原文摘要

很多人分不清楚什么是“提示词”（Prompt），什么是“提示词工程”（Prompt Engineering

原文链接

进一步信息揣测

• 提示词工程的隐性成本：优化提示词时，增加CoT（思维链）步骤虽能提升效果，但会导致Token消耗增加、响应时间延长，甚至可能偏离原意，需权衡效果与效率。
• 模型迭代的实践洞察：随着模型升级（如推理模型发布），原有复杂提示词（如分步翻译）可能失效，需简化策略（如改用“用中文重写”），需持续测试适配新模型特性。
• 上下文工程的隐藏规则：上下文不仅包含用户输入，还包括系统提示、工具返回、历史会话等，但上下文窗口有限，需精准筛选内容以避免性能下降（如优先保留工具返回的关键数据）。
• 行业测试方法论：有效评估提示词需设计盲测（如隐藏方法让用户对比效果），并通过小样本测试集（如10篇文章）验证优化方向，而非依赖主观判断。
• 工具链的隐性依赖：大模型回答复杂问题（如AI新闻）需调用外部工具（日期/搜索工具），但工具返回信息的质量直接影响输出，需预设工具校验机制。
• 长期记忆的潜在影响：用户偏好（如语言习惯）会被存储为长期记忆，可能无意中限制模型灵活性（如默认中文响应），需主动管理记忆内容。
• 上下文压缩技巧：实践中可通过摘要或关键词提取压缩历史会话/工具返回信息，减少Token占用，同时保留核心上下文。