术语表
62 个术语，来自《Prompt 工程基础：如何写出有效的指令》。正文首次出现时可悬停查看释义。
| 术语 | 释义 | 来源 |
|---|---|---|
| Prompt | 你输入给大语言模型的文本指令，用来告诉它你想要什么，可以是问题、描述或任务要求。 | en.wikipedia.org |
| 大语言模型 (LLM) | 通过学习海量文本训练出来的 AI 系统，能够理解自然语言并生成回答，如 ChatGPT、Claude。 | en.wikipedia.org |
| Prompt 工程 | 设计和优化 prompt 的系统化方法，让 AI 更准确地理解需求并输出高质量结果。 | en.wikipedia.org |
| 上下文 | Prompt 中提供的背景信息，帮助 AI 理解任务的具体场景和边界。 | docs.anthropic.com |
| 角色设定 | 在 prompt 中指定 AI 应该以什么身份或视角回答，如'你是一位技术专家'或'你是小学老师'。 | docs.anthropic.com |
| 任务描述 | Prompt 中明确说明要 AI 做什么，包括动词（如总结、分析、生成）、对象和目标。 | help.openai.com |
| 输出格式 | 指定 AI 回答的结构和样式，如 JSON、列表、表格、分段文字等。 | help.openai.com |
| 约束条件 | 限定 AI 输出的范围和边界，如长度限制、排除某些内容、优先级要求等。 | help.openai.com |
| Few-shot Learning | 在 prompt 中提供 2-5 个示例，让 AI 从中学习输入输出的模式和格式。 | promptingguide.ai |
| Zero-shot | 不提供任何示例，只给指令让 AI 完成任务的方式。 | en.wikipedia.org |
| One-shot | 只提供 1 个示例来引导 AI 的方式，介于 zero-shot 和 few-shot 之间。 | promptingguide.ai |
| 上下文学习 (In-context Learning) | LLM 从当前对话中的示例学习模式的能力，不需要重新训练模型。 | promptingguide.ai |
| 示例多样性 | Few-shot 示例应该覆盖任务中不同类型的输入，而不是都是相似情况。 | promptingguide.ai |
| 格式一致性 | Few-shot 中所有示例必须使用完全相同的格式，让 AI 学到统一的输出模式。 | promptingguide.ai |
| 边界情况 | 任务中模糊、特殊或容易出错的输入情况，如缺失数据、极端值、歧义表述等。 | prompthub.us |
| Chain-of-Thought (CoT) | 让 AI 在给出最终答案前先展示中间推理步骤的技术，提升复杂任务准确率。 | promptingguide.ai |
| 思维链 | AI 展示的从问题到答案的逐步推理过程，包含中间步骤和计算。 | promptingguide.ai |
| 让我们一步步思考 | 触发 zero-shot CoT 的常用短语，加在 prompt 末尾让 AI 自动展示推理步骤。 | promptingguide.ai |
| Zero-shot CoT | 不给示例，只加'让我们一步步思考'就触发推理的 CoT 方式。 | promptingguide.ai |
| Few-shot CoT | 提供 1-2 个包含完整推理过程的示例，让 AI 模仿这种推理方式。 | promptingguide.ai |
| 中间步骤 | 从问题到最终答案之间的推理或计算过程，CoT 的核心是让这些步骤可见。 | promptingguide.ai |
| 推理准确率 | AI 在需要多步推理的任务上得到正确答案的比例，CoT 可以显著提升这个指标。 | promptingguide.ai |
| Prompt 调试 | 系统化地识别 prompt 问题、诊断原因、小步修改并验证效果的过程。 | whitebeardstrategies.com |
| 问题识别 | 调试第一步，明确输出哪里不对（格式、内容、遗漏、过度等）。 | whitebeardstrategies.com |
| 诊断原因 | 找出 prompt 的哪个部分（或缺失部分）导致了识别出的问题。 | whitebeardstrategies.com |
| 迭代优化 | 通过多轮'修改-测试-评估'循环逐步改进 prompt 的过程。 | whitebeardstrategies.com |
| 测试用例 | 准备的代表性输入样本，用于验证每次 prompt 修改的效果。 | whitebeardstrategies.com |
| 版本管理 | 记录 prompt 的每个版本、改动内容和效果，方便回退和对比。 | whitebeardstrategies.com |
| A/B 测试 | 保留两个 prompt 版本，各测试多次，用数据对比哪个更好。 | whitebeardstrategies.com |
