Keyboard shortcuts

Press ← or → to navigate between chapters

Press S or / to search in the book

Press ? to show this help

Press Esc to hide this help

Prompt Engineering 建模技巧

引言

在数学建模竞赛与研究中，大语言模型（LLM）已成为重要的辅助工具。然而，同一个模型在不同提示词（Prompt）下的表现可能天差地别——精心设计的Prompt能让AI输出结构清晰的建模思路，而模糊的Prompt往往只能得到泛泛而谈的回答。

Prompt Engineering（提示工程）是研究如何与大语言模型高效沟通的技术。对数学建模者而言，掌握Prompt Engineering意味着：

  • 能快速获得高质量的问题分析和建模思路
  • 能让AI生成可靠的数学推导和代码实现
  • 能借助AI完成论文润色和结构优化
  • 能将AI作为“虚拟队友“进行头脑风暴

本章将系统讲解Prompt Engineering的核心原理与技巧，并提供大量面向数学建模场景的实用模板。无论你使用的是ChatGPT、Claude还是其他大语言模型，这些技巧都普遍适用。

9.1 Prompt Engineering 基础原理

9.1.1 什么是Prompt Engineering

Prompt Engineering是设计和优化输入给大语言模型的文本指令的过程。它不是简单的“问问题“，而是一门通过结构化语言来精确控制AI输出质量、格式和深度的技术。

对建模者而言，可以做一个类比：Prompt就像给AI的“题目说明“——数学考试中题目的措辞直接影响学生的作答方向，同理，Prompt的设计直接决定AI的输出效果。

9.1.2 建模者需要了解的LLM原理

1. 自回归生成

LLM逐Token生成文本，每个新Token基于前面所有Token的概率分布选取。这意味着：

  • 前文的质量直接影响后文的质量
  • 给出清晰的结构提示，模型更容易遵循
  • 输出的前几句话会“锚定“后续内容方向

2. 上下文窗口

模型一次能处理的文本长度有限（如128K Token）。建模任务中需要合理分配空间，长文本任务需要分段处理。关键信息应放在Prompt的开头或结尾——研究表明模型对首尾信息的关注度高于中间部分（注意力U型曲线效应）。

3. 知识边界

模型的知识来源于训练数据：对经典模型（线性规划、微分方程等）有较好掌握，但对冷门方法可能不足。因此始终需要验证AI输出的数学正确性。

9.1.3 核心概念

Token：模型处理文本的基本单位。中文字通常对应1-2个Token，英文单词对应1-4个Token。理解Token有助于估算API调用成本和控制Prompt长度。

Temperature：控制输出的随机性，是建模中最实用的参数：

  • Temperature = 0：输出最确定，适合数学推导、代码生成
  • Temperature = 0.3-0.7：平衡创造性与准确性，适合建模思路探索
  • Temperature = 1.0+：高随机性，适合头脑风暴

建模建议：数学推导和代码生成使用低Temperature，创意探索阶段使用较高Temperature。

System Prompt：设定AI行为模式的全局指令，优先级高于用户消息。建模场景示例：

你是一位数学建模专家，具有以下特征：
- 精通优化理论、统计学、微分方程、图论等数学分支
- 熟悉MATLAB、Python科学计算生态
- 了解MCM/ICM、国赛等竞赛的评审标准
- 回答时注重数学严谨性，给出公式推导过程

Top-P / Top-K：控制模型生成时考虑的候选Token范围。Top-P=0.9表示从累积概率前90%的Token中采样。建模任务通常保持默认值即可，需要精确输出时可适当降低。

9.2 核心Prompt技巧

9.2.1 角色设定（Role Prompting）

角色设定是最基础也最有效的技巧之一。通过为AI分配专业角色，可以显著提升输出的专业性。

对比示例：

❌ 差的Prompt：
帮我分析一下城市交通流量优化问题。

✓ 好的Prompt：
你是一位在运筹学和交通工程领域有20年经验的数学建模专家，
曾多次指导学生获得MCM/ICM Outstanding奖项。
请从以下角度分析城市交通流量优化问题：
1. 该问题属于哪类数学模型（优化/仿真/预测等）
2. 可以采用的主要建模方法（至少3种）
3. 每种方法的优缺点和适用条件
4. 你推荐的建模路线及理由

