提問的藝術(shù)：大模型提示工程的可供性分析

關(guān)鍵詞：大模型；提示工程；可供性；人機(jī)交互；思維鏈

課題：國家社科基金重大項(xiàng)目“增強(qiáng)中華文明海外網(wǎng)絡(luò)傳播力影響力研究”（編號(hào)：23ZDA094）

DOI： 10.3969/j.issn.2095-0330.2025.04.006

一、問題的提出：可供性視角下大模型應(yīng)用面臨的挑戰(zhàn)

（一）大模型的普及與發(fā)展

2022年11月30日，OpenAI公司推出了基于大語言模型（LargeLanguageModel，下文簡稱為“大模型”）的ChatGPT，該聊天機(jī)器人擁有較強(qiáng)的自然語言處理能力，在閱讀理解、文本分析、問答對(duì)話等任務(wù)上的完成能力十分突出①，推出后迅速吸引大量用戶注冊(cè)。除了OpenAI的GPT系列，Google的Gemini、Meta的Llama、Anthropic的Claude均具有巨量參數(shù)和算力支持，在信息提取和文學(xué)創(chuàng)作等方面表現(xiàn)良好。

在中國，的文心一言大模型、的訊飛星火認(rèn)知大模型、的通義千問大模型、的豆包大模型、智譜AI的GLM-4大模型等在技術(shù)迭代和應(yīng)用探索上持續(xù)突破，展現(xiàn)了中國大模型行業(yè)的多元化競爭力。而從2024年12月底到2025年1月底，中國初創(chuàng)公司推出的大模型DeepSeek的全球用戶數(shù)從34.5萬攀升至1.19億，日活躍數(shù)的增速遠(yuǎn)超ChatGPT，并在百余個(gè)國家及地區(qū)的應(yīng)用市場中位列榜首②，將大模型的開發(fā)、應(yīng)用與研究推向更新的高度。

（二）可供性視角下的大模型

在AIGC（Artificial Intelligence GeneratedContent）時(shí)代，人機(jī)交互進(jìn)入新的階段。用戶無須依賴特定的編程語言或煩瑣的操作界面，而是通過自然語言即可與大模型進(jìn)行交互，實(shí)現(xiàn)了在多種場景下人與機(jī)器的流暢溝通。③2017年，阿西什·瓦斯瓦尼（AshishVaswani）等人提出基于注意力機(jī)制的新型神經(jīng)網(wǎng)絡(luò)架構(gòu)Transformer，它能更好地捕捉文本依賴關(guān)系和上下文信息，提高了自然語言處理的能力，使得語言模型獲得了前所未有的通用性。④而基于Transformer架構(gòu)的大模型具有龐大的參數(shù)規(guī)模和卓越的學(xué)習(xí)能力，在各種自然語言處理（Natural Language Processing，NLP）任務(wù)中顯示出了強(qiáng)大的功能。為了分析大模型技術(shù)特性、用戶感知與人機(jī)交互實(shí)踐間的復(fù)雜互動(dòng)關(guān)系，本研究借由“可供性”理論視角探究大模型技術(shù)設(shè)計(jì)與社會(huì)影響。

可供性（affordance）的概念由詹姆斯·吉布森（JamesGibson）首次提出，意為環(huán)境為生物提供不同行為和操縱的可能性與機(jī)會(huì)。吉布森認(rèn)為，環(huán)境的可供性不會(huì)隨著觀察者的需求變化而發(fā)生變化，它總是在那里等待被感知，但觀察者卻會(huì)根據(jù)他的需要去感知或注意到可供性。③唐納德·A.諾曼（DonaldA.Norman）基于吉布森的原始概念延展出了“感知可供性”（perceivedaffordances），從而與“真實(shí)可供性”（realaffordances）相區(qū)分，“真實(shí)可供性”更多指向技術(shù)相對(duì)確定的、實(shí)際的功能屬性，而“感知可供性”則是用戶對(duì)可能操作的感知。他認(rèn)為，軟件設(shè)計(jì)師通過調(diào)整操作界面的圖標(biāo)，向用戶暗示某種行動(dòng)的可能性。③因此，“感知可供性”對(duì)于軟件設(shè)計(jì)而言尤其重要，設(shè)計(jì)者需要確保期望的相關(guān)行為是容易被用戶感知的。

基于“真實(shí)可供性”和“感知可供性”兩種視角，對(duì)于大模型這一新興技術(shù)，可供性可以從用戶是否可以將其用于需要的場景之中、用戶是否能把控、大模型是否簡單易用這些方面進(jìn)行分析，即聚焦于適應(yīng)性、可控性和可用性三個(gè)維度，從而強(qiáng)調(diào)技術(shù)客觀屬性與用戶主觀認(rèn)知間的關(guān)系。

適應(yīng)性包括大模型的核心功能及大模型客觀上執(zhí)行任務(wù)的能力。大模型能夠理解復(fù)雜的語言模式，并在給定的上下文中生成連貫和適當(dāng)?shù)幕貜?fù)，完成語言翻譯、文本生成、情感分析、對(duì)話問答等任務(wù)③，從技術(shù)角度而言具備在差異化場景中執(zhí)行任務(wù)的能力?？煽匦灾傅氖怯脩魧?duì)大模型輸出的約束和引導(dǎo)能力，其確保機(jī)器生成內(nèi)容符合預(yù)期，高可控性意味著大模型在多輪人機(jī)交互中能夠保持對(duì)用戶指令的精準(zhǔn)響應(yīng)，且用戶可以對(duì)生成內(nèi)容進(jìn)行修正。可用性則從大模型是否簡單易用的角度進(jìn)行分析，高可用性意味著用戶使用大模型的門檻較低，操作效率高。因此，大模型需要通過控件按鈕、界面設(shè)計(jì)、反饋機(jī)制展示其在文本生成、問題解答及邏輯推理等方面的潛力。當(dāng)用戶在大模型使用過程中以符合用戶預(yù)期的方式進(jìn)行反饋時(shí)，用戶往往會(huì)更容易感知其可用性，反之，過于專業(yè)或模糊的提示可能使得部分功能被忽視。

（三）被遮蔽的可供性：“幻覺”問題與提示工程介入的必要性

至關(guān)重要，能夠優(yōu)化人機(jī)交互體驗(yàn)，并將大模型更廣泛地應(yīng)用于各個(gè)領(lǐng)域。

盡管大模型在底層架構(gòu)、參數(shù)規(guī)模、算力等方面的優(yōu)勢讓其具有處理多種任務(wù)的能力，展現(xiàn)出卓越的可供性，但用戶在實(shí)際使用過程中產(chǎn)生了許多顯著影響人機(jī)交互體驗(yàn)的問題，其中最重要的是“幻覺”（hallucinations）——即大模型生成的內(nèi)容荒謬或與用戶提供的原始內(nèi)容不一致。③大模型的“幻覺”可以大致被分為三種類型：（1）輸入沖突“幻覺”，即大模型生成的內(nèi)容偏離用戶提供的原始輸入；（2）上下文沖突“幻覺”，即大模型生成的內(nèi)容與其此前生成的信息相沖突；（3）事實(shí)沖突“幻覺”，即大模型生成的內(nèi)容與已知的事實(shí)知識(shí)不一致。@

