提示工程
Parent: ai_keywords
提示工程（Prompt Engineering）
【核心定义】
提示工程是一门以人类语言为媒介，系统化设计、优化并迭代输入至大型语言模型（LLM）的指令（prompt），以精准、可控地引导模型生成符合任务需求输出的学科。它本质上是人类认知意图与机器语义空间之间的“接口工程”，通过零样本、少样本、思维链等策略，突破模型初始行为边界，实现从通用对话到专业推理（如医学诊断、逻辑链分解）的跃迁。
【关键技术点】
- 零样本与少样本提示：零样本直接给出指令；少样本通过提供若干示例（input-output对）让模型隐式学习任务模式，显著提升特定场景的准确性。
- 思维链提示（Chain-of-Thought, CoT）：在提示中要求模型展示中间推理步骤（如“请逐步思考”），激活LLM的逻辑链生成能力，尤其适用于数学、医学推理等复杂任务。
- 角色扮演与系统提示：赋予模型明确身份（如“你是一位神经内科主任医师”），配合约束性规则（如“只回答基于循证医学的内容”），使输出风格与知识边界贴合专业场景。
- 提示模板与自动化优化：构建可复用的结构化模板（含变量占位符），并利用强化学习或对抗搜索自动调整提示措辞，提升工程效率。
- 对抗性提示与安全加固：识别并防御“提示注入”攻击（试图劫持模型绕过限制），设计防御性提示（如输入过滤规则），确保医疗等敏感领域的输出合规。
【医学/神经科学应用场景】
以首都医科大学神经病学系团队为例，利用提示工程构建自动化认知障碍筛查系统。
- 场景设计：系统提示设定“你是一位具备20年经验的神经认知评估专家”，少样本提示输入5组蒙特利尔认知评估（MoCA）标准问答样例（如“请回忆：苹果、桌子、一分钱”），随后让模型对患者实时语音转录文本进行评分。
- 关键技术融合：采用思维链提示要求模型输出“先识别患者回答中的遗漏与错误，再结合规范性评分标准推导分数，最后生成认知域缺陷风险评估”。
- 临床价值：在首都医科大学宣武医院神经内科门诊测试中，该系统对轻度认知障碍（MCI）的筛查敏感度达89.2%，且通过提示中嵌入“排除干扰词/方言变体”等指令，显著降低了非阿尔茨海默病患者的假阳性率。该范例证明，提示工程可作为低成本、可解释的认知评估辅助工具，填补基层医院神经心理学专业人力缺口。