复合角色设定——在团队建模中让AI扮演不同角色：

请分别从以下三个视角分析这个问题：
【视角1：数学家】关注模型的数学严谨性和理论基础
【视角2：工程师】关注模型的可计算性和实现难度
【视角3：评委】关注模型的创新性和论文表达
请逐一给出每个视角的分析。

9.2.2 少样本学习（Few-shot Learning）

通过给AI提供示例，引导它按照期望的格式和深度输出。

建模场景示例——变量定义：

请按照以下格式定义模型变量：

示例1：
问题：物流配送路径优化
变量定义：
- 决策变量：$x_{ij} \in \{0,1\}$，表示车辆是否从节点i到j
- 参数：$d_{ij}$ 节点距离，$Q$ 车辆最大载重
- 目标函数：$\min \sum_{i}\sum_{j} d_{ij} x_{ij}$

示例2：
问题：水库调度优化
变量定义：
- 决策变量：$u_t \geq 0$，第t时段放水量
- 状态变量：$V_t$ 第t时段末库容
- 参数：$I_t$ 入库流量，$V_{max}$ 最大库容
- 目标函数：$\max \sum_{t} P(u_t)$，P为发电功率函数

现在请处理：
问题：城市共享单车调度优化
变量定义：

Few-shot关键原则：示例要有代表性（覆盖不同类型），数量适中（2-5个），格式一致，难度递进。

9.2.3 思维链（Chain-of-Thought, CoT）

让模型展示推理过程——建模中我们不仅需要答案，更需要完整的推理路径。

对比示例：

❌ 不使用CoT：
求解以下线性规划的最优解：
max z = 3x₁ + 5x₂  s.t. x₁≤4, 2x₂≤12, 3x₁+5x₂≤25, x₁,x₂≥0

✓ 使用CoT：
请用单纯形法一步一步求解以下线性规划，
每步说明：(1)当前基可行解 (2)进基变量选择理由
(3)离基变量确定 (4)枢轴运算过程

max z = 3x₁ + 5x₂  s.t. x₁≤4, 2x₂≤12, 3x₁+5x₂≤25, x₁,x₂≥0
请从标准形开始，逐步展示完整求解表格。

Zero-shot CoT：仅需加“让我们一步一步分析“即可激活推理：

以下建模问题应该选择什么模型？让我们一步一步分析：
某城市需要在5个候选位置中选择若干建设充电站，
使得所有居民区到最近充电站的最大距离最小化...

9.2.4 自一致性（Self-Consistency）

对同一问题多次独立采样，取多数一致的答案。对建模关键决策点特别有用。

请对以下问题给出3种不同的建模方案，每种独立思考：

问题：预测未来7天某城市新能源汽车充电需求

方案1：[从时间序列角度思考]
方案2：[从机器学习角度思考]
方案3：[从机理建模角度思考]

最后综合比较，给出最终推荐。
如果三种方案结论一致，说明选择可靠；
如果不一致，分析分歧原因并给出最终建议。

9.2.5 树状思维（Tree-of-Thought, ToT）

思维链的扩展：在每个决策点探索多条路径，评估后选择最优方向继续推进。

问题：建立传染病传播预测模型

决策节点1——基础模型选择：
├── 方向A：经典SIR/SEIR模型（评估可行性，评分1-10）
├── 方向B：基于Agent的仿真模型（评估可行性，评分1-10）
└── 方向C：数据驱动时间序列模型（评估可行性，评分1-10）

[选择最优方向后]

决策节点2——模型改进方向：
├── 方向A1：加入空间传播因素
├── 方向A2：加入年龄分层结构
└── 方向A3：加入政策干预变量

每个节点给出评分和选择理由，最终形成完整建模路线图。
如果遇到死胡同，回溯到上一决策点选择次优方向。

9.3 数学建模专用Prompt策略

9.3.1 问题分析——MAPS框架

请使用MAPS框架分析以下数学建模问题：
【问题描述】[粘贴题目原文]

