斯坦福CS146S课程 提示词工程全解（第1周）：6大核心技术从原理到代码实战
斯坦福CS146S课程 提示词工程全解（第1周）：6大核心技术从原理到代码实战
本文对应斯坦福 CS146S 课程第1周内容，完整覆盖课件核心理论 + 6个作业代码逐行解析 + 新手踩坑排错指南，零基础也能吃透提示词工程的核心逻辑。
课程以及作业地址：https://github.com/ShouZhengAI/CS146S_CN
一、本章导学
1.1 学习目标与能力收获
学完本章你将掌握：
- ✅ 6种核心提示词技术的原理、适用场景和效果差异；
- ✅ 从零设计提示词的方法论，能通过迭代优化解决实际问题；
- ✅ 读懂「模型调用 + 自动测试」类 Python 脚本的完整逻辑；
- ✅ 本地大模型开发的常见坑点与排错思路；
- ✅ 能够根据业务场景，选择合适的提示词技术组合方案。
二、核心知识点精讲
2.1 前置认知：从 Software 1.0 到 3.0
这是课程的核心认知框架，理解了它就能明白「提示词工程为什么存在」。
| 版本 | 核心逻辑 | 编程方式 | 类比 |
|---|---|---|---|
| Software 1.0 | 人类手写每一行规则，程序严格按代码执行 | 传统编程（if/else、循环） | 你亲手给机器写操作手册，一步都不能错 |
| Software 2.0 | 用数据训练模型，让模型自己学习规律 | 机器学习、深度学习 | 你给机器看一万张猫的照片，让它自己学会认猫 |
| Software 3.0 | 用自然语言给大模型下指令，让大模型完成任务 | 提示词工程（Prompt Engineering） | 你给一个能干的助理提要求，它自己想办法把事做完 |
提示词就是 Software 3.0 的「编程语言」，提示词工程就是教你怎么把需求说清楚、让大模型做对事的学问。
2.2 基础概念：提示词的三类角色
大模型的对话接口通常有三种角色的消息，各司其职：
- System Prompt（系统提示词）
- 用户看不到，是给模型定的「底层规矩」；
- 用来设定人设、输出规则、边界约束、任务目标；
- 优先级最高，全程生效。
- User Prompt（用户提示词）
- 用户实际提出的问题/指令；
- 是单次任务的具体需求。
- Assistant（助手回复）
- 模型生成的输出内容；
- 多轮对话中会作为上下文继续传给模型。
2.3 六大核心提示词技术
本周学习的6种技术，是提示词工程的基石，几乎所有复杂的大模型应用都由它们组合而来。
1. Zero-shot / K-shot 提示词
定义：
- Zero-shot（零样本）：不给任何示例，直接让模型做事。比如直接说「把这个单词反转」。
- K-shot（少样本）：给模型 K 个「输入-输出」的示例，让它照着示例的格式和逻辑做新任务。
核心原理：大模型有「上下文学习（In-context Learning）」的能力——不需要改参数，只要在对话里给示例，它就能当场学会任务模式。
适用场景：格式固定、逻辑简单的任务，比如文本反转、分类、格式转换。
小白类比：Zero-shot 是老板只说「去做个报表」；K-shot 是老板先给你3张做好的报表当模板，再让你做新的。
关键经验：示例的质量（和目标的相似度）远比数量重要。结构高度匹配的1个示例，好过10个不相关的示例。
2. 思维链 Chain-of-Thought (CoT)
定义：引导大模型不要直接给答案，而是一步步说出推理过程，最后再给出结论。
- Zero-shot CoT：只加一句「Think step by step（一步步思考）」；
- Multi-shot CoT：给几个带完整推理过程的示例。
核心原理：大模型是「逐词生成」的，直接出答案很容易跳步算错；强迫它把中间步骤写出来，能显著提升复杂推理的准确率。
适用场景：数学题、逻辑推理、代码调试、复杂问题分析。
小白类比：做数学题直接写答案很容易算错，老师让你把步骤写出来，正确率就高很多。
3. 自一致性 Self-consistency
定义：同一个问题让模型生成多次答案，最后取「出现次数最多的那个」作为最终结果。