從可供性的視角出發(fā)，大模型的“幻覺”等問題遮蔽了其適應(yīng)性、可控性和可用性，影響了大模型輸出內(nèi)容的準(zhǔn)確度，使其無法有效匹配和滿足用戶需求，并且提高了用戶使用大模型的門檻。因此，研究者和開發(fā)者需要通過技術(shù)中介或交互設(shè)計(jì)為其“去蔽”，而提示工程正是這樣一種駕馭大模型、充分調(diào)用大模型可供性的技術(shù)中介。與微調(diào)（fine-tuning）技術(shù)直接調(diào)整大模型參數(shù)不同的是，提示工程并非改變大模型固有參數(shù)，而是通過優(yōu)化提示的步驟將大模型的客觀能力轉(zhuǎn)化為實(shí)際效能，使用成本和應(yīng)用難度相對(duì)較低。從定義上看，提示工程是對(duì)普通用戶輸入提示（prompt）的優(yōu)化和完善。研究表明，提示設(shè)計(jì)將直接影響大模型在實(shí)際任務(wù)中的表現(xiàn)①，可以應(yīng)對(duì)大模型幻覺等挑戰(zhàn)②，更準(zhǔn)確地捕捉用戶意圖，產(chǎn)生符合預(yù)期的輸出③。因此，提示工程對(duì)于充分發(fā)揮大模型的潛力

（四）問題的提出

一方面，基于大模型可供性分析以及當(dāng)前大模型存在的可供性被遮蔽的現(xiàn)狀，本研究聚焦于提示工程這一探索大模型可供性的技術(shù)中介，具體回答以下問題：

提示工程具有哪幾種類型？作為大模型中的重要組成部分，不同類型的提示工程分別影響了大模型適應(yīng)性、可控性、可用性的哪些方面，以及是否進(jìn)一步改變了用戶使用大模型的體驗(yàn)？

另一方面，伊恩·哈特希比（IanHutchby）認(rèn)為，可供性“框定（但并非決定）了主體針對(duì)某個(gè)對(duì)象采取行動(dòng)的可能性”，且同一物體的可供性可能因人而異。④伊莉沙貝塔·科斯塔（ElisabettaCosta）等人基于一項(xiàng)社交媒體用戶使用實(shí)踐，提出“實(shí)踐中的可供性”（affordances-in-practice）這一概念，強(qiáng)調(diào)媒介/物的可供性并非固定和穩(wěn)定的屬性，而是涉及人類與媒介之間反復(fù)互動(dòng)的過程，是由用戶在特定社會(huì)和文化背景下的具體實(shí)踐決定的？，這一視角下的可供性研究凸顯了人類行動(dòng)者對(duì)于可供性的動(dòng)態(tài)挖掘。在與大模型的實(shí)際交互情境中，用戶能不斷探索、發(fā)現(xiàn)大模型的能力，技術(shù)的意義某種程度上是在具體實(shí)踐中被不斷構(gòu)建和重構(gòu)的。因此，本文還將回答以下研究問題：大模型可供性如何在提示工程知識(shí)傳播實(shí)踐中被進(jìn)一步挖掘？從人機(jī)交互出發(fā)，提示工程的不同表現(xiàn)形式對(duì)于人機(jī)交互實(shí)踐產(chǎn)生了怎樣的作用，并對(duì)人類的主體性提出了何種要求？

二、提示工程對(duì)大模型適應(yīng)性、可控性和可用性的影響

（一）提示工程的定義及類型

提示工程是指系統(tǒng)地設(shè)計(jì)和優(yōu)化輸入提示，以引導(dǎo)大模型準(zhǔn)確識(shí)別目標(biāo)信息，增強(qiáng)大模型的表現(xiàn)力和穩(wěn)定性，確保大模型生成輸出的準(zhǔn)確性、相關(guān)性和連貫性。①本研究根據(jù)目前存在的提示工程，按照核心功能和作用將一系列對(duì)提示的優(yōu)化方式劃分出“結(jié)構(gòu)引導(dǎo)型”提示工程、“邏輯推理增強(qiáng)型”提示工程和“知識(shí)檢索增強(qiáng)型”提示工程這三類（見表1）。

“結(jié)構(gòu)引導(dǎo)型”提示工程通過主動(dòng)設(shè)計(jì)輸入信息的結(jié)構(gòu)，引導(dǎo)大模型聚焦目標(biāo)邏輯、限定輸出范式或激活特定能力，本質(zhì)是通過結(jié)構(gòu)化的語言規(guī)則對(duì)大模型的內(nèi)容生成過程施加可控干預(yù)，減少用戶與機(jī)器進(jìn)行自然語言交互的模糊性，提升人機(jī)協(xié)作的效率。該類型涵蓋了一系列普通用戶可直接操作的語法規(guī)則，是一種對(duì)用戶輸入提示的結(jié)構(gòu)化引導(dǎo)，比如通過角色提示賦予大模型一個(gè)特定的角色③，例如，“你是一個(gè)法律領(lǐng)域的專家”。單樣本提示（one-shotprompting）或少樣本提示（few-shotprompting）在給出指令后額外向大模型提供一個(gè)或多個(gè)示例?！凹s束引導(dǎo)”限定了大模型的輸出格式或輸出范圍。對(duì)優(yōu)化提示的編寫策略而言，盧世豪（LeoS.Lo）提出了“CLEAR提示工程框架”，認(rèn)為提問清晰明確、富有邏輯性、強(qiáng)調(diào)輸出規(guī)范、具體地闡釋問題、對(duì)提示進(jìn)行持續(xù)評(píng)估這五個(gè)核心原則有助于用戶更有效地與ChatGPT等大模型進(jìn)行交互。@

“邏輯推理增強(qiáng)型”提示工程幫助增強(qiáng)大模型的邏輯處理、復(fù)雜問題解決以及多路徑探索能力。例如，“思維鏈提示”（Chain-of-Thought，CoT）將用戶提問拆解為多個(gè)步驟，引導(dǎo)大模型逐步推理得出最終答案@；“自我一致性提示”（SelfConsistencywithCoT，CoT-SC）從大模型的解碼器中采樣并生成多種推理路徑，并在不同推理路徑所生成的結(jié)果中，選擇出現(xiàn)次數(shù)最多的答案作為輸出，從而提高答案置信水平①；“思維樹提示框架”（TreeofThoughts，ToT）通過考慮多種不同的推理路徑和大模型自我評(píng)估選擇來決定下一步行動(dòng)，并在必要時(shí)進(jìn)行預(yù)測和回溯以作出全局選擇，從而進(jìn)行復(fù)雜推斷。這些復(fù)雜的提示工程被廣泛應(yīng)用于國內(nèi)外通用大模型中，支持多路徑探索、處理復(fù)雜問題，具有一定的容錯(cuò)機(jī)制，顯著增強(qiáng)了大模型的邏輯推理能力。

