从特征工程到Prompt工程：大模型时代的范式迁移与实践

1. 从特征工程到Prompt工程的范式迁移

人工智能的发展经历了从传统机器学习到深度学习，再到如今大语言模型（LLM）主导的演进过程。在这个过程中，数据处理方式发生了根本性变革。早期机器学习严重依赖人工设计的特征工程（Feature Engineering），需要领域专家手动提取数据的特征表示。以文本分类为例，工程师需要设计词袋模型、TF-IDF等特征提取方法，这种人工干预既耗时又难以泛化。

随着神经网络技术的成熟，表示学习（Representation Learning）逐渐取代了手工特征工程。模型能够自动从原始数据中学习特征表示，2013年Word2Vec的提出标志着NLP领域进入了"预训练词向量+任务微调"的时代。但此时的模型仍需要针对每个下游任务进行全量参数的微调（Fine-tuning），计算成本高昂。

直到2018年BERT的出现，开启了"预训练+提示微调"（Pre-train + Prompt）的新范式。这种模式下，大模型通过海量数据预训练获得通用语言理解能力，而下游任务则通过设计合适的提示词（Prompt）来激活模型的特定能力。例如要判断"这个相机真不错！"的情感倾向，传统方法需要训练分类器，而现在只需设计提示词："这句话的情感是[积极/消极]："，模型就能自动补全答案。

2. Prompt工程的核心方法论

2.1 基础Prompt设计原则

有效的Prompt通常包含四个关键要素：

1. 指令（Instruction）：明确的任务描述
2. 上下文（Context）：相关的背景信息
3. 输入数据（Input Data）：需要处理的内容
4. 输出指示（Output Indicator）：期望的输出格式

示例：

code复制你是一位经验丰富的影评人。请根据以下电影情节，用200字左右撰写专业影评，重点分析镜头语言和叙事结构：
[输入的电影情节文本...]

2.2 进阶Prompt技术

2.2.1 思维链（Chain-of-Thought）提示

通过要求模型"逐步思考"来提升复杂推理能力：

code复制问题：小明现在有5个苹果，他吃掉2个，又买了3倍于剩余数量的苹果，现在有多少个？
请一步步思考：
1. 吃掉2个后剩余：5-2=3个
2. 购买数量：3×3=9个 
3. 现在总数：3+9=12个