大模型提示工程:构建大模型应用的科学与艺术
大模型提示工程:构建大模型应用的科学与艺术
John Berryman, Albert Ziegler
叶志远, 王刚 译
出版时间:2026年06月
页数:222
“由GitHub Copilot(成功的商业生成式AI产品之一)核心缔造者John Berryman、Albert Ziegler执笔的这本书,是入门提示工程不可多得的参考范本。全书由浅入深拆解提示工程逻辑,语言平实易懂,适配全层级读者。”
——Hamel Husain
独立AI研究员、顾问

大语言模型(LLM)正在重塑全球产业生态,依托LLM搭建的新型应用正落地各行各业,有望推动任务自动化、破解各类复杂业务难题。但想要稳定、高效释放大模型真实效能,提示工程是必不可少的技能。
本书由GitHub Copilot初代创始工程师联手撰写,全方位拆解提示工程的底层原理与落地实操技法,详细讲解与大模型高效对话、把业务思路转化为模型可读指令的完整方法论。从基础理论到一线实战案例层层递进,帮读者夯实技术功底,具备自研下一代LLM落地应用的综合能力。
通过学习本书,你将:
● 吃透大模型底层架构,熟练掌握人机高效交互逻辑。
● 独立搭建适配业务场景的全流程提示词规划方案。
● 精准甄选、规整上下文信息,搭建高利用率提示词。
● 熟练运用少样本学习、思维链提示、检索增强生成(RAG)等主流高阶提示技术。
  1. 前言
  2. 第1篇 基础篇
  3. 第1章 提示工程导论
  4. 1.1 大语言模型的魔法
  5. 1.2 语言模型的演进
  6. 1.2.1 早期语言模型
  7. 1.2.2 GPT模型的崛起
  8. 1.3 提示工程
  9. 1.4 本章小结
  10. 第2章 理解大语言模型
  11. 2.1 大语言模型的本质
  12. 2.1.1 文本补全
  13. 2.1.2 与人类思维的本质差异
  14. 2.1.3 关键挑战
  15. 2.2 大语言模型视角下的认知差异
  16. 2.2.1 差异一:确定性分词
  17. 2.2.2 差异二:逐字检查的局限
  18. 2.2.3 差异三:文本认知特性
  19. 2.2.4 词元数量
  20. 2.3 词元生成机制
  21. 2.3.1 自回归模型
  22. 2.3.2 模式固化
  23. 2.4 温度与概率分布
  24. 2.5 Transformer架构
  25. 2.6 本章小结
  26. 第3章 从文本补全模型到对话模型
  27. 3.1 RLHF
  28. 3.1.1 训练RLHF模型
  29. 3.1.2 诚实性保障
  30. 3.1.3 个体偏差规避
  31. 3.1.4 RLHF成本收益分析
  32. 3.1.5 对齐税现象
  33. 3.2 交互形态演进
  34. 3.2.1 指令模型
  35. 3.2.2 对话模型
  36. 3.3 API生态演进
  37. 3.3.1 对话补全API
  38. 3.3.2 对话模式与文本补全模式的比较
  39. 3.3.3 能力延伸
  40. 3.4 提示工程的剧本创作观
  41. 3.5 本章小结
  42. 第4章 大语言模型应用设计
  43. 4.1 循环结构剖析
  44. 4.1.1 用户问题域特征
  45. 4.1.2 用户问题转化提示词
  46. 4.1.3 响应优化策略
  47. 4.1.4 价值落地
  48. 4.2 前馈传递过程
  49. 4.2.1 前馈传递过程的构建
  50. 4.2.2 循环机制的复杂性
  51. 4.3 质量评估体系
  52. 4.3.1 离线评估
  53. 4.3.2 在线评估
  54. 4.4 本章小结
  55. 第2篇 技术篇
  56. 第5章 提示词内容设计
  57. 5.1 内容来源
  58. 5.2 静态内容
  59. 5.2.1 问题的明确性
  60. 5.2.2 少样本提示
  61. 5.3 动态内容
  62. 5.3.1 上下文识别
  63. 5.3.2 RAG技术
  64. 5.3.3 摘要技术
  65. 5.4 本章小结
  66. 第6章 提示词工程化组装
  67. 6.1 理想提示词构成要素
  68. 6.2 文档类型适配与优化选择
  69. 6.2.1 咨询对话型
  70. 6.2.2 分析报告型
  71. 6.2.3 结构化文档