“知識(shí)檢索增強(qiáng)型”提示工程幫助擴(kuò)展大模型的知識(shí)范圍、提高其動(dòng)態(tài)更新信息的能力。在這類提示工程中，最常被應(yīng)用的一項(xiàng)技術(shù)是Meta團(tuán)隊(duì)開發(fā)的“檢索增強(qiáng)生成”（RetrievalAugmentedGeneration，RAG），它能從外部知識(shí)庫中獲取與查詢最相關(guān)的信息，再將這些信息作為上下文附加到用戶的提示中，組合形成更全面、上下文更豐富的提示詞?！爸R(shí)檢索增強(qiáng)型”提示工程將外部知識(shí)庫的動(dòng)態(tài)信息與大模型的生成能力進(jìn)行結(jié)合，實(shí)現(xiàn)了知識(shí)拓展、事實(shí)校準(zhǔn)和時(shí)效性的增強(qiáng)，對(duì)于降低“幻覺”起到了良好的作用。

總的來說，三類提示工程通過特定的優(yōu)化提示的過程，改善了大模型在任務(wù)處理中的表現(xiàn)，賦予用戶或開發(fā)者對(duì)大模型行為的引導(dǎo)能力，降低了用戶使用門檻，增強(qiáng)了大模型的適應(yīng)性、可控性和可用性。

（二）“結(jié)構(gòu)引導(dǎo)型”提示工程：角色預(yù)設(shè)的雙向期待

“結(jié)構(gòu)引導(dǎo)型”提示工程主要改善和提升大模型在角色扮演、個(gè)性化交互等方面的能力，滿足用戶差異化的任務(wù)處理需求，提升大模型的適應(yīng)性。這一類提示工程通過預(yù)設(shè)交互框架或可視化的界面控件，減輕用戶認(rèn)知負(fù)荷并降低操作復(fù)雜性，實(shí)現(xiàn)對(duì)大模型輸出行為的約束與控制，幫助機(jī)器準(zhǔn)確識(shí)別用戶意圖并獲得理想的輸出。

從適應(yīng)性角度來看，“結(jié)構(gòu)引導(dǎo)型”提示工程通過角色預(yù)設(shè)與場景入口設(shè)計(jì)，實(shí)現(xiàn)多任務(wù)場景對(duì)用戶的動(dòng)態(tài)適應(yīng)。大模型API（ApplicationProgrammingInterface）通過system_prompt（系統(tǒng)提示）字段可以實(shí)現(xiàn)角色定制，如Anthropic的Claude、OpenAI的ChatGPT等眾多大模型API為開發(fā)者提供底層行為控制通道，并為調(diào)用API接口的人工智能應(yīng)用設(shè)置初始的提示，保證無論用戶輸入任何內(nèi)容，大模型都能以某種語氣、法則進(jìn)行呈現(xiàn)（“請(qǐng)以言簡意賅的方式回答”）。對(duì)于某些專業(yè)知識(shí)領(lǐng)域的大模型而言，系統(tǒng)提示強(qiáng)調(diào)了大模型的角色身份（“你是一個(gè)專業(yè)的法律顧問/醫(yī)療領(lǐng)域的專家”），以保證大模型適應(yīng)執(zhí)行具體任務(wù)時(shí)的角色。此外，主流大模型通過服務(wù)聚合界面，強(qiáng)化智能體的場景適配性，騰訊元寶、kimi、智譜清言等大模型產(chǎn)品擁有針對(duì)不同辦公場景、處理不同任務(wù)的智能體。除了自然語言處理，提示工程還提供了跨模態(tài)的適應(yīng)性，Gemini的系統(tǒng)通過CLIP模型隱式解析圖像特征，自動(dòng)觸發(fā)對(duì)應(yīng)處理模塊，減少對(duì)于文字編寫指令的需求。

在可控性方面，交互控件與參數(shù)約束共同實(shí)現(xiàn)了對(duì)大模型輸出行為的精準(zhǔn)調(diào)控。多模態(tài)平臺(tái)通過顯性的參數(shù)控件引導(dǎo)用戶優(yōu)化提示，如MicrosoftCocreator、Mid-Journey等人工智能繪圖大模型，能讓用戶通過移動(dòng)滑塊或參數(shù)控制調(diào)整“創(chuàng)意”級(jí)別：創(chuàng)造力的降低意味著輸出將更接近用戶提示，而更高的創(chuàng)造力意味著更多的人工智能輸入，將改善人工智能繪圖的想象力和多樣性。這些控件實(shí)際上將系統(tǒng)提示中的“temperature”參數(shù)值可視化為用戶能夠識(shí)別和控制的維度。此外，“負(fù)向提示”的按鍵則具有約束功能，提醒用戶大模型具有規(guī)避失敗的能力，如Pikalabs指引用戶輸入“ugly”“bad”“terrible”等詞語以防止視頻掉幀與扭曲，從而改善視頻生成動(dòng)畫的質(zhì)量。這些參數(shù)控件和指令按鈕既約束又引導(dǎo)了用戶使用大模型的方式，降低了用戶對(duì)技術(shù)術(shù)語的認(rèn)知負(fù)荷，并通過即時(shí)預(yù)覽效果提升了用戶操作和修改的效率。

從可用性角度來說，“結(jié)構(gòu)引導(dǎo)型”提示工程通過界面設(shè)計(jì)與流程簡化降低交互認(rèn)知成本，提升使用效率。主流平臺(tái)開發(fā)了提示詞模板交互系統(tǒng)，如在文心一言、通義千問、豆包、訊飛星火等大模型中，用戶通過選擇垂類場景的提示詞模板并替換關(guān)鍵變量，即可完成專業(yè)的指令構(gòu)建。提示詞模板庫將高頻任務(wù)進(jìn)行標(biāo)準(zhǔn)化處理，極大地降低了非專業(yè)用戶的提示設(shè)計(jì)成本。自動(dòng)優(yōu)化提示詞則是另一種更高效的修改用戶指令的方式，如在文心一格、可靈AI等繪畫大模型中，交互界面的對(duì)話框能夠?qū)崟r(shí)解析用戶輸入，并自動(dòng)補(bǔ)充和推薦關(guān)聯(lián)提示詞，從而幫助用戶生成更高質(zhì)量的圖像。

從人機(jī)交互角度出發(fā)，“結(jié)構(gòu)引導(dǎo)型”提示工程通過預(yù)設(shè)的交互框架影響了人機(jī)互動(dòng)的模式，使用戶的自主性與系統(tǒng)引導(dǎo)之間存在張力。技術(shù)系統(tǒng)通過預(yù)設(shè)大模型的角色和風(fēng)格界定其功能邊界，但與此同時(shí)，用戶在這一過程中也被預(yù)設(shè)了特定身份，并形成了對(duì)其交互實(shí)踐的預(yù)期。而當(dāng)用戶依賴模板完成指令構(gòu)建時(shí)，他們的語言表達(dá)已然被系統(tǒng)預(yù)設(shè)的話術(shù)限定在某種類別中，一定程度上限制了表達(dá)的自由和創(chuàng)造性。

（三）“邏輯推理增強(qiáng)型”提示工程：可解釋性與判斷讓渡

“邏輯推理增強(qiáng)型”提示工程通過激活大模型的鏈?zhǔn)酵评砟芰?，增?qiáng)和激發(fā)了大模型在數(shù)學(xué)計(jì)算、因果推理、多步驟任務(wù)拆解方面的潛能，提升了大模型在復(fù)雜問題求解上的適應(yīng)性、推理過程的可用性以及最終結(jié)果的可控性。

