提示工程是指设计和优化向生成式AI模型输入的自然语言，以便可靠地产生所需输出的实践。随着大语言模型的广泛采用，它逐渐成为一项独立的技能，并一度成为一种职位名称，因为同一底层模型根据任务的措辞、结构和框架方式不同，可能产生显著不同的结果。
技术
常见的提示工程技术包括直接在提示中提供工作示例，即少样本学习，与之相对的是仅给出指令，即零样本学习。思维链提示法在2022年的一篇论文中提出，要求模型在给出最终答案之前先产生中间推理步骤，研究表明，对于足够大的模型，这种方法能显著提升其在算术和逻辑任务上的表现。其他技术包括为模型分配角色或人设、指定明确的输出格式，以及将复杂任务分解为一系列较小的提示。许多这些技术依赖于上下文学习，即语言模型根据提示中呈现的信息调整自身行为的能力，而无需改变其底层权重。
作为一门学科的出现
对提示工程的兴趣在2020年GPT-3发布后迅速增长，其强大的少样本性能使提示设计成为无需重新训练模型即可构建应用的实际手段，并在2022年ChatGPT推出后进一步加速，将对话式提示带给了大众用户。针对不同用例发展出了不同的技术，从配置助手人设和约束的结构化系统提示，到用于引导推理模型和AI智能体系统完成复杂任务的精细多步提示。
持久性之争
评论者对于提示工程究竟是一门持久的学科，还是一种过渡性技能（随着模型更好地从日常语言中推断用户意图而逐渐式微）存在争议。支持者认为，随着模型获得更多工具、更长的上下文和更高的自主性，精确指定指令、约束和成功标准只会变得更加重要。怀疑者则反驳说，在早期能力较弱的模型中，许多被视为提示工程的做法，如复杂的角色扮演框架或反复强调，随着新模型能更可靠地遵循简单指令，已变得不再必要。到2025年，一些从业者开始使用更广泛的术语上下文工程来描述这一学科，即不仅策划单一提示，还包括模型所依赖的完整信息、示例和工具访问集合，这反映了向多轮操作而非单次交互的智能体系统的转变。
安全维度
由于提示是引导模型行为的主要渠道，提示工程在对抗性技术方面也有防御性的对应面，即越狱，其中提示被刻意设计用于绕过模型的安全训练，而非完成合法任务。