**M - Model（模型类型识别）**
- 核心数学本质是什么？（优化/预测/评价/调度...）
- 属于哪个数学分支？（运筹学/统计学/微分方程/图论...）
- 适用的经典模型有哪些？

**A - Assumption（假设梳理）**
- 题目明确给出的约束条件
- 需要额外添加的合理假设及其论证

**P - Parameter（参数与变量）**
- 决策变量、已知参数、需估计的参数
- 变量间的初步数学关系

**S - Solution（求解路线）**
- 推荐的求解方法、所需工具、计算复杂度、验证方案

9.3.2 模型设计——分层建模Prompt

请为以下问题设计分层数学模型：[问题描述]

**第一层：基础模型**
最简化版本（忽略次要因素），给出完整公式，分析局限性

**第二层：改进模型**
在基础模型上加入[具体因素]，说明改进的数学表达，对比效果

**第三层：综合模型**
考虑所有主要因素的完整模型，给出数学规划形式，讨论求解策略

每层给出：数学公式、物理含义解释、模型优缺点。

9.3.3 代码生成——结构化Prompt

请用Python实现以下数学模型的求解代码：

【模型描述】目标函数：[表达式]  约束条件：[列表]
【代码要求】
- 使用的库：[numpy/scipy/cvxpy等]
- 结构：数据输入 → 模型构建 → 求解 → 结果可视化
- 关键步骤中文注释
- 打印最优解、目标函数值、求解时间
【测试数据】[提供小规模验证数据]
【额外要求】异常处理、支持CSV输入、图表保存为PDF

9.3.4 论文写作——摘要与润色

摘要生成：

请为以下建模论文生成中英文摘要：
【主题】[题目]  【模型】[列表]  【结果】[关键数值]  【创新点】[列表]
要求：中文300-500字，英文200-300词，
结构"问题-方法-结果-结论"，含3-5个关键词。

段落润色：

请润色以下建模论文段落：[原文]
要求：学术风格、逻辑连接紧密、LaTeX格式数学符号、
简洁精准避免口语化、保持原文核心论点。
用【修改说明】标注主要改动及理由。

9.4 高级策略

9.4.1 Prompt链（Prompt Chaining）

将复杂任务分解为多个子任务串联执行，每环输出作为下一环输入。

建模全流程Prompt链：

第1环（问题分解）：

请将以下建模问题分解为3-5个子问题：[问题]
说明每个子问题的数学本质、依赖关系、建议求解顺序。

第2环（模型建立）——基于第1环输出：

基于以下分解结果，为子问题X建立数学模型：[第1环输出]
给出完整数学规划形式：决策变量、目标函数、约束条件。

第3环（求解实现）——基于第2环输出：

请为以下数学模型编写Python求解代码：[第2环输出]

第4环（结果分析）——基于第3环输出：

模型求解结果如下：[第3环运行结果]
请进行：合理性验证、灵敏度分析、实际意义解读、局限性讨论。

设计原则：每环聚焦单一任务；信息传递完整；设检查点验证中间结果；允许回退重做。

9.4.2 反思式Prompt（Self-Reflection）

让AI对自己的输出进行批判性审查，发现并修正错误。

请为物流配送问题建立数学模型。

完成后，扮演严格的评审专家进行审查：
【正确性】目标函数是否正确？约束条件是否完备？
【可行性】假设是否过于理想化？可行域是否非空？
【实用性】求解规模在竞赛时间内是否可行？
【创新性】相比经典VRP有何改进？

发现的每个问题，给出具体修改建议和修正后版本。

9.4.3 对抗式Prompt（Adversarial Prompting）

主动让AI攻击自己的方案，找出漏洞和不足。

以下是我们的数学模型：[描述]

请扮演"恶意评委"，找出所有漏洞：
1. 【数学漏洞】公式是否有错？推导是否严谨？
2. 【逻辑漏洞】假设是否自相矛盾？
3. 【实践漏洞】什么极端情况下会失效？
4. 【竞争劣势】与常见方法相比有何致命弱点？

对每个漏洞评估严重程度（高/中/低）并给出修补建议。

反驳式改进——进一步深化：

我的方案：[描述]
请先给出3个反对该方案的强有力论点（含数学论证），
然后针对每个反对论点给出回应和改进措施。
最终整合所有改进，输出改进后的完整方案。

9.4.4 元Prompt（Meta-Prompting）

让AI帮你设计更好的Prompt，是递归式的优化策略。

我正在参加建模竞赛，题目涉及图论最优路径问题。
需要一个Prompt让AI帮我做灵敏度分析。

请设计该Prompt，需满足：
- 包含清晰的角色设定和输出格式要求
- 引导系统性分析所有关键参数
- 输出包含定量灵敏度指标，适合直接放入论文
- 消除可能的歧义