從適應(yīng)性的角度來看，OpenAI公司于2024年9月推出的ol模型內(nèi)置了思維鏈提示工程，大幅度提高了大模型在邏輯推理型任務(wù)方面的適應(yīng)性，使其能夠?qū)?fù)雜任務(wù)分解為更小、更易于管理的步驟，并提高了其回應(yīng)的準(zhǔn)確性，使回應(yīng)更有深度。③在可用性方面，用戶不再需要手動(dòng)敘述推理步驟或構(gòu)建代碼引導(dǎo)大模型進(jìn)行邏輯思考，而只需要用自然語言進(jìn)行提問，大模型會(huì)在思維鏈的技術(shù)支持下自動(dòng)拆解步驟、解決復(fù)雜問題，降低用戶使用門檻，極大提升了大模型的可用性。也有研究表明，許多大模型在代碼生成任務(wù)中展示出的多步驟推理行為，能夠自動(dòng)進(jìn)行問題理解和規(guī)劃。這種思維過程的隱藏能大幅度提升大模型應(yīng)答效率，進(jìn)而增強(qiáng)人機(jī)交互效率，讓用戶無須理解步驟即可快速獲取答案。但效率至上的思維模式意味著人將判斷能力讓渡給技術(shù)系統(tǒng)，形成對(duì)機(jī)器推理結(jié)果的依賴。當(dāng)用戶放棄追問中間邏輯而直接采納結(jié)論時(shí)，一定程度上會(huì)導(dǎo)致批判性思維能力的弱化，也可能因大模型的潛在偏見或錯(cuò)誤造成決策風(fēng)險(xiǎn)。

隱式思維鏈的局限在于可解釋性的匱乏，由于難以追溯大模型的中間推理過程，用戶無法判斷生成邏輯是否合理。為了提升大模型的可控性，部分大模型系統(tǒng)通過處理過程的顯性化引導(dǎo)用戶逐步完成復(fù)雜任務(wù)，如ChatGPT的“AdvancedDataAnalysis”模式在用戶上傳數(shù)據(jù)文件后，將觸發(fā)數(shù)據(jù)處理與解析，然后引導(dǎo)用戶進(jìn)行相關(guān)性分析等操作，最終提供可視化呈現(xiàn)。這一操作過程拆解了執(zhí)行任務(wù)所需的步驟，按照“數(shù)據(jù)輸入 $$ 預(yù)處理 $$ 分析 $$ 可視化”的線性流程有規(guī)則地完成任務(wù)，避免了大模型因任務(wù)處理跳躍而導(dǎo)致輸出偏誤，一定程度上確保了用戶對(duì)大模型的控制能力。

此外，可控性還體現(xiàn)在推理過程回溯的機(jī)制上，它能平衡隱性推理的效率優(yōu)勢與可解釋性方面的缺陷。DeepSeek的“深度思考”、ChatGPT的“推理”、kimi的“長思考”均為此類設(shè)計(jì)的代表。在這種機(jī)制下，大模型可在答案生成之前追加“推理依據(jù)”，展示大模型推導(dǎo)過程中的關(guān)鍵步驟，幫助大模型進(jìn)行更嚴(yán)謹(jǐn)?shù)淖晕因?yàn)證一一在推理過程中檢查每一步的合理性，列舉不同解決路徑后選擇最優(yōu)解，并在發(fā)現(xiàn)錯(cuò)誤或矛盾時(shí)自動(dòng)回溯修正。這種將推理過程顯化的設(shè)計(jì)，大幅度提高了大模型生成內(nèi)容的可解釋性和透明性。然而，用戶獲得的可解釋性事實(shí)上是技術(shù)系統(tǒng)選擇性暴露的信息片段，遮蔽了大模型在其中進(jìn)行權(quán)重調(diào)整與概率選擇的本質(zhì)，反而有可能加深用戶對(duì)系統(tǒng)判斷的依賴。

（四）“知識(shí)檢索增強(qiáng)型”提示工程：動(dòng)態(tài)增強(qiáng)與專業(yè)信任

“知識(shí)檢索增強(qiáng)型”提示工程通過連接外部知識(shí)源與實(shí)時(shí)數(shù)據(jù)接口，優(yōu)化提示的信息結(jié)構(gòu)與知識(shí)密度，突破大模型固有訓(xùn)練數(shù)據(jù)的時(shí)間邊界與專業(yè)領(lǐng)域局限，從而提升輸出內(nèi)容的時(shí)效性與專業(yè)性。

從適應(yīng)性方面來看，在具有時(shí)效性要求的場景中，大模型通過實(shí)時(shí)聯(lián)網(wǎng)搜索輔助優(yōu)化提示詞。微軟的BingCopilot深度整合搜索引擎與大模型，基于用戶的模糊輸入生成細(xì)化搜索的關(guān)鍵詞，調(diào)用網(wǎng)頁索引獲取最新結(jié)果，基于元提示（meta-prompts）將搜索結(jié)果與用戶歷史對(duì)話組合以向大模型提問。該機(jī)制將傳統(tǒng)搜索行為轉(zhuǎn)化為結(jié)構(gòu)化提示工程，使大模型輸出突破靜態(tài)知識(shí)庫限制。

此外，在垂直領(lǐng)域的專業(yè)場景中，提示工程的適應(yīng)性體現(xiàn)為對(duì)領(lǐng)域權(quán)威知識(shí)的系統(tǒng)性嵌入。亞馬遜的Kendra索引展現(xiàn)了RAG（Retrieval-AugmentedGeneration）技術(shù)對(duì)特定行業(yè)公司數(shù)據(jù)響應(yīng)的一種方式。以金融服務(wù)領(lǐng)域?yàn)槔脩舭l(fā)出請(qǐng)求后，聊天機(jī)器人會(huì)向Kendra索引發(fā)出搜索查詢，從財(cái)務(wù)文件、協(xié)議存儲(chǔ)、企業(yè)數(shù)據(jù)庫等文檔存儲(chǔ)庫中攝取數(shù)據(jù)，并選擇其中最相關(guān)、最簡潔的上下文與用戶的提示組合在一起作為提示詞發(fā)送給大模型，最終獲得來自大模型的結(jié)果并傳送給用戶。

