Google 官方白皮书，专注于 Gemini 模型在 Vertex AI 及 API 中的最佳提示实践。
内容简介
Google 于 2024 年 9 月发布的AI技术白皮书，标题为 《Prompt Engineering》（提示工程），作者为 Lee Boonstra（Google 工程师），并有多个 Google 团队成员参与审稿与贡献。它是一份全面的提示工程指南，主要针对 Google 的 Gemini 大语言模型（通过 Vertex AI 或 API 使用），旨在帮助开发者与普通用户掌握如何编写高效提示以获得最佳输出。白皮书内容深入浅出，既适合初学者也适合有经验的从业者。
主要内容
提示工程基础
简单介绍了提示工程的一些基础知识，包括：
- 提示工程是将高质量提示迭代设计的过程，用以引导大语言模型（LLM）产生准确输出。
- 强调任何人均可编写提示，但效果取决于模型选择、配置、措辞、结构和上下文。
模型输出配置
介绍如何在提升工程中提示模型的输出，包括：
- 关键参数：输出长度（token 限制）、温度（temperature，控制随机性）、Top-K 和 Top-P（核采样）。
- 提供不同任务下（确定性 vs. 创造性）的参数组合建议。
核心提示技巧
文中介绍了一些提示工程的重要且核心的技巧，包括：
- 零样本（Zero-shot）：不提供示例。
- 单样本与少样本（One-shot & Few-shot）：通过示例展示期望输出格式或模式。
- 系统提示、角色提示、上下文提示：分别用于设定整体行为、角色身份或任务背景。
- 高级推理技巧：
- 退一步提示（Step-back prompting）
- 思维链（Chain of Thought, CoT）
- 自一致性（Self-consistency）
- 思维树（Tree of Thoughts, ToT）
- 推理+行动（ReAct，与外部工具结合）
- 自动提示工程（Automatic Prompt Engineering）：用 LLM 自动生成并优化提示。
代码相关提示
介绍如何使用提示工程，来进行代码的编写、解释、翻译、调试和审查（示例包括 Bash 与 Python）。
最佳实践
文档中提供提示工程示例，从提示词的简洁具体、优先使用正面指令而非限制、控制输出长度、使用变量、尝试不同输入和输出格式、要求结构化输出（如 JSON）等方面，系统的介绍了提示工程的最佳时间案例，并系统化记录提示迭代、适应模型更新、团队协作实验。
总结与挑战
- 回顾各类技巧，强调提示工程是迭代过程。
- 指出常见问题（如歧义、幻觉、数学推理弱点）及应对策略。
文档的意义
这份白皮书在 AI 行业中具有重要价值，作为官方权威指南，作为 Google 公开的最详细 Gemini 提示工程文档之一，为行业内使用 Gemini 模型的用户确立了推荐实践标准。同时，该文档的发布，对AI行业还有其他的一些意义：
AI能力民主化：强调无需机器学习专业背景即可通过提示工程显著提升模型效果，使更多开发者与普通用户能够高效使用大语言模型。
标准化与教育：提供结构化框架（技巧、参数建议、文档模板），帮助团队建立一致、可复现的提示工作流。
推动推理能力进步：系统讲解并示范了 CoT、ReAct、ToT 等前沿推理方法，这些已成为提升 LLM 推理能力的核心技术（无需微调）。
企业级落地导向：关注安全性、结构化输出、成本控制与迭代文档，契合生产环境需求。
行业影响力：文档中的许多技巧已被广泛引用于后续研究、教程和工具中，推动提示工程成为生成式 AI 领域的核心学科。