请给出3个版本（简洁/标准/详细）及各版本适用场景，
并解释每个部分的设计意图。

9.5 建模专用Prompt模板库

以下模板可直接使用或根据具体问题微调。

模板1：问题快速定性

【角色】你是数学建模竞赛教练，精通各类赛题分类。
【任务】请对以下问题快速定性：[粘贴题目]
输出：1.问题类型 2.涉及数学领域（2-3个） 3.核心难点
4.推荐模型Top3 5.预估难度（1-5星） 6.文献检索关键词

模板2：假设条件构建

问题：[简述]。请构建建模假设，分三类：
1. 简化假设（降低复杂度）：内容 | 合理性论证 | 影响程度
2. 基础假设（问题前提）：内容 | 依据来源 | 若违反后果
3. 技术假设（求解要求）：内容 | 必要性 | 验证方法
总数不超过8条，简洁可验证。

模板3：数学公式推导

已知条件：[列表]。需要推导：[目标公式]
要求：每步注明使用的定理或性质，LaTeX格式，
关键步骤给直觉解释，最终结果方框标注并说明实际含义。
如需额外假设请明确指出。

模板4：算法伪代码设计

问题：[数学规划形式]  规模：[N变量M约束]  时间限制：[X]
请给出：算法选择及理由、完整伪代码（初始化/迭代/终止条件）、
参数设置建议、时间复杂度分析、可能的加速技巧。

模板5：灵敏度分析

模型：[简述]  最优解：[数值]  关键参数：[列表]
请进行：单参数灵敏度（±10%/±20%/±50%）、参数重要性排序、
稳定性评估、临界值分析。表格与文字结合呈现。

模板6：模型验证

请全面验证以下模型：[描述]
维度：1.极端情况测试 2.量纲检验 3.退化验证（特殊情况退化为已知结论）
4.数值验证（小算例） 5.交叉验证 6.残差分析
每个维度给出具体步骤和判断标准。

模板7：论文Introduction撰写

题目：[X]  方法：[列表]  贡献：[创新点]
撰写500-800字Introduction，结构：
背景引入→问题重要性→现有方法不足→本文方法概述→结构导引
学术正式风格，逻辑递进，每段标注写作目的。

模板8：结果可视化方案

数据：[描述]  受众：建模竞赛评审  论文位置：[说明]
请建议：图表类型及理由、坐标轴设置、学术配色方案、
标注和图例设计、完整matplotlib代码。
要求：字体≥10pt，分辨率≥300dpi，含标题和图注。

模板9：模型改进方向探索

当前模型：[描述]  已知局限：[列表]
从5个角度探索改进：数学扩展、因素补充、方法升级、跨学科融合、实用价值增强
每个方向评估：改进难度、预期收益、实现时间、是否推荐竞赛中实施。

模板10：答辩准备

论文内容：[简述]
请准备：评委最可能的10个提问、每题30秒回答要点、
薄弱环节分析、防守策略（含备选方案）、一句话亮点提炼。
模拟一场5分钟答辩问答。

模板11：数据预处理方案

数据描述：来源[X]，规模[行×列]，类型[X]，已知问题[缺失/异常/...]
请设计完整流程：EDA步骤、缺失值处理、异常值检测、
特征工程建议、标准化方案、Python代码实现。
说明每步对建模结果的潜在影响。

模板12：多目标优化处理

存在冲突的优化目标：[列出目标及冲突关系]
请分析：加权求和法（权重确定）、ε-约束法（边界设置）、
帕累托前沿法（求解与展示）各自的适用条件和优缺点。
推荐最适合的方法及Python实现要点。

模板13：模型对比决策

问题：[描述]  候选方法：方法A / 方法B / 方法C
用表格从以下维度对比：
| 维度 | 方法A | 方法B | 方法C |
数学严谨性、求解难度、数据需求、可解释性、评委偏好、实现时间
最终推荐及理由。