在可控性方面，“知識(shí)檢索增強(qiáng)型”提示工程通過對(duì)知識(shí)的定位與專業(yè)計(jì)算的外包控制了輸出的風(fēng)險(xiǎn)。Claude的“長上下文窗口”允許用戶上傳特定格式的文檔作為參考和推理的依據(jù)。用戶可附加企業(yè)私有文檔（如合同模板），要求大模型基于此生成定制化內(nèi)容。通過構(gòu)建個(gè)性化知識(shí)參照系，系統(tǒng)根據(jù)上下文窗口將用戶提供的文本片段轉(zhuǎn)化為持續(xù)生效的“背景提示”，使大模型輸出始終錨定在特定組織規(guī)范或個(gè)體需求框架內(nèi)。在OpenAI與Wolfram的合作案例中，使用Wolfram插件可以直接調(diào)用WolframAlpha的數(shù)學(xué)與科學(xué)數(shù)據(jù)庫，為大模型提供統(tǒng)計(jì)學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)、密碼學(xué)、區(qū)塊鏈等領(lǐng)域數(shù)千種可靠算法的訪問權(quán)限。這種知識(shí)增強(qiáng)類提示工程將專業(yè)領(lǐng)域的計(jì)算外包，通過符號(hào)化轉(zhuǎn)譯機(jī)制將用戶的自然語言指令轉(zhuǎn)換為機(jī)器可解析的領(lǐng)域語言，并進(jìn)一步將需要大模型進(jìn)行復(fù)雜運(yùn)算、精確建模的任務(wù)移交給專業(yè)工具，從而降低其因?yàn)椤案怕噬伞倍鴮?dǎo)致的“幻覺”風(fēng)險(xiǎn)。

從可用性角度分析，“知識(shí)檢索增強(qiáng)型”提示工程簡化了交互流程，提高了人機(jī)交互效率。RAG技術(shù)將優(yōu)化提示的復(fù)雜過程在后臺(tái)運(yùn)行，將外部知識(shí)檢索、提示詞重構(gòu)、結(jié)果生成整合為單次交互。而附加參考文檔等動(dòng)態(tài)上下文分析的功能使用戶無須重復(fù)說明背景信息，顯著減少了交互中的冗余。

“知識(shí)檢索增強(qiáng)型”提示工程一方面通過對(duì)提示的增強(qiáng)引導(dǎo)了生成內(nèi)容的可控性，另一方面借助領(lǐng)域?qū)I(yè)庫提升行業(yè)場景的適用性，結(jié)合了實(shí)時(shí)搜索的廣度與專業(yè)知識(shí)庫的深度，促進(jìn)了大模型在多個(gè)領(lǐng)域的充分使用。從人機(jī)交互的角度出發(fā)，知識(shí)檢索改變了用戶獲取信息的方式，出于對(duì)其知識(shí)庫的信任，用戶有可能對(duì)大模型提供的信息產(chǎn)生依賴，從而影響用戶的獨(dú)立判斷能力。另外，“知識(shí)檢索增強(qiáng)型”提示工程技術(shù)掌握了信息篩選和組合的權(quán)力，雖然將專業(yè)信息外包提升了準(zhǔn)確性，但實(shí)則切斷了用戶與原始知識(shí)的直接聯(lián)系。而當(dāng)大模型輸出被錨定在特定知識(shí)框架內(nèi)，技術(shù)系統(tǒng)在一定程度上維護(hù)了舊有知識(shí)體系。這種設(shè)計(jì)在降低“幻覺”風(fēng)險(xiǎn)的同時(shí)，也使得知識(shí)獲取路徑被預(yù)設(shè)的行業(yè)規(guī)范規(guī)制。

三、實(shí)踐中的可供性：提示工程知識(shí)擴(kuò)散

提示工程師和普通用戶對(duì)同一大模型可供性的感知存在著差異。研究表明，設(shè)計(jì)有效的提示策略這項(xiàng)任務(wù)往往落在提示工程師身上，他們主要由程序員和自然語言處理從業(yè)者組成。③提示工程師通過引入復(fù)雜編碼程序，對(duì)提示工程進(jìn)行優(yōu)化與迭代，從而不斷提升大模型在處理特定任務(wù)上的準(zhǔn)確度。普通用戶雖然可以探索性地多次嘗試各種提示設(shè)計(jì)，但往往因?yàn)槊媾R大模型提示理解和執(zhí)行能力方面的障礙，無法獲得滿意的響應(yīng)效果。

隨著人機(jī)交互實(shí)踐和知識(shí)共享的不斷發(fā)展，用戶不斷探索和學(xué)習(xí)大模型可供性，從而縮小知識(shí)差距。從知識(shí)傳播的角度出發(fā)，知識(shí)的擴(kuò)散既依靠自上而下的頂層設(shè)計(jì)，也依靠自下而上的自組織涌現(xiàn)行為。提示工程知識(shí)的社會(huì)擴(kuò)散可被視為大模型交互實(shí)踐中的可供性生成，展現(xiàn)為多元主體協(xié)同構(gòu)建的技術(shù)生態(tài)，其通過社會(huì)化協(xié)作機(jī)制將個(gè)體經(jīng)驗(yàn)轉(zhuǎn)化為可復(fù)制的交互法則，從而持續(xù)拓展人們對(duì)大模型的認(rèn)知邊界，提升大模型在多元場景中的適應(yīng)能力。這一過程既包含企業(yè)主導(dǎo)的標(biāo)準(zhǔn)化工具開發(fā)和技術(shù)科普，也涵蓋數(shù)字社區(qū)的知識(shí)共享、社交媒體平臺(tái)的人機(jī)交互實(shí)踐分享。

（一）大模型企業(yè)的知識(shí)傳播

為了幫助用戶使用大模型，大模型產(chǎn)品的官方網(wǎng)站持續(xù)提供有關(guān)提示詞的教學(xué)視頻或指導(dǎo)手冊(cè)。OpenAI在官網(wǎng)發(fā)布提示工程指南，詳細(xì)闡述角色設(shè)置、示例引導(dǎo)、結(jié)構(gòu)化輸出等提示工程策略，并提供代碼示例和優(yōu)化建議；Google在Gemini的開發(fā)者文檔中提供了提示設(shè)計(jì)策略，結(jié)合醫(yī)療、教育、編程等場景，演示如何通過添加上下文約束、分解任務(wù)步驟以優(yōu)化提示；Anthropic為Claude提供“PromptLibrary”，涵蓋創(chuàng)意寫作、數(shù)據(jù)分析、法律咨詢等領(lǐng)域的結(jié)構(gòu)化提示模板。此外，GPT商店（GPTStore）通過聚合用戶創(chuàng)建的定制化提示模板，提供可直接復(fù)用的交互范式。在國內(nèi)，文心一言為創(chuàng)作者提供了服務(wù)平臺(tái)，其中“靈感中心”匯聚了提示詞模板，用戶可直接復(fù)制并替換變量使用；訊飛星火推出提示構(gòu)建的公開課或文章教學(xué)，幫助用戶進(jìn)行低門檻的操作。

大模型企業(yè)通過官方技術(shù)文檔、場景化模板庫、標(biāo)準(zhǔn)化工具開發(fā)和交互式學(xué)習(xí)資源，將專家技能轉(zhuǎn)化為可規(guī)?；褂玫姆▌t，系統(tǒng)性構(gòu)建提示工程的知識(shí)傳播體系，降低用戶學(xué)習(xí)門檻并提升大模型功能調(diào)用效率。

（二）知識(shí)社區(qū)與社交媒體平臺(tái)的知識(shí)傳播

作為擁有能動(dòng)性的行動(dòng)者，用戶并非被動(dòng)接受官方對(duì)于提示工程的指導(dǎo)和建議，而是在數(shù)字社區(qū)和社交平臺(tái)分享優(yōu)化提示詞。

