Google 发布了69 页的提示词工程白皮书，中文翻译，双语对照来了

提示词这件事，很多人是靠"感觉"在做：改改措辞、加句"请仔细思考"、多贴两个例子，效果时好时坏，却说不清为什么。如果你正处在这个阶段，这份 Google 官方提示工程白皮书的双语对照版本，值得当成一份正经材料来读——不是因为它是官方出品，而是因为它把零散的经验，整理成了一套有分类、有解释、有对照的结构。

先看看自己缺的是哪一块

这份白皮书不是给完全没接触过生成式 AI 的人看的，也不是给已经在做模型微调的人看的。它补的是中间那层缺口：你会用对话界面，也会调 API，但面对一个具体任务时，脑子里没有一套可选的提示策略清单。

具体来说，下面这些情况如果中了两条以上，读它会比较有收获：

• 知道"零样本""少样本"这些词，但说不清它们各自适合什么任务、边界在哪。
• 写提示词全靠试，改了五六版也不知道哪一版更好，因为没有可比较的框架。
• 遇到需要推理、需要格式约束、需要模型按步骤输出的场景，只会加一句"让我们一步步思考"。
• 系统提示、角色设定、输出格式控制混在一起写，出问题不知道从哪一层排查。
• 读过不少公众号总结，但没看过一份成体系、有编号、能当手册翻的原始材料。

白皮书的写法是按技术点分节的：每一节先讲这个提示技术解决什么问题，再给示例，再讲适用与不适用。这种结构对"查漏补缺"型学习特别友好——你不必从头读到尾，哪一块说不清就翻哪一块。

双语对照的价值，不只是"顺便学英语"

提示工程里有一批术语，中文圈翻译得不统一：有的叫"思维链"，有的叫"思路链"；有的把 instruction 译成"指令"，有的译成"指示"。术语一旦漂移，你和别人讨论时看似在聊同一件事，其实各说各的。

双语对照的用处就在这里：中文版帮你快速理解，英文原文帮你固定术语，让你在查资料、读文档、看别人的 prompt 时，能对上号。这份材料里给出的技术名称，基本是行业里会反复出现的，记住原文拼写，比记住某个中译名更耐用。

另外，官方材料的措辞通常比二手总结克制。哪些是验证过的结论，哪些是"可能有效"，原文的语气差别很明显。读对照版，能少接收一层被放大的确定感。

配套练习：别只读，动手改一版

这类白皮书最大的风险是"读完觉得都懂，上手还是老样子"。建议配三个小练习，边读边做：

• 替换练习：拿你手头一个真实任务，先用零样本写法跑一遍，再按少样本写一遍，把输出并排放在一起对比。不看结论，先看差异在哪。
• 拆解练习：挑一个你已经写得比较顺的提示词，按白皮书的分类逐句标注：哪句是角色设定，哪句是任务描述，哪句是格式约束，哪句是示例。标完通常会发现问题——有些句子其实在互相打架。
• 复现练习：挑白皮书里一个带示例的技术（比如让模型先给推理再给答案），用你自己的业务场景复现一次，重点观察：加了这一步之后，错在哪、对在哪。

这三个练习加起来花不了多少时间，但能把"我读过"变成"我用过"。

看完应该能回答的问题

检验有没有读进去，不需要背诵章节。拿下面几个问题自测，答得上来就说明这趟没白读：

• 同样一个任务，什么情况下给例子比讲规则更有效？给几个例子比较合适，多了会怎样？
• 让模型"先推理再回答"，解决的是哪类错误？它有没有可能反而让结果变差？
• 系统提示和用户提示冲突时，通常谁更占上风，为什么？
• 要模型稳定输出结构化内容，有哪几种约束思路，各自的代价是什么？
• 面对一个效果不稳定的提示词，你会按什么顺序去排查，而不是随机换措辞？

最后一个问题尤为关键。提示工程真正的门槛，不在记住多少技术名词，而在于出了问题之后，你知道先怀疑哪一层、再改哪一个变量。这份白皮书给的就是这套顺序感。带着上面的问题去读，比从头翻到尾划算得多。