跳转至

P1-12.2 指示(instruction)、上下文(context)、示例(example)

Section ID: P1-12.2 Version: v2026.07.20

在 12.1 中，我们把提示词(prompt)看成了“把任务条件放进当前输入中的方法”。提示词不会让模型重新学习；它只是把模型在执行(inference)时要参考的指示、上下文、示例、约束与输出格式放进输入里。

这里要把其中最基础的三项拆开来看：

指示(instruction)：
要模型做什么？

上下文(context)：
做这件事时要参考什么？

示例(example)：
希望的输入输出模式要怎么展示？

只要把这三项分开，提示词就不再只是“把句子写得更漂亮”，而会变成“把任务条件按角色拆开的输入结构”。

在 Part 1 中，本节先建立 指示(instruction)、上下文(context)、示例(example)、few-shot prompting 的基本直觉，以及 提示词结构化 的基本区分。12.1 已经先说明了提示词能指定什么；这里则继续把其中最核心的三项拆开。评估标准与限制会在 12.3 中单独讨论。

这里不会详细讲高级 prompt engineering 技术。Chain-of-thought(CoT)、self-consistency、automatic prompt optimization 等技巧不会在这里深讲，而会在 Part 5 的 P5-9.3 补充学习中以更实战的情境重新出现。

指示、上下文、示例、few-shot 在开始时都可能听起来像把提示词写长一点的装饰。先简短区分一下它们的作用：

术语 极简含义 本节中的作用
指示 说明要做什么的请求 设定任务目标的元素
上下文 提供应参考的信息 设定背景与范围的元素
示例 展示答案应如何呈现的示范 引导格式与判断方式
few-shot prompting 在提示词中放入若干示例的方法 展示示例如何生效的代表形式
提示词结构化 在输入内部区分不同角色的写法 在长任务中提升可重复性与可审阅性的方法

这里至少要保留的区分是：指示是任务、上下文是参考信息、示例是示范、few-shot 是包含示例的提示词。

这里也不会展开 RAG、工具使用(tool use)、代理(agent)。RAG 会在 P1-13.3 与 P1-13.4 中再讲；工具使用与代理会在 P1-14.2 与 P1-14.3 中再讲。这里的目标只是先学会：给 LLM 提出请求时，最先应该拆开的基本组成是什么。

这里也不会问“这样写提示词，是否就一定能得到好结果”。那个问题会放到 12.3，从 限制、评估、可复现性 的角度重新讨论。

元素 本节要看的问题
指示(instruction) 如何清楚地说明模型要执行的任务？
上下文(context) 如何提供任务所需的背景信息与材料？
示例(example) 如何展示想要的结果长什么样？

分开布置指示、上下文与示例的基准

  • 区分指示(instruction)、上下文(context)、示例(example)。
  • 说明如何在一个提示词里分开安放这三项。
  • 理解示例并不是重新训练模型，而是在当前输入里展示模式。
  • 理解即使提供了上下文，也不代表事实验证就自动完成了。
  • 为 12.3 中关于限制与评估标准的讨论做好衔接。

三个基准

这里不会去总结“写好提示词的秘诀”，而是专注于把输入中的三个角色拆开来看。只要抓住下面三个基准，整体脉络就会清楚。

基准 为什么重要 本节所需的理解水平
指示(instruction)意味着“去做这个任务” 这能澄清提示词中最显眼的部分。 只要知道它是“总结、比较、翻译、审查”之类的请求即可。
上下文(context)是模型应参考的背景 这能说明为什么同一个问题在不同背景信息下会有不同答案。 只要理解上下文会附带文档片段、角色、范围等参考材料即可。
示例(example)展示的是期望输出模式 这能让 few-shot prompting 更容易理解。 只要把它看成“请按这种方式回答”的示范即可。

指示负责指定任务

指示(instruction) 是告诉模型要做什么的部分。

请总结这个。
请比较这两件事。
请改写成面向入门者的说明。
请整理成表格。
对依据薄弱的句子标记为 需要验证。

如果指示模糊，模型就会更宽泛地解释任务。

模糊的指示：
给我讲讲 AI。

更清楚的指示：
请向正在复习 AI 导论的读者解释 AI、机器学习、深度学习与生成式 AI 的关系。

这两个提示词都是自然语言请求，但第二个更明确地指定了任务对象、读者以及要比较的概念。

指示并不是越长越好。好的指示会收窄任务。

指示的焦点 例子
任务 总结、比较、分类、转换、审查
对象 句子、表格、代码、主张、目录
读者 初次阅读者、实践者、研究者、儿童
标准 依据优先、简短、双语标注、避免夸张