與技術(shù)供應(yīng)商的頂層設(shè)計(jì)形成互補(bǔ)的開源社區(qū)與協(xié)作平臺(tái)正在重塑提示工程的知識(shí)生產(chǎn)秩序。GitHub開源提示詞庫“AwesomeChatGPTPrompts”適用于為ChatGPT、Claude、Gemini等眾多大模型輸入提示詞，用戶通過協(xié)作編寫并分享針對(duì)不同場景的提示模板，將通用大模型轉(zhuǎn)化為領(lǐng)域?qū)Ｓ霉ぞ?。Mid-journey通過數(shù)字社區(qū)鼓勵(lì)用戶分享繪畫鏈接，并讓社區(qū)內(nèi)其他成員查看如何用提示詞生成理想風(fēng)格的作品，從而借鑒他人提示詞靈感。HuggingFace社區(qū)發(fā)布《LLM提示指南》，社區(qū)成員貢獻(xiàn)了多語言優(yōu)化提示過程的提示工程，將人機(jī)交互實(shí)踐標(biāo)準(zhǔn)化，降低了入門者的使用門檻。

社交媒體平臺(tái)的知識(shí)傳播推動(dòng)提示工程從專業(yè)領(lǐng)域向公共空間滲透，大量普通人分享使用大模型進(jìn)行問答、創(chuàng)意對(duì)話寫作、編寫代碼等人機(jī)交互實(shí)踐的帖子。一批交流提示詞寫作策略的網(wǎng)絡(luò)知識(shí)社區(qū)逐漸在社交媒體平臺(tái)形成，成員圍繞興趣或需求進(jìn)行信息交流和知識(shí)共享。Twitter/X的#PromptEngineering話題中，開發(fā)者、工程師和普通用戶演示自己使用大模型的過程，將高級(jí)的技術(shù)轉(zhuǎn)化為可復(fù)用的代碼示例。微博平臺(tái)的用戶可以在#提示工程#等話題標(biāo)簽下分享提示工程相關(guān)的研究進(jìn)程和策略。百度貼吧上由用戶創(chuàng)建的“大模型吧”“提示詞吧”等支持用戶圍繞大模型提示工程相關(guān)內(nèi)容發(fā)布、轉(zhuǎn)載帖子，形成用戶自行創(chuàng)建并維護(hù)的線上信息共享社群。小紅書平臺(tái)也有各行各業(yè)的用戶有關(guān)熟練使用高級(jí)提示詞提高大模型響應(yīng)能力的分享帖。

在當(dāng)下的數(shù)字社會(huì)，知識(shí)生產(chǎn)者、傳播者和接受者的界限逐漸變得模糊。企業(yè)平臺(tái)自上而下地提供指導(dǎo)與建議，而普通公眾通過共享的知識(shí)眾包，實(shí)現(xiàn)了知識(shí)生產(chǎn)權(quán)力的下放。知識(shí)社區(qū)通過眾包協(xié)作形成去中心化的提示工程知識(shí)庫，社交媒體平臺(tái)通過對(duì)提示工程典型案例的傳播，推動(dòng)普及優(yōu)化提示詞的方式。提示工程的知識(shí)共享將用戶經(jīng)驗(yàn)轉(zhuǎn)化為可復(fù)制的操作法則，持續(xù)擴(kuò)展大模型的能力邊界。這些可供復(fù)制和分享的大模型交互實(shí)踐幫助網(wǎng)絡(luò)社區(qū)中的單一個(gè)體突破認(rèn)知和想象力的上限，實(shí)現(xiàn)人類整體知識(shí)水平的提高。

四、提示工程對(duì)人機(jī)交互實(shí)踐的反思與展望

提示工程或?qū)?yōu)化提示的過程呈現(xiàn)在交互界面，以知識(shí)的形式告知用戶“如何使機(jī)器響應(yīng)良好”；或?qū)?yōu)化提示的過程隱藏在后臺(tái)，鼓勵(lì)用戶用人際對(duì)話的方式同機(jī)器溝通。提示工程的這兩種特征均提高了大模型的適應(yīng)性，但在可控性和可用性方面具有不同程度的差異，塑造了不同的人機(jī)交互形式。隨著提示工程的深入發(fā)展，優(yōu)化提示這一過程的不斷進(jìn)化也改變了人對(duì)機(jī)器的態(tài)度、認(rèn)知以及人與機(jī)器的互動(dòng)模式，塑造了不同的主體意識(shí)，

（一）提示優(yōu)化過程的特征：顯性與隱性

顯性的優(yōu)化提示過程向用戶傳遞了某種關(guān)于提示工程的知識(shí)，從而幫助用戶掌握向機(jī)器提問的技巧。無論是提示詞模板調(diào)用、“一鍵優(yōu)化提示詞”功能，還是數(shù)字社區(qū)中的提示詞知識(shí)互動(dòng)，都是為了讓用戶知曉將人類語言轉(zhuǎn)譯為機(jī)器可理解的語言的方式。只有將模棱兩可、較為隨意的提問轉(zhuǎn)化成結(jié)構(gòu)化的表述，才能引導(dǎo)大模型產(chǎn)生良好響應(yīng)，從而減少偏離用戶期待、與事實(shí)不符的“幻覺”。這一過程意味著人需要站在機(jī)器的角度，學(xué)習(xí)機(jī)器語言并想象機(jī)器如何“思考”，強(qiáng)化了機(jī)器與人的不同，并塑造了人對(duì)于機(jī)器“他異性”的感知。從可控性的視角來看，用戶可見的提示優(yōu)化過程強(qiáng)調(diào)了用戶主體對(duì)于結(jié)果生成的控制能力，并因用戶端的操作能力不同而有所差異。

提示工程的另外一種特征是將優(yōu)化處理提示的步驟隱藏于后端，這種方式雖然提升了大模型對(duì)用戶指令響應(yīng)的精確度并使結(jié)果可控，但更多依賴技術(shù)系統(tǒng)本身的提示工程技術(shù)水平，而非用戶端的提示操作能力。此外，這種隱藏的做法在可用性上提升了機(jī)器的易用性，用戶無須通過學(xué)習(xí)機(jī)器語言或使用結(jié)構(gòu)化模板即可實(shí)現(xiàn)目標(biāo)，只讓用戶關(guān)注到交互界面中的自然語言對(duì)話，鼓勵(lì)用戶按照人際溝通的習(xí)慣探索和利用大模型功能。這樣的人機(jī)交互形式減輕了用戶對(duì)于機(jī)器“他異性”的感知，而將“計(jì)算機(jī)作為社會(huì)行動(dòng)者”，使人能夠?qū)⑸鐣?huì)規(guī)則應(yīng)用于技術(shù)，并像與人類互動(dòng)一樣與計(jì)算機(jī)進(jìn)行溝通，將主體能動(dòng)性（agency）和人性（humanity）投射到非生命體上，并感受到來自非生命體的智能。

