要想从GenAI获得预期的答案，需要掌握一定的提问技巧，这项技能就是提示词工程（Prompt Engineering）。

如果你使用的大模型接受训练，可以通过逻辑上关联的连续提问来训练大模型。在提问过程中，通过对前一提问的答案给予肯定或否定来使大模型朝着你期待的方向进行思考。

以下是常见的提示词类型：

信息获取 - 以收集信息为目的，主要回答“什么”跟“如何”这样的问题。

        “请告诉我当前人工智能研究领域最热门的主题是什么？”

情景信息提示词 - 通过提供情景信息，以帮助大模型更好的理解问题。

        “我是一名计算机专业的学生，正在撰写一篇推荐系统方面的论文，有哪些SCI的刊物可供发表？”

比较型提示词 - 通过评估不同的选项来做出正确的选择。

        “期刊A跟期刊B，哪一个的影响因子更高？”

观点询问 - 针对特定的主题，让大模型给出观点。

        “如何评估此篇论文中提出的推荐算法？”

指令型提示词 - 给予明确的指令让大模型执行特定的任务。

        “对此文章进行论文综述”

5 Ws 框架 - 即通过明确的引导词Who、What、When、Where、Why构建提示词。

        “谁（Who）首先发表了关于X主题的论文”

以下是一些有效的提示词工程规则：

清晰 - 明确地，以适当的结构和短语来构建提示词有助于提升回答的质量，获取精确的答案。

提供情景信息或实例 - 通过提供额外的信息，可以让大模型更好的理解你的提问以及需求，这可以提高答案的准确度。

设定限制和约束 - 这可以为大模型设定思考的边界，避免无关和不符合目的的答案出现。

化整为零 -  将复杂的提问分割为含义简单、目的单一的多个小问题，可以降低大模型处理问题的难度，提供更好的答案。

重构提问 - 如果当前的提问不能获取有效的答案，你可以改变词汇，句子结构，或增加更多的情景信息来重新组织提问，以便获得更佳的回复。

多项选择提问 - 如果你需要在众多选择中确定答案，明确的将所有选项提交给大模型，以使其做出抉择。

轮询 - 如果你所面临的是一个复杂的主题，你可以将其按逻辑划分为多个步骤，通过多轮提问获得完整的答案。