01. 最小提示（Minimal Prompt）

概述

本指南介绍了上下文工程的核心原理，通过探索最小化的原子提示及其对LLM输出和行为的直接影响。

核心概念

1. 构建原子提示 - 为了最大化清晰度和控制力
2. 测量有效性 - 通过Token计数和模型响应质量
3. 迭代提示修改 - 进行快速反馈循环
4. 观察上下文漂移 - 和最小提示边界
5. 扩展基础 - 从原子提示到协议化外壳

使用方式

# 在 Jupyter 或 Colab 中运行
%run 01_min_prompt.py

或者在文件中独立编辑和运行每个部分，以实验提示效果。

主要内容

什么是原子提示？

原子提示是最小可行的提示单位，能够清晰地表达一个明确的意图或任务。特点包括：

• 简洁性 - 只包含必要的信息
• 清晰度 - 明确的指令和期望
• 可测量性 - 能够评估输出质量
• 可复现性 - 相同的输入产生一致的输出

提示工程的基础

1. Token 效率 - 优化令牌使用，最小化成本和延迟
2. 响应质量 - 确保模型输出符合需求
3. 可控性 - 通过精心设计的提示控制模型行为
4. 可扩展性 - 从简单提示逐步构建复杂系统

实践步骤

1. 创建一个基础提示
2. 测量其Token计数
3. 评估模型响应
4. 根据结果迭代修改
5. 记录最佳实践

后续学习

• 参考 02_expand_context.py - 学习如何扩展上下文
• 参考 03_control_loops.py - 学习控制循环机制
• 参考其他指南 - 深入学习高级技术

注意事项

• 每个部分都设计用于动手实验
• 修改提示并观察标记化和输出保真度的变化
• 使用本指南作为构建高级上下文工程工作流的基础

相关资源

• 查看源代码：01_min_prompt.py
• 上下文工程基础课程
• 提示工程最佳实践指南