西蒙尼·納塔萊（SimoneNatale）認(rèn)為，計(jì)算機(jī)能否被稱為“智能”并不取決于機(jī)器的某些具體特征，而取決于人類如何看待它們。③20世紀(jì)80年代以來，計(jì)算機(jī)行業(yè)的“透明設(shè)計(jì)”理念隱藏了計(jì)算機(jī)內(nèi)部運(yùn)作機(jī)制，并通過交互界面讓計(jì)算機(jī)看上去更簡單、更直觀，從而讓用戶感受到其高度可控性。但這一切在凱特·克勞福德（KateCrawford）看來并不只有積極的一面。人工智能建立在眾包工作、時(shí)間的私有化以及永無止境的重復(fù)性勞動(dòng)等人類努力的基礎(chǔ)之上，“智能”的背后隱藏的是看不見的工程師和工人。大模型交互界面對(duì)于技術(shù)系統(tǒng)的掩蓋和展現(xiàn)出來的適應(yīng)性、可控性與可用性使用戶產(chǎn)生了有關(guān)其“智能”的錯(cuò)覺，并忽視了大模型訓(xùn)練背后的人工勞動(dòng)。事實(shí)上，大模型對(duì)于提示的準(zhǔn)確響應(yīng)背后，是眾多提示工程師通過重復(fù)性的試錯(cuò)、調(diào)整、優(yōu)化以引導(dǎo)大模型正確識(shí)別語義并在語料中鎖定有關(guān)向量的過程

從提示工程的具體應(yīng)用實(shí)踐來看，提示工程在大模型中發(fā)揮的作用近似于舵手在航海中的職能一一駕馭偶然性。與按部就班執(zhí)行程序就能得到確定結(jié)果的機(jī)器不同，大模型生成內(nèi)容的不確定性使其需要不斷通過與人的互動(dòng)接受反饋，從而使響應(yīng)發(fā)生變化。③用戶向大模型輸入提示詞以開啟人機(jī)交互，大模型的響應(yīng)間接提供了對(duì)提示詞的反饋和優(yōu)化建議，用戶可以改變提問策略并繼續(xù)接受回答的反饋，在大模型的各種響應(yīng)中甄別并形成系統(tǒng)化、穩(wěn)定的提問工程一一這種持續(xù)性的對(duì)話過程展示了人的學(xué)習(xí)能力。此外，提示詞的存在也令“想象力”這個(gè)要素前所未有地凸顯出來，用戶啟動(dòng)想象力和創(chuàng)新思維在人機(jī)交互中尤為重要。③因此，人的能動(dòng)性與主體性在借由提示工程探索大模型可供性的過程中發(fā)揮著很大作用。

（二）提示工程的未來：自動(dòng)優(yōu)化提示，解放用戶提問

隨著智能傳播領(lǐng)域中技術(shù)的迭代與交互設(shè)計(jì)的革新，未來的提示工程將深度內(nèi)嵌于大模型中。大模型將根據(jù)用戶的自然語言提示解析其語義，并通過后臺(tái)運(yùn)行或啟用外包工具的方式自動(dòng)優(yōu)化并重構(gòu)提示詞，動(dòng)態(tài)、高效地理解用戶的實(shí)際意圖，最終實(shí)現(xiàn)“用戶只需要自然提問，大模型自動(dòng)優(yōu)化響應(yīng)”的智能交互形式。這意味著信息獲取的門檻越來越低，而機(jī)器所生產(chǎn)的信息的質(zhì)量和獲取機(jī)器所生產(chǎn)的信息的效率則不斷提高。

貝爾納·斯蒂格勒（BernardStiegler）將技術(shù)定義為“保存和編碼人類記憶的特殊裝置”，并將其視為區(qū)別于人類對(duì)當(dāng)下和過去記憶保留的另一種記憶載體，即“第三持存”。而“第三持存”所保留的記憶獨(dú)立于人，無法為人的意志所左右，因此公眾所接受的是一個(gè)非自然的、被人為編碼的歷史?！皞€(gè)人和集體都喪失了生命個(gè)性化的進(jìn)程，只剩下機(jī)械的記憶技術(shù)?！雹叟c存儲(chǔ)技術(shù)造成了人類記憶能力的衰退類似，自動(dòng)化的提示工程也將影響人類的思維過程。從大模型與提示工程的發(fā)展趨勢來看，人類用戶不僅向機(jī)器提出了“思考”的要求，期待機(jī)器有邏輯、有依據(jù)地回答科學(xué)、哲學(xué)、法學(xué)等專業(yè)領(lǐng)域以及生活中的問題，甚至也逐漸將提問的藝術(shù)轉(zhuǎn)移給了技術(shù)系統(tǒng)。大模型系統(tǒng)對(duì)于提示工程的封裝讓模糊的日常語言觸發(fā)精準(zhǔn)響應(yīng)，降低了對(duì)提問所需要的概念澄清、邏輯表達(dá)等語言能力的依賴，一定程度上造成了人類思考水平的退化。與此同時(shí)，自動(dòng)優(yōu)化用戶提示的過程降低了用戶學(xué)習(xí)提示工程的門檻，從“人類適應(yīng)機(jī)器語言”階段轉(zhuǎn)向了“機(jī)器理解人類語言”的新階段，也將智能時(shí)代對(duì)人的要求從“提出一個(gè)好問題”轉(zhuǎn)變?yōu)閷?duì)機(jī)器輸出結(jié)果的批判性對(duì)待。

五、結(jié)語

大模型的不斷發(fā)展標(biāo)志著人工智能技術(shù)進(jìn)入新階段，其底層架構(gòu)中潛藏的可供性為人類社會(huì)提供了工具支持。然而，大模型的技術(shù)潛能并非自然涌現(xiàn)，而是通過提示工程這一關(guān)鍵中介被激活與拓展。不同的提示優(yōu)化策略將大模型的技術(shù)潛能轉(zhuǎn)化為具體效能，使大模型更加廣泛地應(yīng)用于各個(gè)領(lǐng)域，在降低技術(shù)門檻、提升人對(duì)機(jī)器的控制力的同時(shí)，也重新塑造了人類對(duì)大模型的認(rèn)知與人機(jī)互動(dòng)模式。從提示工程知識(shí)擴(kuò)散的流動(dòng)特征來看，企業(yè)的標(biāo)準(zhǔn)化工具和提示工程知識(shí)科普是自上而下的知識(shí)構(gòu)建，而知識(shí)社區(qū)、社交媒體平臺(tái)的人機(jī)交互實(shí)踐分享則自下而上傳播提示工程知識(shí)，從而將個(gè)體經(jīng)驗(yàn)轉(zhuǎn)化為可操作的技術(shù)規(guī)則。通過持續(xù)的人機(jī)交互實(shí)踐形成動(dòng)態(tài)知識(shí)圖譜，用戶對(duì)大模型可供性的認(rèn)知程度不斷提高。

