从这里开始
系统提示词(System prompt)
模型视为最高优先级的指令层:规定它在整个对话中的角色、规则和边界。
查看术语 →
少样本提示(Few-shot prompting)
在提示词中放入一到五个完整示例,让模型模仿它们的格式、语气和详略程度。
查看术语 →
分隔符(Delimiters)
三引号、标题或XML风格标签等标记,用来把你的指令与模型要处理的文本分开。
查看术语 →
约束条件(Constraints)
对回答的明确、可检验的限制——篇幅、语气、范围、允许的来源、禁止的说法、技术栈——让回答保持有用。
查看术语 →
温度(Temperature)
一种采样参数,控制模型选词的随机程度:值越低越稳定,值越高越多样。
查看术语 →
幻觉(Hallucinations)
流畅、自信,但错误或缺乏依据的输出——编造的事实、数字、引语或来源——却被当作真实内容呈现。
查看术语 →
提示词注入(Prompt injection)
一种攻击:隐藏在模型读取的内容(网页、邮件、文档)中的指令,试图覆盖你自己的指令。
查看术语 →
JSON schema
对JSON文档结构的正式描述——键、类型、必填字段、允许的值——用于约束和验证模型的输出。
查看术语 →
角色提示(Role prompting)
给模型指定一个角色——编辑、导师、审核员——并附上该角色应遵循的标准,以确定语气和预期。
查看术语 →
评估(Evaluation)
用一组固定的输入测试提示词,并按验收标准给输出打分,让改进可以被衡量,而不是靠猜。
查看术语 →
零样本提示(Zero-shot prompting)
只凭指令、不给任何示例,让模型完成任务,依靠的是它在训练中已经学到的东西。
查看术语 →
上下文窗口(Context window)
模型在单次请求中能接收和生成的最大文本量,以token计算。
查看术语 →
思维链提示(Chain-of-thought prompting)
让模型在给出最终答案之前,先逐步完成中间的推理步骤,这对多步骤问题有帮助。
查看术语 →
提示词链(Prompt chaining)
把复杂任务拆成一系列较小的提示词,每一步的输出作为下一步的输入。
查看术语 →
结构化输出(Structured output)
让模型以固定的、机器可读的格式作答——JSON、表格、带标签的字段——而不是自由行文。
查看术语 →
Token(词元)
模型读取和写入的文本片段——完整的词、词的一部分或标点符号;上下文上限和价格都按它计算。
查看术语 →
Top-p(核采样)
一种采样参数,把模型对下一个词的选择限制在概率之和达到p的最小token集合内。
查看术语 →
检索增强生成(RAG)
一种模式:从知识来源中检索相关段落并放进提示词,让模型依据这些段落作答。
查看术语 →
负面提示(Negative prompting)
在告诉模型要做什么的同时,也告诉它要避免什么——某种语气、说法、格式或话题——明确排除不想要的输出。
查看术语 →
上下文工程(Context engineering)
决定哪些信息进入模型的上下文——指令、文档、示例、历史记录、工具结果——以及以什么顺序和形式放入。
查看术语 →