在写这本书时，特别重要的是把 目标读者 与 审查标准 也写进指示里。

请向很久以前学过 AI 导论、但现在已经忘了很多的读者解释。
请把个人解释与标准说明区分开。
不要写没有依据的展望。

这种指示告诉模型的不只是“要写什么”，还包括“按什么标准写”。

上下文负责提供参考信息

上下文(context) 是模型在执行指示时应参考的信息。背景、原文、目的、先前决定、读者条件、排除范围，都可以构成上下文。

例如，下面这个提示词只有指示：

请把这句话改得更简单。

模型仍然不知道要改哪句话。加上上下文之后，任务才真正可执行：

任务：
请把下面这句话改写得更适合正在复习 AI 导论的读者理解。

原句：
Transformer 使用 self-attention 计算输入 token 之间的关系。

上下文：
这份文稿优先帮助读者恢复概念，而不是展开数学细节。

这里，任务 是指示；原句与上下文说明则是模型应参考的信息。

上下文并不只意味着一般性的背景说明。下面这些都可以成为上下文：

上下文类型 例子
原文 要改写的句子、要总结的段落、要审查的主张
读者 初次学习者、复习者、开发者、非专业读者
目的 书稿正文、审查记录、演示材料、代码注释
先前决定 本章暂不讨论 RAG
排除范围 不要写没有依据的展望、不要用夸张表述、不要抢先解释后续章节核心内容

给上下文时，一个重要区别是：

哪些内容留给模型去猜
哪些内容明确写进输入

对比这两种写法：

让模型自己猜的提示词：
请写下一节。

提供了上下文的提示词：
上一节解释了提示词指定了什么。
这一节要区分指示、上下文与示例。
下一节会讨论限制与评估。
所以这一节不要深入展开那些限制。

第二个提示词告诉了模型章节所在位置与 Section 边界。这在长文档里尤其重要。

示例会展示想要的模式

示例(example) 是用来向模型展示你期望的输入输出模式的部分。Brown 等人的 GPT-3 论文把 few-shot 设置说明为：不额外 fine-tuning，而是在输入里加入几组任务示范(task demonstration)。

在这里，可以这样理解：

指示：
请把术语用中文和英文一起整理。

示例：
输入: AI
输出: 人工智能(artificial intelligence)

输入: ML
输出: 机器学习(machine learning)

输入: inference
输出:

这里的示例向模型展示了“请按这种格式回答”的模式，从而提高它继续写出如 推理(inference) 或在具体上下文下更合适双语形式的概率。

示例不仅能展示答案格式，也能展示判断标准。

指示：
请审查下面这句话，并区分标准说明与个人解释。

示例：
句子: 深度学习是对人脑的直接复制。
审查:
- 标准说明: 人工神经网络受到生物神经网络启发，但并不是对人脑的直接复制。
- 个人解释: 把它当作帮助直观理解的类比是可以的。
- 判断: 有夸张风险

句子: 提示词不会改变模型权重。
审查:

这个示例不仅展示了格式，还展示了审查框架本身：标准说明、个人解释、判断。

当然，示例也需要谨慎使用。

示例的问题 为什么危险
错误示例 模型可能照着错误模式写下去
有偏示例 输出方向可能变得过窄
示例太多 重要的指示与上下文可能被淹没
示例彼此冲突 模型会更难判断该遵循哪种模式

示例不会像 fine-tuning 那样永久更新模型权重。它只是当前输入里的参考模式。

把三部分分开，提示词就变得可读

写更好提示词的第一步，不是造出更漂亮的句子，而是把输入中的不同角色分开。

任务：
请把下面这段话改写得更适合正在复习 AI 导论的读者。

上下文：
- 这份文稿是帮助读者恢复很久以前学过的概念的学习材料。
- 个人解释必须与标准说明分开。
- 这一节不讨论 RAG 与 agent。

原文：
提示词是理解 LLM 行为的一种手段。

示例：
较好的表述：
提示词并不会直接揭示 LLM 的内部结构，
但它能让我们观察在不同输入条件下输出如何变化。

要避免的表述：
只要看提示词，就能知道 LLM 的内部原理。

输出格式：
- 修改后的句子
- 修改理由
- 需要验证的点

这个提示词把指示、上下文、原文、示例、输出格式分开了。这样一来，审阅者更容易看出请求内容，模型也更有可能区分输入中各部分扮演的角色。

当然，结构化提示词并不保证一定得到正确答案。提示词只是整理输入条件的方法，不会替代事实核查与质量评估。这些限制会在 12.3 中继续讨论。

适合长学习文档的基础模板

在写长篇学习文档时，可以把下面这个模板当作基本型：

任务：
要求模型做什么？

对象：
要审查或撰写的原文/材料是什么？

上下文：
文档所处位置、目标读者、先前决定、排除范围是什么？

标准：
关于依据、术语、双语标注、Section 边界、避免夸张，有哪些标准？

示例：
有什么简短示例能展示期望格式或判断方式？

输出：
希望结果以什么形式返回？

这个模板并不适用于所有情况，但当一本长书与 AI 工具一起写作时，它能帮助结构化请求，也能让之后的人类审阅更有抓手。

检查清单

  • 我可以说明指示(instruction)会指定模型要执行的任务。
  • 我可以说明上下文(context)会提供任务所需的背景信息与材料。
  • 我可以说明示例(example)会展示想要的输入输出模式。
  • 我可以说明示例并不会像 fine-tuning 那样改变模型权重。
  • 我可以把长提示词拆成任务、上下文、原文、示例、输出格式来阅读。
  • 我可以说明提示词结构化并不能替代事实核查。
  • 我可以把长提示词按 做什么、参考什么、遵循什么模式 来拆开阅读。
  • 我可以说明 few-shot prompting 并不是重新训练模型，而是当前输入里的模式展示。

来源与参考资料