9.6 注意事项与常见错误

9.6.1 常见Prompt错误与改进

错误1：指令模糊

差的Prompt好的Prompt
帮我建个模型请为城市交通流量预测建立ARIMA模型，含阶数选择、参数估计、诊断检验
写点代码用Python的scipy.optimize实现拉格朗日乘数法求解带等式约束非线性优化
分析一下结果从最优解含义、经验值偏差、参数灵敏度、局限性四角度分析结果

错误2：上下文不足

❌ 差：请优化这个目标函数。

✓ 好：请优化以下目标函数：
     min f(x) = x₁² + 2x₂² - x₁x₂
     约束：x₁ + x₂ ≤ 10, x₁ ≥ 0, x₂ ≥ 0
     背景：资源分配问题的成本最小化子问题，
     x₁为A工厂产量，x₂为B工厂产量（万件）。

错误3：一次要求太多

❌ 差：请建立模型、写代码、分析结果、画图、写论文。

✓ 好（分步执行）：
   Step 1：请建立问题的数学模型（只需给出公式）
   Step 2：[确认模型后] 请编写求解代码
   Step 3：[代码运行后] 请分析这些结果

错误4：忽视输出格式

❌ 差：分析一下这几个方法的优缺点。

✓ 好：用表格对比，列：方法名 | 时间复杂度 | 解的质量 | 实现难度 | 推荐场景

9.6.2 数学正确性验证

AI推导可能出现符号错误、量纲不一致、条件遗漏等问题。应对策略：

推导完成后请逐行检查：
1. 每步变换是否可逆（若需要）
2. 等号/不等号方向是否正确
3. 求和/积分上下限是否正确
4. 最终结果量纲是否一致
5. 代入特殊值验证：x=0, x=1, x→∞时结果是否合理

9.6.3 代码可靠性

AI代码需要额外验证边界条件（空列表、零除、越界）、数值稳定性（大数溢出、精度丢失）、算法正确性。建议在Prompt中要求附带至少3个测试用例（含边界情况）和已知最优解的验证算例。

9.6.4 避免“幻觉“

LLM可能生成不存在的定理、公式或文献，这在建模中尤其危险：

  • 不要直接引用AI给出的文献——必须自行查阅验证
  • 不要直接使用AI声称的“已有结论“——查找原始来源
  • 对数值结果保持怀疑——用简单算例独立验证

9.6.5 Prompt迭代优化策略

当初始Prompt效果不佳时：

策略1——增加约束：

初始：请给出建模思路。
改进：请给出建模思路，要求不少于3种方法，
每种给出优缺点，标注最推荐的，考虑竞赛72小时限制。

策略2——提供反例：

你之前的回答过于笼统。我不需要"取决于具体情况"这样的回答。
请明确选择一种方法，给出具体理由（含数学论证），给出完整实现步骤。

策略3——分解复杂度：如果回答质量下降，通常是任务过于复杂。将大任务拆分为2-3个子任务分别完成后合并。

策略4——温度调节：回答太保守则提高Temperature；不稳定或含错误则降低Temperature；对关键问题用不同Temperature多次生成，取最佳。

9.6.6 伦理与规范

在数学建模竞赛中使用AI工具需遵守以下原则：

  1. 遵守赛事规则：部分竞赛明确规定了AI工具的使用范围
  2. 标注AI辅助：在论文中如实说明使用AI的环节
  3. 理解而非复制：确保自己理解AI给出的所有内容
  4. 核实所有输出：不盲信AI，独立验证关键结论
  5. 保持学习态度：AI是辅助工具，核心能力仍需自身积累

建议：将AI视为“一位有时会犯错的顾问“——参考其建议，但最终决策和验证由你完成。

本章小结

Prompt Engineering是数学建模者与AI协作的核心技能。本章技巧可归纳为三个层次：

  • 基础层：角色设定、格式控制、Few-shot引导
  • 进阶层：思维链、自一致性、树状思维
  • 高级层：Prompt链、反思式、对抗式、元Prompt

掌握这些技巧后，你将能够快速获得高质量的问题分析和建模方案，生成可靠的数学推导和求解代码，有效进行模型验证和改进，高效完成论文写作和答辩准备。

记住：好的Prompt是具体的、结构化的、有约束的。每次与AI交互前，花30秒思考“我到底想要什么输出“，往往能节省10分钟的反复修改。