  72. 6.3 文本处理与格式化规范
  73. 6.3.1 独立性
  74. 6.3.2 少样本示例格式化方法
  75. 6.4 弹性文本片段
  76. 6.5 提示词元素关联性
  77. 6.5.1 位置与顺序
  78. 6.5.2 内容重要性
  79. 6.5.3 依赖关系
  80. 6.6 整合提示词元素
  81. 6.7 本章小结
  82. 第7章 驾驭大语言模型
  83. 7.1 输出格式精准管控
  84. 7.1.1 引言
  85. 7.1.2 起止边界识别
  86. 7.1.3 小结
  87. 7.2 Logprobs深度应用
  88. 7.2.1 质量评估
  89. 7.2.2 分类任务优化
  90. 7.2.3 提示词异常检测
  91. 7.3 模型选型
  92. 7.4 本章小结
  93. 第3篇 高级篇
  94. 第8章 对话智能体
  95. 8.1 工具使用
  96. 8.1.1 微调训练工具的使用
  97. 8.1.2 工具定义指南
  98. 8.2 推理能力
  99. 8.2.1 思维链推理
  100. 8.2.2 ReAct:迭代式推理与行动
  101. 8.2.3 超越 ReAct
  102. 8.3 基于任务的交互上下文
  103. 8.3.1 上下文信息的来源
  104. 8.3.2 上下文的选择与编排
  105. 8.4 构建对话智能体
  106. 8.4.1 对话管理
  107. 8.4.2 用户体验
  108. 8.5 本章小结
  109. 第9章 大语言模型应用工作流
  110. 9.1 对话智能体的瓶颈
  111. 9.2 基本工作流构建
  112. 9.2.1 任务设计
  113. 9.2.2 工作流编排
  114. 9.2.3 落地与优化
  115. 9.3 高级工作流创新
  116. 9.3.1 智能体主导编排
  117. 9.3.2 有状态任务智能体
  118. 9.3.3 角色化委派
  119. 9.4 本章小结
  120. 第10章 大语言模型应用评估
  121. 10.1 评估对象
  122. 10.2 离线评估
  123. 10.2.1 示例测试套件
  124. 10.2.2 寻找测试示例
  125. 10.2.3 解决方案评估
  126. 10.2.4 SOMA评估
  127. 10.3 在线评估
  128. 10.3.1 A/B测试
  129. 10.3.2 评估指标
  130. 10.4 本章小结
  131. 第11章 展望大语言模型的未来
  132. 11.1 多模态融合
  133. 11.1.1 交互范式升级
  134. 11.1.2 智能能级跃升
  135. 11.2 本章小结
书名:大模型提示工程:构建大模型应用的科学与艺术
译者:叶志远, 王刚 译
国内出版社:机械工业出版社
出版时间:2026年06月
页数:222
书号:978-7-111-81011-7
原版书书名:Prompt Engineering for LLMs
原版书出版商:O'Reilly Media
John Berryman
 
John Berryman是Arcturus Labs创始人,深耕大语言模型应用落地研发。他曾是GitHub Copilot早期核心研发工程师,主导产品对话交互、代码智能补全模块研发。他同时也是搜索领域专家,著有Relevant Search(Manning出版社)一书。
 
 
Albert Ziegler
 
Albert Ziegler是人工智能网络安全公司XBOW人工智能事业部的负责人。作为GitHub Copilot的创始工程师,他主导设计了其模型交互和提示工程系统。
 
 
本书封面所绘动物为爪哇野牛(学名:Bos javanicus),这是一种栖息于东南亚的野生牛科物种。爪哇野牛通常以“一雄多雌”的群体形式活动,毛色呈棕色或黑色,腿部带有白色斑纹,臀部分布浅色斑块。该物种长有角,雄性个体一般体型更大、毛色更深。成年爪哇野牛体重接近900kg,肩高约1.8m。
野生爪哇野牛在国际自然保护联盟(IUCN)红色名录中被列为濒危物种。O'Reilly封面上的许多动物都面临濒危境地,它们对这个世界弥足珍贵。
购买选项
定价:89.00元
书号:978-7-111-81011-7
出版社:机械工业出版社