模型没错，是你不会提问：一位AI工程师的提示工程真相

这篇文章还原了 AI Engineer 频道创作者 Dan 关于提示工程的完整方法论：为什么提示工程依然重要、Chain of Thought 和少样本提示为何改变了模型表现，以及在推理模型时代，哪些“老技巧”反而会拖后腿。读完你将知道，问题不在模型，而在你如何与它对话。

为什么“提示工程”远没有过时

几乎每一场关于大模型的分享，都会遇到同一个质疑：“现在的模型这么聪明，还需要提示工程吗？”Dan 在演讲一开始就直面了这个问题。他坦言，连他自己有时都会犹豫要不要再放一张解释提示工程价值的幻灯片，但最终还是选择保留。

原因很简单——“任何真正把 AI 功能上线过的人，都知道事情没那么简单。”Dan 说。理论上，所有人都能调用同样的模型，但真正拉开差距的，是你如何定义问题、如何设计提示、以及提示背后的系统架构。提示工程并不是魔法，而是目前成本最低、门槛最低、见效最快的性能提升手段。

他引用了 Anthropic 在其 AI Agent 博文中的一个核心观点：优先选择最简单的解决方案。很多团队在 LLM 项目中，一上来就尝试复杂的 RAG（检索增强生成）或多代理系统，却没有花哪怕一小时认真打磨提示。Dan 的经验是：如果一个问题能通过提示工程解决，那它在维护、稳定性和成本上，几乎一定优于复杂系统。

“在你宣判提示工程无解之前，至少先给它足够的时间。”这是他反复强调的第一原则。

Chain of Thought：让模型“先想清楚再回答”

在所有提示技巧中，Dan 认为最具革命性的，是 Chain of Thought（思维链）提示。它的核心很简单：在给出最终答案前，要求模型先展示推理过程，把复杂问题拆解成多个子问题。

他解释道，经典的零样本做法，只需要在提示中加一句类似“请一步一步思考”或“先推理，再回答”。这看似微小的改动，却能显著提升模型在数学、逻辑和复杂决策任务中的表现。更进一步，你还可以通过少样本方式，直接在提示中给模型一个“示范推理过程”，让它模仿这种思考路径。

Dan 分享了一个关键事实：Chain of Thought 已经不只是提示技巧，而是被直接写进了新一代推理模型的训练过程。比如 DeepSeek 在训练 R1 模型时，要求模型在 标签中生成完整思考过程，并用这些自动生成的推理链反向训练模型。

“这也是为什么现在很多推理模型，你甚至不需要再显式要求它思考。”Dan 说。但这并不意味着思维链过时，而是意味着——理解它，才能真正用好这些模型。

少样本提示：一个例子，胜过十句说明

如果说 Chain of Thought 解决的是“怎么想”，那 Few-shot Prompting（少样本提示）解决的就是“想成什么样”。Dan 用内容生成的例子说明：与其花大量文字描述客户的语气、风格和偏好，不如直接给模型一组“输入 + 输出”的真实示例。

这种“Show， don’t tell”的方式，往往只需要一到两个例子，就能获得绝大部分性能提升。Dan 指出，几乎所有关于样本数量与效果的曲线图都呈现相同形态：前一两个样本带来巨大提升，之后收益迅速递减，甚至可能适得其反。

这对构建产品的团队尤其重要。你不需要准备一个庞大的示例库，只需要确保少量示例足够多样，覆盖模型可能遇到的主要输入类型即可。“多并不一定更好，”他说，“有时候反而会让模型困惑。”

这个结论，也为后面关于推理模型的讨论埋下了伏笔。

Meta Prompting：让模型帮你写提示

当提示本身变得复杂，Dan 给出的答案是：干脆让 LLM 参与进来。Meta Prompting 的本质，就是用模型来生成、优化和迭代提示。

他提到，目前很多平台都已经内置了这类工具，包括 Anthropic、OpenAI Playground，以及他们自己做的 PromptHub。PromptHub 的一个差异化设计在于：用户可以选择目标模型提供商，系统会根据 OpenAI 或 Anthropic 的模型特性，使用不同的元提示策略。

Dan 还介绍了一种“提示共创”的工作流：你运行提示、观察输出、给出反馈，再让模型根据反馈自动改写提示。这种方式非常接近开发者熟悉的 Copilot 或 Tech Graph 式体验。

“提示工程本身，就是最适合被自动化的一环。”他说。这也是为什么他们把大量模板和工具免费开放——因为真正的价值，在于理解这些模式背后的逻辑。

推理模型时代：少即是多

演讲中最反直觉的部分，来自 Dan 对新一代推理模型的总结。无论是 Microsoft 在 o1 模型上的 MedPrompt 研究，还是 DeepSeek 在 R1 训练中的发现，都指向同一个结论：在推理模型上，过多示例反而会降低性能。

Microsoft 的研究显示，在 o1 上加入 few-shot 示例，会让表现变差；DeepSeek 团队也观察到类似现象。OpenAI 在 o1-preview 发布时同样提醒：额外上下文可能会“过度复杂化”问题。

相反，如果想榨出最后一点性能，更有效的方式是——让模型“多想一会儿”。研究发现，当模型的推理过程更长、更充分时，准确率也随之提升。这也是为什么随着训练推进，DeepSeek R1 的思考长度和整体性能一起增长。

Dan 给出的实践建议非常明确：使用推理模型时，尽量保持提示简洁、任务描述清晰；避免或极少使用少样本；不要再教模型怎么推理——“那已经内置在它里面了”。

总结

这场演讲传递的核心信息很直接：模型没有变“傻”，只是我们还没学会如何与它们高效协作。提示工程不是技巧堆砌，而是一种工程思维——从简单开始，逐步验证，再决定是否需要复杂系统。无论是 Chain of Thought、少样本，还是 Meta Prompting，本质都是在帮助模型更好地理解你的真实意图。在推理模型时代，真正的能力不在于写多复杂的提示，而在于知道什么时候该少说一点。

关键词： 提示工程， Chain of Thought， 少样本学习， 推理模型， Meta Prompting

事实核查备注： 视频作者 Dan，频道 AI Engineer；PromptHub 平台；Anthropic 关于 AI Agent 的博客观点；Chain of Thought、Few-shot Prompting、Meta Prompting 概念；DeepSeek R1 训练使用思维链；Microsoft 关于 o1 的 MedPrompt 研究；OpenAI o1-preview 提示建议。