原子：提示工程的基本单元
"如果你想从零开始制作苹果派，你必须先创造宇宙。" — 卡尔·萨根
原子：单一指令
在我们探索上下文工程的旅程中，我们从最基本的单元开始：原子 — 一条发送给大语言模型的单一、独立的指令。
┌───────────────────────────────────────────────┐
│ │
│ "Write a poem about the ocean in 4 lines." │
│ │
└───────────────────────────────────────────────┘这是最纯粹形式的提示工程：一个人类，一条指令，一个模型响应。简单、直接、原子化。
原子提示的解剖结构
让我们分解一下有效原子提示的构成要素：
┌─────────────────────────────────────────────────────────────┐
│ │
│ ATOMIC PROMPT = [TASK] + [CONSTRAINTS] + [OUTPUT FORMAT] │
│ │
└─────────────────────────────────────────────────────────────┘例如：
┌─────────────────────┬────────────────────────┬────────────────────┐
│ TASK │ CONSTRAINTS │ OUTPUT FORMAT │
├─────────────────────┼────────────────────────┼────────────────────┤
│ "Write a poem │ "about the ocean │ "in 4 lines." │
│ about space." │ using only words │ │
│ │ with 5 letters │ │
│ │ or less." │ │
└─────────────────────┴────────────────────────┴────────────────────┘原子的局限性
虽然原子提示是大语言模型交互的基石，但它们很快就会暴露出根本性的局限：
┌──────────────────────────────────────┐
│ LIMITATIONS OF ATOMIC PROMPTS │
├──────────────────────────────────────┤
│ ✗ No memory across interactions │
│ ✗ Limited demonstration capability │
│ ✗ No complex reasoning scaffolds │
│ ✗ Prone to ambiguity │
│ ✗ High variance in outputs │
└──────────────────────────────────────┘让我们通过一个简单的实验来实证地衡量这一点：
python
# A basic atomic prompt
atomic_prompt = "List 5 symptoms of diabetes."
# Send to LLM multiple times
responses = [llm.generate(atomic_prompt) for _ in range(5)]
# Measure variability
unique_symptoms = set()
for response in responses:
symptoms = extract_symptoms(response)
unique_symptoms.update(symptoms)
print(f"Found {len(unique_symptoms)} unique symptoms across 5 identical prompts")
# Typically outputs far more than just 5 unique symptoms问题在哪？当给定最少的上下文时，模型很难保持一致性。
单原子基线：有用但受限
尽管有局限性，原子提示建立了我们的基线。它们帮助我们：
- 衡量词元效率（最小开销）
- 基准测试响应质量
- 为实验建立对照组
[Response Quality]
▲
│
│ ⭐ Context
│ Engineering
│
│
│ ⭐ Advanced
│ Prompting
│
│ ⭐ Basic Prompting
│
│
└────────────────────────►
[Complexity]未言明的上下文：模型已经"知道"什么
即使使用原子提示，大语言模型也会利用其训练中的大量隐式上下文：
┌───────────────────────────────────────────────────────────────┐
│ IMPLICIT CONTEXT IN MODELS │
├───────────────────────────────────────────────────────────────┤
│ ✓ Language rules and grammar │
│ ✓ Common knowledge facts │
│ ✓ Format conventions (lists, paragraphs, etc.) │
│ ✓ Domain-specific knowledge (varies by model) │
│ ✓ Learned interaction patterns │
└───────────────────────────────────────────────────────────────┘这种隐式知识为我们提供了基础，但它并不可靠，并且在不同的模型和版本之间会有所不同。
幂律：词元-质量曲线
对于许多任务，我们观察到上下文词元与输出质量之间存在幂律关系：
Quality
▲
│ •
│ • •
│ • •
│ • •
│ • •
│ •
│•
└───────────────────────────────────────────► Tokens
[Poor Start] [Maximum ROI] [Diminishing Returns]关键见解：存在一个"最大投资回报率区间"，在这个区间，仅添加几个词元就能带来显著的质量提升，同时也存在"收益递减"区间，在这个区间添加更多词元反而会降低性能。
阅读更多关于上下文衰退的内容
从原子到分子：对更多上下文的需求
原子的局限性自然地引导我们进入下一步：分子，即结合指令与示例、额外上下文和结构化格式的多部分提示。
这是基本的转变：
┌──────────────────────────┐ ┌──────────────────────────┐
│ │ │ "Here's an example: │
│ "Write a limerick about │ → │ There once was a... │
│ a programmer." │ │ │
│ │ │ Now write a limerick │
└──────────────────────────┘ │ about a programmer." │
└──────────────────────────┘
[Atomic Prompt] [Molecular Prompt]通过添加示例和结构，我们开始有意识地塑造上下文窗口——这是迈向上下文工程的第一步。
衡量原子效率：你的第一个任务
在继续之前，尝试这个简单的练习：
- 选择一个你会给大语言模型的基本任务
- 创建三个不同的原子提示版本
- 衡量使用的词元数量和主观质量
- 绘制效率边界
┌─────────────────────────────────────────────────────────────┐
│ Task: Summarize a news article │
├─────────┬───────────────────────────────┬────────┬──────────┤
│ Version │ Prompt │ Tokens │ Quality │
├─────────┼───────────────────────────────┼────────┼──────────┤
│ A │ "Summarize this article." │ 4 │ 2/10 │
├─────────┼───────────────────────────────┼────────┼──────────┤
│ B │ "Provide a concise summary │ 14 │ 6/10 │
│ │ of this article in 3 │ │ │
│ │ sentences." │ │ │
├─────────┼───────────────────────────────┼────────┼──────────┤
│ C │ "Write a summary of the key │ 27 │ 8/10 │
│ │ points in this article, │ │ │
│ │ highlighting the main │ │ │
│ │ people and events." │ │ │
└─────────┴───────────────────────────────┴────────┴──────────┘关键要点
- 原子提示是大语言模型交互的基本单元
- 它们遵循基本结构：任务 + 约束 + 输出格式
- 它们具有固有的局限性：没有记忆、示例或推理支架
- 即使是简单的原子提示也利用了模型的隐式知识
- 上下文词元与质量之间存在幂律关系
- 超越原子是迈向上下文工程的第一步
下一步
在下一节中，我们将探讨如何将原子组合成分子 — 显著提高可靠性和可控性的少样本学习模式。
继续阅读 02_molecules_context.md →
深入探讨：提示模板
对于那些想要更多地尝试原子提示的人，这里有一些可以尝试的模板：
# Basic instruction
{task}
# Persona-based
As a {persona}, {task}
# Format-specific
{task}
Format: {format_specification}
# Constraint-based
{task}
Constraints:
- {constraint_1}
- {constraint_2}
- {constraint_3}
# Step-by-step guided
{task}
Please follow these steps:
1. {step_1}
2. {step_2}
3. {step_3}尝试测量将每个模板应用于相同任务时的词元数量和质量！