 历史信息 | 已经演过的剧情 | 观众和演员需要记得前面发生了什么，剧情才能连贯 |
| 用户输入 | 观众此刻的互动/下一句台词 | 观众说：“主角现在该做什么？” 演员根据剧本和之前的剧情来回应 |
| 提示词 | 整场演出的所有信息包 | 演员在开口前，脑海里综合了剧本、之前的剧情和观众的互动，这些总和就是 Prompt |
2.5 常见误区澄清
┌─────────────────────────────────────────────────────────────────┐
│ 误区 vs 真相 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ❌ 误区 1: "Prompt 就是用户输入的那句话" │
│ ✅ 真相：工程上，Prompt 是 System+History+Input 的总和 │
│ │
│ ❌ 误区 2: "上下文窗口越大，模型越聪明" │
│ ✅ 真相：窗口大代表"记忆力好"，不代表"智商高"(推理能力) │
│ │
│ ❌ 误区 3: "System Prompt 可以被用户输入覆盖" │
│ ✅ 真相：通常 System 优先级更高，但复杂的用户输入可能诱导越狱 │
│ │
│ ❌ 误区 4: "历史信息会永远保存" │
│ ✅ 真相：超过上下文窗口后，旧历史会被丢弃 (除非使用外部向量数据库) │
│ │
└─────────────────────────────────────────────────────────────────┘
三、为什么 Prompt 如此重要？
同样的 LLM，不同的 Prompt，效果可能天差地别：
❌ 差 Prompt：
"写一首诗"
✅ 好 Prompt：
"请写一首关于春天的七言绝句，要求：
1. 描绘花朵盛开的景象
2. 表达对生机勃勃的喜爱
3. 押 ang 韵"
| Prompt 质量 | 效果 |
|---|---|
| 模糊、简单 | LLM”猜测”你的意图，可能答非所问 |
| 清晰、具体 | LLM 精准理解，给出你想要的结果 |
这就是所谓的 “Prompt Engineering”（提示词工程） ——通过优化 Prompt 来获得更好的结果。
四、LLM 是如何处理 Prompt 的？（关键原理）
这部分很重要！理解原理，才能更好地编写 Prompt。
4.1 完整流程回顾
回顾 第一章 的内容，LLM 处理 Prompt 的流程是：
你输入的 Prompt
↓
分词器 → Token 序列
↓
嵌入层 → 向量表示
↓
Transformer 处理（注意力机制）
↓
预测下一个词的概率
↓
自回归生成 → 输出回答
4.2 LLM 如何”理解”Prompt？
LLM 并不像人类一样”理解”Prompt，它做的事情是：根据训练时学到的语言规律，预测最可能的下一个词。
这意味着：
- LLM 没有”意图”：它不知道你真正想要什么，只是根据概率猜测
- LLM 很”听话”：你说什么，它就往那个方向猜
- LLM 受限于训练数据：它会继承训练数据中的偏见和知识
重要提醒
LLM 不是”智能生命体”，它只是一个超级强大的”概率预测机器”。理解这一点，是写好 Prompt 的第一步。
4.3 Prompt 中的信息是如何被”利用”的？
LLM 处理 Prompt 时，会做以下几件事：
Prompt: "你是一个专业的数学老师，请解答这道数学题：1+1=？"
↓
LLM 内部处理
↓
┌─────────────────────────────────────────────────────┐
│ 1. 识别角色 │
│ "数学老师" → 激活相关的语言模式 │
│ │
│ 2. 理解任务 │
│ "解答数学题" → 这是一个问答任务 │
│ │
│ 3. 提取关键信息 │
│ "1+1=？" → 这是需要计算的表达式 │
│ │
│ 4. 结合上下文 │
│ 之前的对话历史（如果有的话） │
└─────────────────────────────────────────────────────┘
↓
生成回答："1+1=2"
五、Prompt 的组成要素（用户视角）
从用户构建 Prompt 的角度，一个完整的 Prompt 通常包含以下要素：
5.1 指令（Instruction）
告诉 LLM 要做什么：
"请总结..."
"翻译以下..."
"写一篇关于..."
5.2 背景（Context）
提供必要的背景信息：
"假设你是一个物理学家..."
"基于以下文档..."
5.3 输入数据（Input）
具体要处理的内容：
"请翻译这句话：Hello World"
5.4 输出格式（Output Format）
指定期望的输出形式：
"用 JSON 格式返回"
"用列表形式列出"
"不超过 100 字"
5.5 示例
【完整 Prompt 示例】
角色：你是一位专业的美食评论家（背景）
任务：请点评以下餐厅（指令）
餐厅：鼎泰丰，主打小笼包（输入）
要求：用 200 字以内的评论，突出口味和服务（输出格式）
六、Prompt 的局限性
虽然 Prompt 很强大，但它也有局限：
6.1 无法突破知识边界
LLM 的知识局限于训练数据，不知道训练之后的新信息。
❌ "2024 年最新的 iPhone 型号是什么？"
→ LLM 可能不知道（如果训练数据截止到 2023 年）
6.2 可能产生”幻觉”
LLM 可能生成看似合理但实际错误的内容。
❌ "请提供北京到上海的距离"
→ LLM 可能给出一个编造的数字
6.3 对措辞很敏感
细微的措辞变化可能导致完全不同的结果。
"分析这篇文章的优点" vs "批评这篇文章的缺点"
→ 可能给出完全不同的回答
6.4 无法真正”思考”
LLM 只是预测下一个词，没有真正的推理能力（虽然可以伪装）。
应对局限性的方法
- 使用 上下文 提供准确信息
- 使用 Function Call 获取实时信息
- 通过好的 Prompt 技巧引导更准确的回答
七、总结：关系公式
┌─────────────────────────────────────────────────────────────────┐
│ │
│ 发送给 LLM 的实际数据 (Full Prompt) │
│ = │
│ System Prompt (角色) │
│ + │
│ Conversation History (记忆) │
│ + │
│ Current User Input (任务) │
│ │
│ ⚠️ 约束条件： │
│ Length(Full Prompt) ≤ Context Window Size │
│ │
└─────────────────────────────────────────────────────────────────┘
核心要点：
- Prompt 是与 LLM 沟通的桥梁（广义包含 System+History+Input）
- LLM 处理 Prompt 的方式是：根据概率预测下一个词
- 好的 Prompt 需要：清晰的指令 + 充分的背景 + 明确的输出格式
- 理解 LLM 的局限性，才能更好地使用它
[!比喻] 一句话总结 上下文窗口是容器，系统提示词是容器的底色，历史信息是容器里已装的水，用户输入是刚倒入的新水，而提示词是容器里所有水的总和。
八、延伸阅读
- 01-Token 与分词 - Token 与上下文限制
- 02-有效 Prompt 的构建方法 - 学习构建有效 Prompt 的技巧
- 03-Prompt_engineering 技巧 - 进阶 Prompt 工程技巧
- 03-预训练与微调 - 了解 LLM 的训练过程
- Function Call - 获取实时信息的方法