| 成功率 | 在测试用例上得到符合预期输出的比例，用于量化 prompt 质量。 | whitebeardstrategies.com |
| 代码生成 prompt | 让 AI 生成可运行代码的 prompt，需要明确语言、输入输出、边界条件和代码风格。 | graphite.com |
| 函数签名 | 函数的输入参数类型、返回值类型和函数名，代码生成 prompt 的关键要素。 | graphite.com |
| 边界条件 | 输入的特殊情况（如空值、极端值、异常情况），代码需要正确处理它们。 | graphite.com |
| 代码风格 | 代码的格式、命名、注释等规范，应该在 prompt 中明确要求。 | graphite.com |
| 依赖限制 | 指定代码可以使用哪些库或必须只用标准库，控制代码的依赖复杂度。 | graphite.com |
| 文档写作 | 让 AI 生成或改写文档的 prompt，需要明确受众、目的、结构和语气。 | docs.anthropic.com |
| 目标受众 | 文档的预期读者，包括其背景知识、技术水平和阅读目的。 | docs.anthropic.com |
| 结构模板 | 预定义的文档组织方式，如'背景-问题-方案-结论'，让 AI 按固定结构输出。 | docs.anthropic.com |
| 语气风格 | 文档的表达方式和情感倾向，如正式、随意、技术性、友好等。 | docs.anthropic.com |
| 数据提取 prompt | 从非结构化文本中提取结构化信息的 prompt，需要明确字段定义和格式。 | promptingguide.ai |
| 字段定义 | 数据提取任务中每个字段的含义、取值范围和格式要求。 | promptingguide.ai |
| 缺失值处理 | 说明当某个字段在原文中找不到时应该输出什么（null、空字符串、默认值）。 | promptingguide.ai |
| 数据验证 | 检查提取的数据是否符合预期格式和取值范围的规则。 | promptingguide.ai |
| token | LLM 处理文本的基本单位，大约 1 个 token = 0.75 个英文单词或 0.5 个中文字。 | help.openai.com |
| Prompt 模板 | 可复用的 prompt 结构，包含占位符用于替换具体内容，提高效率和一致性。 | docs.anthropic.com |
| 幻觉 (Hallucination) | AI 编造不存在的信息或给出错误的'事实'，看起来可信但实际错误。 | ibm.com |
| 指令遵循 | AI 准确理解并执行 prompt 中指令的能力，更强的模型指令遵循能力更好。 | help.openai.com |
| 模糊指令 | 表达不清晰、缺少关键信息的 prompt，导致 AI 只能猜测意图。 | help.openai.com |
| 清晰指令 | 明确表达任务目标、输出格式、约束条件的 prompt，减少 AI 的猜测空间。 | help.openai.com |
| 来回修改 | 因为 prompt 不清晰，需要多轮对话逐步补充信息才能得到想要的结果。 | graphite.com |
| 输出质量 | AI 生成内容的准确性、相关性、完整性和格式正确性的综合评价。 | help.openai.com |
| 受众视角 | 文档写作中考虑目标读者的背景、需求和理解能力，调整内容深度和表达方式。 | docs.anthropic.com |
| 专业术语 | 特定领域的专门词汇，使用时需要考虑受众是否理解。 | docs.anthropic.com |
| 类型标注 | 在代码中明确声明变量和函数的数据类型，提高代码可读性和可维护性。 | graphite.com |
| 错误处理 | 代码中对异常情况、无效输入、边界条件的处理逻辑。 | graphite.com |
| 标准库 | 编程语言自带的、无需额外安装的基础库，代码生成时优先使用可减少依赖。 | graphite.com |
| 防御性编程 | 编写代码时假设输入可能不合法，主动检查和处理异常情况的编程风格。 | graphite.com |
| 迭代循环 | 通过多次'修改-测试-评估'的重复过程逐步改进 prompt 或代码的方法。 | whitebeardstrategies.com |
| 够用标准 | 判断何时停止优化的实用原则，当成功率达到 90% 且收益递减时即可停止。 | whitebeardstrategies.com |
| JSON 格式 | 一种结构化数据格式，常用于数据提取任务的输出，易于程序解析。 | promptingguide.ai |
| 格式统一 | 多次运行或多个示例中保持相同的输出格式，提高结果的可预测性和可处理性。 | promptingguide.ai |
| 引导语 | AI 在输出主要内容前添加的介绍性文字，如'以下是总结'、'让我来分析'等。 | help.openai.com |