在技術(shù)演進(jìn)的過程中，人的主體性始終是核心。提示工程師通過精確的指令引導(dǎo)大模型輸出，普通用戶在試錯(cuò)中形成具身性的提問策略，數(shù)字社區(qū)經(jīng)由知識(shí)共享將離散經(jīng)驗(yàn)?zāi)蹫橄到y(tǒng)性知識(shí)，這種多層次的主體參與構(gòu)成了大模型可供性從個(gè)體感知到社會(huì)知識(shí)的變遷。然而，當(dāng)提示工程隱藏在交互界面后并為用戶營造智能錯(cuò)覺時(shí)，用戶容易自動(dòng)忽視大模型訓(xùn)練背后所需要的大量人工調(diào)試，形成對(duì)技術(shù)的智能崇拜。隨著技術(shù)原理的不斷披露和提示工程背后人類勞動(dòng)的顯現(xiàn)，“智能自主涌現(xiàn)”的迷思將被消除。因此，與其說大模型展現(xiàn)出了“智能”，不如說正是人的實(shí)踐、想象力和科學(xué)知識(shí)使得大模型發(fā)揮出潛能，讓人機(jī)交互處于未知的動(dòng)態(tài)變化之中。隨著提示工程與大模型技術(shù)的發(fā)展，機(jī)器系統(tǒng)逐漸掌握提問的藝術(shù)，而人類在智能時(shí)代的核心任務(wù)轉(zhuǎn)向?qū)C(jī)器輸出的批判性評(píng)估，這對(duì)人的能力提出了新的要求。

（作者陳思羽、王啟臻系北京師范大學(xué)新聞傳播學(xué)院傳播學(xué)專業(yè)2023級(jí)碩士研究生；張洪忠系北京師范大學(xué)新聞傳播學(xué)院教授）

注釋

①③ BROWN T，MANNB， RYDER N，et al.Language models are few-shot learners [J].Neural information processing systems， 2020，33：1877-1901.

② 虎嗅科技組.數(shù)據(jù)揭露DeepSeek崛起的秘訣[EB/OL].（2025-02- 13）[2025-01-20].https：/finance.sina.com.cn/wm/2025-02- 13/doc-inekizxx1613848.shtml.

④ VASWANIA，SHAZEERN，PARMARN，etal.Attention isall you need [J].Advances in neural information processing systems， 2017，30：5998-6008.

⑤ GIBSON JJ.The ecological approach to visual perception [M]. Boston： Houghton Mifflin，1979：130.

⑥ NORMANDA.The psychology of everyday things [M].New York： Basic books，1988：9.

⑦ NORMANDA.Affordance，conventions，and design [J]. Interactions，1999，6（3）：38-43.

⑧ RAIAANMAK，MUKTAMSH，F(xiàn)ATEMAK，etal.Areviewon large language models：architectures，applications，taxonomies， open issuesand challenges [J].IEEEaccess，2024，12：26839- 26874.

⑨ JI Z，LEEN，F(xiàn)RIESKER，etal.Surveyof hallucination innatural language generation [J].ACM computing surveys，2023，55（12）： 1-38.

（20 ⑩ ZHANGY，LIY，CUIL，etal.Siren'ssong in theAlocean：asurvey on hallucination in large language models [J].arXiv preprint arXiv：2309.01219.

① RADFORD A，WU J，CHILD R，etal.Language models are unsupervised multitask learners [J]. OpenAl blog，2019，1（8）： 9.

? KOJIMA T，GUS S，REIDM，etal.Large language models are zero-shot reasoners [J].Advances in neural information processing systems，2022，35：22199-22213.

? LIUP，YUANW，F(xiàn)UJ，et al.Pre-train，prompt，and predict：a systematic survey of prompting methods in natural language processing[J].ACM computing surveys，2023，55 （9）：1-35.

? HUTCHBYI.Technologies，textsand affordances [J].Sociology， 2001，35（2）：441-456.

? COSTA E.Affordances-in-practice： an ethnographic critique of social media logicand context collapse[J]. New mediaamp;society， 2018，20（10）：3641-3656.

① ORLIKOWSKI WJ.Using technologyand constituting structures： a practice lens for studying technology in organizations [J]. Organization science，2000，11（4）：404-428.

? CHEN B， ZHANG Z， LANGRENE N， et al.Unleashing the potential of prompt engineering in large language models：a comprehensive review[J].arXiv preprintarXiv：2310.14735， 2023.

? ZHANG Z，GAOJ，DHALIWALRS，et al.Visar：a human-ai argumentative writing assistant with visual programming and rapid draft prototyping [C]//Proceedings of the 36thannual ACM 1-30.

? LOLS.The CLEAR path： a framework for enhancing information literacy through prompt engineering [J].The journal of academic librarianship，2023，49（4）：102720.

? WEI J，WANG X，SCHUURMANS D，etal.Chain-of-thought prompting elicits reasoning in large languagemodels [J] Advances in neural information processing systems，2022，35： 24824-24837.

ZHANG Z， ZHANG A，LIM，etal.Automatic chain of thought prompting in large language models [J].arxiv preprint arxiv： 2210.03493，2022.

YAOS，YUD，ZHAOJ，etal.Tree of thoughts：deliberate problem solving with large language models [J].Advances in neural information processing systems，2023，36：11809-11822.

META.Retrieval augmented generation：streamlining the creationof intelligent natural language processing models [EB/ OL].（2020-09-28）[2025-01-20].https：//ai.meta.com/blog/ retrieval-augmented-generation-streamlining-the-creationof-intelligent-natural-language-processing-models/.

STOCKIMG.Al.What is new ChatGPT o1and its features [EB/ OL].（2024-09-16）[2025-01-20].https：//stockimg.ai/blog/aiand-technology/what-is-new-gpt-o1.

② OpenAl. Introducing OpenAl o1-preview [EB/OL].（2024-09-12） [2025-01-20].htps：//openai.com/index/introducing-openai01-preview/.

（20 CHENM，TWOREKJ，JUNH，et al.Evaluating large language models trained oncode[J].arXiv preprint arXiv：2107.03374， 2021.

ZAMFIRESCU-PEREIRAJD，WONGRY，HARTMANNB， etal.Why Johnny can't prompt： how non-Al experts try （and fail） to design LLM prompts [C]// Proceedings of the 2023 CHl conference on human factors in computing systems，2023：1-21.

杜智濤．知識(shí)動(dòng)員：促進(jìn)社會(huì)共識(shí)及社會(huì)協(xié)作的新路徑［J].人民論壇， 2022（15）：100-103.

NASS C，MOONY.Machines and mindlessness：social responses to computers [J].Journal of social issues，2000，56 （1）： 81-103.

納塔萊.媒介的欺騙性：后圖靈時(shí)代的人工智能和社會(huì)生活[M].汪讓， 譯.上海：復(fù)旦大學(xué)出版社，2023：3;30.

克勞福德.技術(shù)之外：社會(huì)聯(lián)結(jié)中的人工智能[M].丁寧，李紅澄，方偉，譯. 北京：中國科學(xué)技術(shù)出版社，2024：45.

維納.人有人的用處：控制論與社會(huì)[M].陳步，譯.北京：北京大學(xué)出版社， 2010：18.

陳秋心，邱澤奇．“人機(jī)互生”時(shí)代可供性理論的契機(jī)與危機(jī)：基于“提 示詞”現(xiàn)象的考察[J].蘇州大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2023，44 （5）： 172-182.

劉冰菁.技術(shù)的記憶裝置和神經(jīng)系統(tǒng)的政治經(jīng)濟(jì)學(xué)批判：斯蒂格勒的技術(shù) 哲學(xué)話語研究[J].探索與爭鳴，2018（2）：135-140+144.