核心原理：模型每次推理的路径可能不同，错误的路径千奇百怪，正确的路径往往殊途同归——多数票胜出的答案，正确率更高。本质是「模型版投票表决」。
适用场景：有唯一正确答案的推理题，搭配思维链使用效果最佳。
小白类比：一道难题你自己算5遍，取出现最多的答案，比只算一次更靠谱。
4. 工具调用 Tool Calling
定义：让大模型学会「调用外部工具」，比如查数据库、执行代码、调API，而不是全靠自己脑子里的知识回答。
核心原理：大模型不用真的会执行工具，只要能按固定格式输出「要调用哪个工具、传什么参数」，程序拿到后去执行，再把结果塞回对话里就行。
适用场景：需要实时数据、精确计算、操作外部系统的场景，是减少幻觉的核心手段。
小白类比：你让助理算账，助理不用自己心算，而是拿计算器算完告诉你结果。
5. 检索增强生成 RAG
定义：回答问题前，先从外部知识库（文档、数据库）里检索相关内容，再让模型只根据检索到的内容生成答案。
核心原理：解决大模型的「幻觉」和「知识过时」问题——模型不用记所有知识，需要的时候去「查资料」，只按资料回答。
适用场景：企业内部知识库问答、产品文档客服、基于专属文档的生成任务。
小白类比：闭卷考试模型容易瞎蒙，开卷考试给它指定教材，它就只能按教材答题。
6. 反思 Reflexion
定义：先生成一版答案，然后把「答案的错误/反馈」告诉模型，让它自我反思、修正，生成优化后的版本。
核心原理：单轮生成模型容易有疏漏，但把错误信息明确反馈给它，它通常能精准修正——形成「生成→评估→反馈→优化」的闭环。
适用场景：代码生成、文案润色、方案优化等可以迭代改进的任务。
小白类比：写第一版草稿 → 老师批改指出错误 → 你改出第二版，通常比一稿质量高。
2.4 提示词工程最佳实践
- 角色设定（Role Prompting）：给模型一个明确的身份，比如「你是资深Python开发工程师」，输出质量会显著提升；
- 结构化格式：用标签、分段、列表把输入内容分清楚，比如
<文档>...</文档>，模型更容易理解边界； - 明确输出要求：说清格式、长度、约束，比如「只输出代码，不要任何解释文字」「最后一行写 Answer: 数字」；
- 清晰易懂原则：你把提示词给一个完全没背景的人看，如果他会困惑，那大模型也会困惑；
- 小步迭代：每次只改一个变量，观察效果变化，不要一次性大改，否则不知道是哪步起了作用。
四、课后思考题
5.1 题目
如果你要为公司开发一个「内部技术文档问答机器人」，要求：
- 答案必须严格来自内部文档，不能编造不存在的API和参数；
- 回答代码问题时，要给出可运行的代码，且能自我检查修正；
- 遇到需要计算、查日志的问题，能调用外部工具获取准确结果。
请问你会组合使用本周学的哪几种提示词技术？每种技术分别承担什么作用？
5.2 参考答案
推荐组合方案：RAG + 工具调用 + Reflexion + 思维链，分工如下：
- RAG：核心底座。用户提问后先从内部技术文档库里检索最相关的几段内容，作为唯一参考上下文，从根源避免编造信息。
- 工具调用：扩展能力。遇到查日志、执行代码、算数据的问题，让模型调用对应工具，不用靠记忆回答，保证结果精准。
- 思维链：提升推理准确率。回答复杂逻辑、代码问题时，引导模型分步分析，减少跳步错误。
- Reflexion：质量兜底。生成答案后，先做自检（比如检查代码是否有语法错误、是否符合文档），发现问题自动修正一轮再输出。
六、本章总结
本周我们完整学习了提示词工程的6大基础技术：
- K-shot：靠示例让模型快速学会任务模式；
- CoT：靠分步思考提升复杂推理准确率；
- 自一致性：靠多轮投票降低随机错误；
- 工具调用：靠外部工具突破模型能力边界；
- RAG：靠外部知识库减少幻觉、更新知识；
- Reflexion：靠反馈闭环自我迭代优化。
这6种技术不是孤立的，真实业务里几乎都是组合使用，它们共同构成了大模型应用开发的「提示词工具箱」。
七、下一章预告
下一章我们将进入「提示词进阶与评估」，讲解：
- 如何量化评估提示词的效果，而不是靠感觉；
- 提示词的对抗与安全，如何避免提示注入攻击；
- 更复杂的多轮对话与代理（Agent）基础逻辑。